基于时序信息的推荐算法研究

发布时间：2021-03-20 18:12

　　近年來,电子商务逐渐成长为一种日渐成熟的商务模式,整体体量在日益不断扩大,系统中的商品规模、种类也在日益增加,用户在使用过程中往往会出现信息超载问题。为了有效地解决这个问题,其中一个效果显著的解决方案就是推荐系统,在推荐系统中主要是通过分析系统中存储的用户历史购买数据,依据用户在兴趣爱好、关注领域、消费水平等方面的不同,向用户产生个性化推荐。在现如今已有的用户个性化推荐算法的研究中,多是以静态推荐为主,如基于商品内容,矩阵填充等技术。在这些经典推荐算法模型中往往忽略用户行为数据中的时序信息。在现实生活中,随着时间的推进,用户的喜好是不断演化的,所以传统的推荐算法模型在刻画用户喜好的动态演化方面将有所限制,而在部分考虑时序信息的工作中通常伴随数据稀疏等影响推荐算法效果的问题。针对上述问题,本文将从利用时序信息的角度出发,来考量分析通过用户历史行为数据中所体现出来的用户喜好,分别提出基于用户喜好在时间相关性方面的时序推荐算法ATC-CF和时序信息在下一个购物篮推荐应用场景下的LAGCN算法。在实验中,分别将这两种算法模型与传统的推荐算法模型应用于真实的推荐数据集中,对用户产生推荐预测,并对... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：83 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 传统推荐算法
        1.2.2 基于时序信息的推荐算法
    1.3 研究内容及主要贡献
    1.4 本文的结构组织与章节安排
第二章 推荐算法相关理论以及研究现状
    2.1 传统推荐算法以及相关理论
        2.1.1 传统推荐算法介绍
            2.1.1.1 基于关联规则的推荐算法
            2.1.1.2 基于内容的推荐算法
            2.1.1.3 协同过滤
            2.1.1.4 基于模型的推荐算法
            2.1.1.5 混合推荐算法
    2.2 矩阵分解算法介绍
    2.3 属性网络介绍
        2.3.1 属性网络的定义
        2.3.2 属性网络的表征
    2.4 时序推荐算法理论介绍
        2.4.1 基于张量分解的推荐算法
        2.4.2 基于马尔科夫链的推荐算法
        2.4.3 基于时间衰减的时序推荐算法
        2.4.4 基于深度学习模型的时序推荐算法
    2.5 下一个购物篮推荐介绍
    2.6 本章总结
第三章 基于时间相关性的时序推荐算法
    3.1 问题描述
    3.2 基于时间相关性的时序推荐算法
        3.2.1 时间相关性分析
        3.2.2 增强型用户商品矩阵构建
        3.2.3 矩阵分解及优化求解
    3.3 实验设计
        3.3.1 实验数据集
        3.3.2 对比算法
        3.3.3 实验平台以及实验设置
        3.3.4 实验评价指标
        3.3.5 实验结果与分析
    3.4 本章总结
第四章 基于商品表征与用户喜好演化的下一个购物篮推荐
    4.1 购物篮序列数据特征以及推荐任务
    4.2 基于购物篮表征与用户兴趣演化的下一个购物篮推荐模型
        4.2.1 商品表征学习
            4.2.1.1 基于商品相关性的商品表征
            4.2.1.2 商品表征的联合学习
        4.2.2 用户动态喜好演化学习
            4.2.2.1 购物篮序列表征
            4.2.2.2 用户动态喜好学习模型:LGCN
            4.2.2.3 模型优化
            4.2.2.4 基于注意力机制的用户动态喜好学习模型:LAGCN
            4.2.2.5 基于注意力机制的用户静态喜好学习模型:AGCN
    4.3 实验设计
        4.3.1 实验数据集
        4.3.2 实验平台以及实验设置
        4.3.3 评价指标
        4.3.4 算法对比
        4.3.5 实验结果与分析
        4.3.6 实验扩展
    4.4 本章总结
第五章 总结和展望
    5.1 本文总结
    5.2 未来工作展望
致谢
参考文献
攻硕期间取得的研究成果


【参考文献】：
期刊论文
[1]基于改进贝叶斯概率模型的推荐算法[J]. 刘付勇,高贤强,张著.  计算机科学. 2017(05)
[2]一种融合协同过滤和内容过滤的混合推荐方法[J]. 高虎明,赵凤跃.  现代图书情报技术. 2015(06)
[3]基于时序行为的协同过滤推荐算法[J]. 孙光福,吴乐,刘淇,朱琛,陈恩红.  软件学报. 2013(11)
[4]个性化推荐系统综述[J]. 王国霞,刘贺平.  计算机工程与应用. 2012(07)



本文编号：3091440