基于深度增强学习的兴趣点推荐

发布时间：2021-07-24 07:55

　　随着无线通信和移动设备（例如移动电话和智能手表）的快速发展,大量数据被收集在诸如Yelp和Foursquare这样的基于位置的社交网络（LBSN）中。这些海量的数据为学习人类的活动供了许多新的研究方向,例如社会关系推理,朋友关系预测等等,其中向他们推荐可能感兴趣但从未访问过的兴趣点（POI）是一个重要的应用,并且受到了学术界和工业界越来越多的关注。现今在此领域已经产生了大量的相关算法,绝大多数工作都是通过挖掘兴趣点与用户之间的各种特征和关系（例如,时序关系,地理位置关系,用户社交关系等）来改善兴趣点（POI）推荐的性能。然而,很少有工作是从“为什么用户更喜欢某些兴趣点而不是其他的兴趣点”的角度出发,对兴趣点推荐的机制进行研究。因此在本篇论文的研究中,我们首次尝试使用生成模型,以生成兴趣点的方式模拟兴趣点的推荐过程,出了对抗性兴趣点推荐（APOIR）模型来学习用户偏好的分布。该模型由两个部分组成:（1）推荐模型:通过最大化将这些兴趣点被预测为从未访问过但是可能感兴趣的地点的概率,来学习到用户对兴趣点的偏好的分布,来推荐兴趣点;（2）鉴别模型:它将推荐的兴趣点与真正的用户check-in区... 

【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

【部分图文】：

人工智能领域分支图

11图 2-3 神经元结构示意图神经元接受输入值 x，x 的每一维分量 与对应的权重 相乘，然后求和，与偏置量 b 相加，再通过一个激活函数f(x),得到输出值 y，即：y = f(w x + b) (2-1)

神经网络简单示意图

【参考文献】：
期刊论文
[1]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)

硕士论文
[1]基于社交媒体的短文本数据挖掘研究[D]. 杜娜娜.天津理工大学 2018



本文编号：3300258