基于深度学习和异构信息网络的协同过滤推荐方法研究

发布时间：2021-05-06 20:43

　　随着移动互联网和各种智能终端设备的不断发展,网络上的信息呈爆炸式增长。为了缓解信息过载问题,研究者提出构建推荐系统来为用户提供个性化的信息、产品或服务,以满足他们的喜好。然而,评分数据稀疏性问题在一定程度上限制了传统的基于协同过滤的推荐算法推荐性能。而随着用户和物品的相关信息越来越多,如何充分利用这些信息来突破评分数据稀疏性造成性能瓶颈成为推荐系统中研究的热点问题之一。现有工作较少关注如何结合异构信息网络和深度学习实现更好的推荐。本文提出了基于实体的和基于路径的异构信息网络信息的深度协同过滤推荐模型,主要工作如下:1.本文提出了TrustDMF模型。TrustDMF令用户从物品的层面来提取低阶特征,物品和用户的信任用户群从用户的层面来提取低阶特征。接着通过MLP来提取高阶特征。最后使用用户的特征向量与物品的特征向量的余弦相似度作为预测评分值,用户的特征向量与用户的信任用户群的余弦相似度作为预测信任度。为了更好的考虑信任信息,损失函数增加了社交正则化约束,即增加了预测信任度与实际信任度的平方差。2.本文提出PANCF模型。PANCF使用LSTM对路径进行建模来提取特征向量,然后对属于同一... 

【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 基于深度学习的推荐算法研究现状
        1.2.2 基于异构信息网络的推荐算法研究现状
    1.3 存在的问题
    1.4 本文的研究内容和结构安排
    1.5 本章小结
第2章 基本概念和相关工作
    2.1 推荐系统简介
        2.1.1 推荐系统概念介绍
        2.1.2 推荐算法的分类
        2.1.3 推荐任务的分类
    2.2 评价指标
        2.2.1 分类指标
        2.2.2 回归指标
        2.2.3 排序指标
    2.3 深度学习技术简介
        2.3.1 神经网络
        2.3.2 深度协同过滤
        2.3.3 注意力机制
    2.4 异构信息网络
        2.4.1 异构信息网络定义
        2.4.2 基于信任网络的推荐算法
        2.4.3 基于知识图谱的推荐算法
    2.5 本章小结
第3章 融合信任关系的深度矩阵分解推荐算法
    3.1 预备知识
        3.1.1 矩阵分解
        3.1.2 深度矩阵分解
    3.2 融合信任关系的深度矩阵分解
        3.2.1 算法描述
        3.2.2 损失函数
        3.2.3 数据集与评价指标
    3.3 实验对比分析
        3.3.1 实验设置细节
        3.3.2 Trust DMF与其他模型的对比
        3.3.3 负样本比例对性能的影响
        3.3.4 神经网络层数对性能的影响
        3.3.5 预测隐藏因子数对性能的影响
    3.4 本章小结
第4章 融合知识图谱的深度协同过滤模型
    4.1 相关定义
    4.2 融合知识图谱的深度协同过滤
        4.2.1 用户和物品的表征学习
        4.2.2 基于元路径的上下文表征学习
        4.2.3 注意力机制
        4.2.4 预测和学习
        4.2.5 数据集与评价指标
    4.3 实验对比分析
        4.3.1 实验设置细节
        4.3.2 PANCF与其他模型的对比
        4.3.3 隐藏层数对性能的影响
        4.3.4 负采样比例的影响
        4.3.5 注意力机制的影响
    4.4 本章小结
结论
参考文献
致谢
附录A 发表论文和参加科研情况说明
附录B 攻读学位期间参与的研究项目


【参考文献】：
期刊论文
[1]基于用户评论的深度情感分析和多视图协同融合的混合推荐方法[J]. 张宜浩,朱小飞,徐传运,董世都.  计算机学报. 2019(06)
[2]基于社交网络信任关系的服务推荐方法[J]. 王佳蕾,郭耀,刘志宏.  计算机科学. 2018(S2)
[3]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)
[4]LBSN中融合信任与不信任关系的兴趣点推荐[J]. 朱敬华,明骞.  通信学报. 2018(07)
[5]一种带偏置的非负矩阵分解推荐算法[J]. 王建芳,刘冉东,刘永利.  小型微型计算机系统. 2018(01)
[6]融合用户信任度与相似度的推荐算法研究[J]. 徐毅,叶卫根,戴鑫,宋威,周贤泉.  小型微型计算机系统. 2018(01)
[7]基于多层次项目相似度的协同过滤推荐算法[J]. 徐翔宇,刘建明.  计算机科学. 2016(10)
[8]基于位置社交网络的上下文感知的兴趣点推荐[J]. 任星怡,宋美娜,宋俊德.  计算机学报. 2017(04)
[9]基于社交标签和社交信任的概率矩阵分解推荐算法[J]. 王升升,赵海燕,陈庆奎,曹健.  小型微型计算机系统. 2016(05)
[10]基于用户邻域和主题的新颖性Web社区推荐方法[J]. 余骞,彭智勇,洪亮,万言历.  软件学报. 2016(05)



本文编号：3172588