基于自注意力的协同演进推荐研究

发布时间：2021-09-23 08:03

　　为解决传统的推荐算法中数据稀疏的问题,融合时序信息和知识图谱的关系信息已经成为解决这一问题的重要途径。融合时序信息的方法能建模用户兴趣的演化,却忽略了项目交互序列的语义关系和参数共享导致的信息丢失问题,基于知识图谱的方法挖掘语义路径和拓扑关系,忽略了时序信息和已有语义路径对知识图谱构建影响。针对以上问题,本文提出基于自注意力的协同演进推荐算法,缓解了数据稀疏,提高了推荐性能。针对融合时序信息推荐算法不能有效获取和利用项目交互序列的语义关系以及因参数共享而导致的信息丢失问题,提出了基于语义关系提取的协同演进推荐算法。该方法首先利用循环神经网络和自注意力机制分别提取的序列特征和语义关系特征作为用户和项目的短期特征,解决了交互序列语义提取不完整的问题和信息丢失的问题;其次利用矩阵分解抽取用户和项目的长期特征;接着将用户和项目的长短期特征进行融合,并利用多层感知机进行评分预测,解决了內积带来的排序损失。该算法在公开数据集的评估结果表明,该算法能够有效的提高推荐的准确性。针对以往基于知识图谱方法在构建时忽略时序性及已有语义路径信息影响的问题,提出基于语义路径提取的知识图谱的时序增量构建算法。对每... 

【文章来源】：中国民航大学天津市

【文章页数】：54 页

【学位级别】：硕士

【部分图文】：

不同序列长度l以及维度D取值对HR的影响

中国民航大学硕士学位论文24图3-3不同序列长度l以及维度D取值对HR的影响图3-4不同序列长度l和维度D取值对NDCG的影响图3-3和图3-4也展示了隐向量维度对推荐结果的影响，本文将D取值50,100和150进行实验，理论上增加隐向量的维度将会提高推荐的准确度，但是从图3-3和图3-4可以发现并不完全符合理论，只是在总得趋势上有一定的增长。可以看出，序列长度为8维度150时，评估指标达到了最大值，可见增加维度一定程度能够提高推荐的准确度，但也不能过大，过大将会使得模型出现过拟合的问题。不同模型特征提取能力的对比。3.6.5实验结果及分析本小节先评估了循环神经网络和自注意力机制模块对推荐性能的影响，然后评估其他对比方法和本方法的对比。1、序列处理模型的影响BSFRNN融合了LSTM提取的时序特征以及自注意力机制提取的语义特征。

中国民航大学硕士学位论文35要的影响。图4-2两个数据集上不同长度路径的HR@10和NDCG@102．KGCR与其他方法对比分别在两个真实数据集Movielen-100K和Yelp上将KGCR与其他的方法做了对比，对比的结果如表4-2和4-3所示：表4-2Movielen-100K数据集整体性能对比HR@kNDCG@k5102051020NCF0.50110.68320.82040.35130.41660.4280MCRec0.57640.58730.60790.43540.40010.3809CKE0.47230.51250.68120.30130.31420.3902RGKT0.54120.67030.72560.33120.33010.3458KGAT0.45090.59020.69020.34680.35770.3529KGCR0.52710.69420.82120.35050.42050.4110KGCR_N0.48770.54480.70310.30780.20330.2988表4-3Yelp数据集整体性能对比HR@kNDCG@k5102051020NCF0.11230.13600.20110.16500.11230.0543MCRec0.12020.11430.11560.18150.18280.1798CKE0.09310.10980.11720.12120.11310.0821RGKT0.13250.14010.13120.08940.12540.1024KGAT0.13340.13820.15520.17580.12680.1256KGCR0.13980.14020.21670.18320.19830.1804KGCR_N0.11020.12540.17230.10980.10350.0964

【参考文献】：
期刊论文
[1]个性化推荐系统研究综述[J]. 蒲彬.  现代职业教育. 2016(23)
[2]知识表示学习研究进展[J]. 刘知远,孙茂松,林衍凯,谢若冰.  计算机研究与发展. 2016(02)
[3]电子商务个性化推荐系统综述[J]. 黄春华,寇伟.  商. 2015(43)



本文编号：3405345