考虑社会化关系的个性化推荐方法研究

发布时间：2021-03-14 23:09

　　随着社交媒体的发展,在线用户可以轻松地与朋友分享他们在产品或服务上的体验。而社会化推荐系统可以用于个性化定制适合用户需求的产品。现有的社会化推荐方法试图考虑社会化信息以提高推荐性能,但是它们没有区分不同社会化信息的影响并且没有对社会化信息进行深入分析。在本文中,将从社会化关系多元性和社会化关系强度两方面进行研究。考虑社会化关系多元性的个性化推荐方法,利用好友信息和群组信息扩展了传统的贝叶斯个性化推荐模型。首先,构建三组偏序关系假设,划分反馈集合。然后针对偏序关系假设构建融合好友信息和群组信息的贝叶斯个性化推荐模型。考虑社会化关系强度的个性化推荐方法,利用深度学习中的分层注意力机制学习好友信息、群组信息和标签信息对用户偏好的影响权重。对于不同的用户,底层注意力模拟不同元素对信息的特征表示的影响,顶层注意力模拟不同信息对用户兴趣偏好的影响程度。实验结果显示,本文提出的两个方法可以有效地提高推荐的准确性,减轻稀疏性问题。同时,两个方法均对社会化信息进行深入分析,可以促进社会化商务的发展。 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
第一章 绪论
    1.1 背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 个性化推荐系统研究现状
        1.2.2 社会化推荐系统研究现状
    1.3 主要研究内容
    1.4 论文组织结构
第二章 相关理论与技术
    2.1 社会化理论
    2.2 社会化推荐技术
        2.2.1 社会化推荐的方法分类
        2.2.2 深度学习与注意力模型
    2.3 本章小结
第三章 基于社会化关系多元性的个性化推荐方法
    3.1 问题描述
    3.2 模型构建
        3.2.1 模型描述
        3.2.2 模型假设
        3.2.3 模型构建与求解
    3.3 实验与分析
        3.3.1 实验数据
        3.3.2 比较算法
        3.3.3 评估指标
        3.3.4 实验结果
        3.3.5 鲁棒性分析
    3.4 本章小结
第四章 基于社会化关系强度的个性化推荐方法
    4.1 问题描述
    4.2 模型构建
        4.2.1 模型描述
        4.2.2 注意力网络建模
        4.2.3 模型学习
    4.3 实验与分析
        4.3.1 实验数据
        4.3.2 评估指标
        4.3.3 实验结果分析
    4.4 本章小结
第五章 总结与展望
    5.1 当前工作总结
    5.2 未来工作展望
参考文献
攻读硕士学位期间的学术活动以及成果情况


【参考文献】：
期刊论文
[1]基于CP-CNN的中文短文本分类研究[J]. 余本功,张连彬.  计算机应用研究. 2018(04)
[2]基于TF-IDF的网页新闻分类的研究与应用[J]. 李春梅.  贵州师范大学学报(自然科学版). 2015(06)

硕士论文
[1]融合社会化标签信息的个性化推荐方法研究[D]. 吕曼丽.合肥工业大学 2019
[2]考虑群组信息的社会化推荐方法研究[D]. 蒋军.合肥工业大学 2017



本文编号：3083123