基于知识图谱技术的推荐算法研究及应用

发布时间：2021-12-29 18:40

　　互联网时代,在线内容和服务的爆炸式增长为用户提供了压倒性的选择,个性化推荐系统的研究是对实现信息过滤的重要突破,通常是根据用户的历史交互信息挖掘到潜在的兴趣偏好来推送令用户满意的项目。然而,基于协同过滤的推荐算法仅根据对用户项目交互信息的分析构建用户-项目评分矩阵来完成后续算法进行兴趣推荐,往往会存在着数据的稀疏性问题和冷启动问题。为了解决这些局限性,研究人员建议将辅助信息纳入推荐算法中,本文从语义方面出发,提出引入知识图谱丰富的语义信息,利用知识表示学习方法在保留用户或项目自身的语义信息的基础上,将数据嵌入低维的向量空间中计算语义相似度来产生推荐结果。该算法丰富了传统推荐算法中用户或项目的语义信息,有效的增强了推荐性能。本文研究内容如下:1.本论文引入伯努利抽样策略对知识表示中翻译模型训练过程的负采样算法进行改进,根据头实体与尾实体的不同关系类型分别设置不同的替代概率,减少构建错误负三元组的概率。2.本论文采用改进的翻译模型对用户与项目进行向量化表示和度量语义相似度,有效融合不同来源的信息和解决数据稀疏问题。提出基于翻译模型来学习准确表示用户与项目的语义信息,采用最大距离的思想将正负... 

【文章来源】：江西农业大学江西省

【文章页数】：48 页

【学位级别】：硕士

【部分图文】：

RDF实例Figure2-1AnexampleofRDF

知识图谱的发展历程

图 2-3 知识图谱的技术架构图Figure 2-3 TechnicalArchitecture of Knowledge Map识图谱的主流构建方式有：自顶向下和自底向上两种方式，自顶向下构利用本体编辑器依据现有本体的信息手动定义好本体与数据模式，再将识库。自顶向下构建方式通常使用一些现有的结构化知识库作为其基如 DBpedia、Freebase 项目采用的构建方式是自顶向下，其中数据来源[16]。底向上构建方式指的由计算机使用机器学习算法以及知识获取技术自动的方式构建本体，在一些开放链接数据中发现新的实体及实体间的关来，然后通过算法评估实体的置信度，选择其中置信度较高的知识加入构建顶层的本体模式[17]。当前，大部分知识图谱的主流构建方式是自底其中最典型就是 Google 的 Knowledge Vault[18]和微软的 Satori 知识库。网数据内容知识产生的特点，更适用于自底向上的构建方式。大规模知识库规模知识库从语义上理解即是存放着大量知识的数据库，描述现实世界

【参考文献】：
期刊论文
[1]面向中文开放领域的多元实体关系抽取研究[J]. 姚贤明,甘健侯,徐坚.  智能系统学报. 2019(03)
[2]面向电子商务应用的知识图谱关联查询处理[J]. 岳昆,阚伊戎,王钰杰,钱文华.  计算机集成制造系统. 2020(05)
[3]托攻击与推荐系统安全[J]. 田俊峰,蔡红云.  河北大学学报(自然科学版). 2018(06)
[4]一种知识图谱的排序学习个性化推荐算法[J]. 杨晋吉,胡波,王欣明,伍昱燊,赵淦森.  小型微型计算机系统. 2018(11)
[5]基于皮尔逊相关系数的网络舆情评估指标体系构建研究[J]. 覃玉冰,邓春林,杨柳.  情报探索. 2018(10)
[6]知识图谱的推荐系统综述[J]. 常亮,张伟涛,古天龙,孙文平,宾辰忠.  智能系统学报. 2019(02)
[7]知识图谱技术综述[J]. 徐增林,盛泳潘,贺丽荣,王雅芳.  电子科技大学学报. 2016(04)
[8]基于稀疏数据预处理的协同过滤推荐算法[J]. 陈宗言,颜俊.  计算机技术与发展. 2016(07)
[9]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)
[10]知识图谱的技术实现流程及相关应用[J]. 曹倩,赵一鸣.  情报理论与实践. 2015(12)

硕士论文
[1]基于图的关系推理算法研究与实现[D]. 江浏祎.电子科技大学 2017
[2]实体关系抽取技术研究[D]. 陈思佳.北京邮电大学 2014



本文编号：3556666