發(fā)布時(shí)間：2023-06-01 02:12

　　推薦系統(tǒng)旨在生成最終用戶(hù)可能感興趣的項(xiàng)目的個(gè)性化排序列表。隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)和語(yǔ)音識(shí)別領(lǐng)域的空前成功,那么如何將深度學(xué)習(xí)合理地引入到推薦系統(tǒng)也引發(fā)了研究人員的思考。知識(shí)圖譜,作為一個(gè)新的研究熱點(diǎn),包含了豐富的實(shí)體語(yǔ)義關(guān)聯(lián)的新型輔助信息。研究人員發(fā)現(xiàn),當(dāng)知識(shí)圖譜引入推薦系統(tǒng),可以達(dá)到減少數(shù)據(jù)稀疏性和冷啟動(dòng)問(wèn)題,是推薦系統(tǒng)中神經(jīng)網(wǎng)絡(luò)良好的輔助劑。在傳統(tǒng)的推薦系統(tǒng)中,因其依賴(lài)于矩陣分解協(xié)同過(guò)濾算法進(jìn)行推薦,不可避免地會(huì)出現(xiàn)冷啟動(dòng)和數(shù)據(jù)稀疏性問(wèn)題。數(shù)據(jù)稀疏性問(wèn)題往往是指在比如大規(guī)模電商等平臺(tái),用戶(hù)和項(xiàng)目數(shù)量非常大,但是在獲得的用戶(hù)-項(xiàng)目矩陣中,用戶(hù)平均有交互的項(xiàng)目數(shù)量較小,這樣就會(huì)造成用戶(hù)-項(xiàng)目矩陣稀疏。而冷啟動(dòng)問(wèn)題是指如何在沒(méi)有大量用戶(hù)數(shù)據(jù)的情況下為新用戶(hù)做個(gè)性化推薦。數(shù)據(jù)的稀疏性問(wèn)題最終會(huì)導(dǎo)致無(wú)法捕捉到不同用戶(hù)和不同項(xiàng)目之間的關(guān)系,從而降低了推薦系統(tǒng)的準(zhǔn)確度。隱式反饋?zhàn)鳛楸硎疽环N隱式表達(dá),可以通過(guò)多種方式獲得用戶(hù)的喜好,而不是僅局限于顯示的表達(dá)喜愛(ài),從而豐富用戶(hù)-項(xiàng)目矩陣,進(jìn)而緩解了數(shù)據(jù)稀疏性問(wèn)題。神經(jīng)網(wǎng)絡(luò)可以從更高的維度去剖析事物和事物之間的關(guān)系,也讓數(shù)據(jù)稀疏性問(wèn)題得到了改善。冷啟...

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
專(zhuān)用術(shù)語(yǔ)注釋表
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究及應(yīng)用現(xiàn)狀
        1.2.1 傳統(tǒng)協(xié)同過(guò)濾推薦
        1.2.2 深度學(xué)習(xí)引入推薦系統(tǒng)
        1.2.3 知識(shí)圖譜技術(shù)融合推薦系統(tǒng)
    1.3 論文的主要研究?jī)?nèi)容
    1.4 論文的創(chuàng)新點(diǎn)
    1.5 論文結(jié)構(gòu)與安排
第二章 相關(guān)背景知識(shí)介紹
    2.1 推薦系統(tǒng)基礎(chǔ)研究
        2.1.1 隱式反饋
        2.1.2 矩陣分解
        2.1.3 貝葉斯個(gè)性化排序?qū)W習(xí)
    2.2 知識(shí)圖譜表示學(xué)習(xí)
    2.3 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)研究
第三章 融合知識(shí)圖譜表示學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的推薦系統(tǒng)框架
    3.1 問(wèn)題描述
    3.2 KNCR框架概述
    3.3 KNCR隱式反饋學(xué)習(xí)過(guò)程
        3.3.1 基于貝葉斯排序的優(yōu)化
        3.3.2 KNCR的隱式反饋學(xué)習(xí)過(guò)程
    3.4 KNCR的預(yù)測(cè)過(guò)程
第四章 知識(shí)圖譜表示學(xué)習(xí)嵌入框架
    4.1 知識(shí)圖譜表示學(xué)習(xí)嵌入層
    4.2 實(shí)驗(yàn)結(jié)果與分析
        4.2.1 實(shí)驗(yàn)環(huán)境
        4.2.2 數(shù)據(jù)集描述
        4.2.3 參數(shù)設(shè)置
        4.2.4 評(píng)價(jià)指標(biāo)
        4.2.5 基線比較
        4.2.6 實(shí)驗(yàn)過(guò)程
        4.2.7 KNCR的性能比較
        4.2.8 不同的知識(shí)表示學(xué)習(xí)和嵌入層數(shù)的影響
    4.3 本章小結(jié)
第五章 神經(jīng)網(wǎng)絡(luò)融合傳統(tǒng)協(xié)同過(guò)濾排序框架
    5.1 神經(jīng)網(wǎng)絡(luò)協(xié)同過(guò)濾排序框架
        5.1.1 KNCR-MLP
        5.1.2 KNCR-CNN
    5.2 實(shí)驗(yàn)結(jié)果與分析
        5.2.1 實(shí)驗(yàn)環(huán)境
        5.2.2 數(shù)據(jù)集描述
        5.2.3 參數(shù)設(shè)置
        5.2.4 評(píng)價(jià)指標(biāo)
        5.2.5 基線比較
        5.2.6 實(shí)驗(yàn)過(guò)程
        5.2.7 KNCR的性能比較
    5.3 本章小結(jié)
第六章 總結(jié)與展望
參考文獻(xiàn)
附錄1 程序清單
附錄2 攻讀碩士學(xué)位期間撰寫(xiě)的論文
附錄3 攻讀碩士學(xué)位期間申請(qǐng)的專(zhuān)利
附錄4 攻讀碩士學(xué)位期間參加的科研項(xiàng)目
致謝



本文編號(hào)：3826446