基于异质信息网络表示学习的推荐算法研究与实现

发布时间：2021-02-26 16:09

　　在信息过载的时代,推荐系统在各种在线服务中发挥着举足轻重的作用,其目的是将用户的兴趣点与资源进行匹配。传统的推荐方法,如矩阵分解,主要是利用历史的用户-商品的交互记录来建模用户对商品的偏好。如今,各种各样的辅助数据在推荐系统中变得容易获取,并且这些信息可以用来提高推荐性能。近年来,由多种节点或边组成的异质信息网络（HIN）作为一种融合复杂信息的强大建模方法被提出,并成功地应用于许多数据挖掘任务中。由于异质信息网络在建模数据异质性方面的灵活性,近年来在推荐系统中也被用来表征丰富的辅助数据,这种设定下的推荐算法被称为基于异质信息网络的推荐方法。现有的基于异质信息网络的推荐方法主要依赖于基于元路径的相似性,并通常学习一种线性加权机制将路径相似性或隐层因子结合起来进行推荐。这些方法无法有效地提取和利用异质信息网络中丰富的辅助信息进行推荐。与此同时,以学习每个节点的低维表示向量为目标的网络表示学习在结构特征提取中显示出一定的潜力,并已成功应用于许多数据挖掘任务中。在现有的网络表示学习方法中,大部分都侧重于同质网络,不能直接应用于异质信息网络。因此,人们的注意力正日益转向异质信息网络的表示学习的研... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：95 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景
    1.2 国内外研究现状
        1.2.1 基于协同过滤的推荐
        1.2.2 基于异质信息网络的推荐
        1.2.3 基于深度学习和注意力机制的推荐
        1.2.4 网络表示学习
    1.3 本文主要工作内容
        1.3.1 基于异质信息网络表示学习的推荐
        1.3.2 基于元路径上下文的推荐
        1.3.3 异质信息网络中融合局部信息和全局信息的推荐
        1.3.4 基于属性异质信息网络表示的套现用户检测推荐应用
    1.4 论文结构
    1.5 本章小结
第二章 相关概念介绍及问题定义
    2.1 矩阵分解算法
    2.2 异质信息网络
    2.3 网络表示学习
    2.4 注意力机制
    2.5 基于异质信息网络的推荐
    2.6 本章小结
第三章 基于异质信息网络表示学习的推荐
    3.1 引言
    3.2 模型设计与描述
        3.2.1 异质信息网络表示学习
        3.2.2 基于异质信息网络表示学习的推荐
        3.2.3 模型分析
    3.3 实验设计与分析
        3.3.1 实验数据集
        3.3.2 评价指标和对比方法
        3.3.3 有效性实验
        3.3.4 HERec的详细分析
    3.4 本章小结
第四章 基于元路径上下文的推荐
    4.1 引言
    4.2 模型设计与描述
        4.2.1 用户和商品的表示
        4.2.2 描述交互的基于元路径的上下文
        4.2.3 通过协同注意力机制提升交互表示
        4.2.4 模型学习和讨论
    4.3 实验设计与分析
        4.3.1 实验设置
        4.3.2 实验结果
        4.3.3 MCRec的详细分析
    4.4 本章小结
第五章 异质信息网络中融合局部信息和全局信息的推荐
    5.1 引言
    5.2 模型描述与分析
        5.2.1 基于协同注意力机制和局部信息的基本推荐模型
        5.2.2 基于多标签分类的全局信息建模
        5.2.3 统一的模型
    5.3 实验设计与分析
        5.3.1 实验设置
        5.3.2 实验结果及分析
    5.4 本章小结
第六章 基于属性异质信息网络表示的套现用户检测推荐应用
    6.1 引言
    6.2 数据分析
    6.3 算法设计与描述
        6.3.1 特征抽取
        6.3.2 层次注意力机制
        6.3.3 模型学习与分析
    6.4 实验设计与分析
        6.4.1 实验设置
        6.4.2 有效性实验
        6.4.3 HACUD的详细分析
    6.5 本章小结
第七章 总结与展望
    7.1 论文的主要贡献
    7.2 工作展望
参考文献
致谢
攻读学位期间发表的学术论文目录



本文编号：3052831