基于二部网络的推荐算法研究及系统实现

发布时间：2021-10-22 17:13

　　随着物联网、云计算、大数据、人工智能等数字技术的发展,全球进入数字经济时代,人们的个性化需求、数据的多样性与复杂性让用户对信息的获取提出了更高的要求。如何帮助用户从海量信息中找到其感兴趣的信息,已成为学术界广泛关注的问题。推荐系统作为一种有效的信息过滤系统,是解决这一问题的重要工具,但随着用户和物品数量的极速增长,传统的基于协同过滤的推荐系统正面临着推荐质量和推荐实时性下降的挑战。最近的研究表明,相较于传统协同过滤算法中人工设计的相似度指标,使用网络表示学习的方法处理推荐系统中的相关信息,可以有效地增强推荐系统的特征表示能力。为了提高推荐系统的推荐质量和实时性,本文主要关注基于二部网络的推荐算法和实时推荐的系统架构。本文的主要工作和贡献如下:（1）提出了一种联合二部网络表示学习的矩阵分解推荐算法（BiNRMF）。使用二部网络表示学习的方法,学习用户与项目的低维向量稠密表示,提高相似度计算结果的稳定性,降低相似度计算的复杂度;将低维向量空间中用户与用户、项目与项目之间的相似关系融入传统矩阵分解算法,训练预测模型。（2）设计了一种实时的三层推荐架构。整体架构一共分为三层:离线层,近线层、在... 

【文章来源】：安徽大学安徽省 211工程院校

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

图２．２?Ｗｉｄｅ＆ｄｅｅｐ模型结构??Ｆｉｕｒｅ?２．２?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?ｔｈｅ?Ｗｉｄｅ＆ｄｅｅｍｏｄｅｌ??

通过??二部网络的表示学习算法分别获得用户和项目的低维向量稠密表运，甩于计算甩户之间??和项目之间在低维向量空间中的相似性，改进传统的矩阵分解模型。在ＧｏｏｄＢｏｏｋｓ和??ＭｏｖｉｅＬｅｎｓ数据集上的实验结果表明与经典的推荐算法相比，ＢｉＮＲＭＦ方法的预测精度??有显著的提升．??３．１算法整体框架??本章节提出的ＢｉＮＲＭＦ算法，结合二部网络表示学习算法和矩阵分解算法，利用两??个异构信息源：项目的标签信息和用户的评分信息作为输入，通过训练模型预测用户对??项貝的评分。??图３．１描述了算法的整体框架：首先，利用输入的信息分别构建用户行为和项目内??容信息的二部网络。然后，使用二部网络表示学习的算法获得用户和项目的低维向＃表??示。最后，基于甩户和项目的低维向量表示计算相似性，并融入矩阵分解模型，预测用??户对项目的评分。??＾＾??项目扁?＾项目－标签二部网络３?？二部网络表示学习??Ｉ?Ｉ?［?，?＂??签信息?Ｖ?ｙ???ａ?（夕＠目内容））??＾?＞?桀５?＾????猙，?（１?－?ａ）（?５＞（用户交互））??瓦一（■用户－项目二部ｊｐ—部网络表示学习Ｉ＾?Ｕ?Ｖ?）??＾」??图３．１算法整体框架图??Ｆｉｇｕｒｅ?３．１?Ｏｖｅｒａｌｌ?ｆｒａｍｅｗｏｒｋ?ｏｆ?ｔｈｅ?ａｌｇｏｒｉｔｈｍ??３．２数据预处理??数据预处理的目的是从用户的评分行为和项自的内容信息中抽取用户－项目分＝??部网络和项Ｈ－标签二部网络，并作为二部网络表示学习算法的输入。??１５??

?第三章：基于二＇部网络表示学习的推荐算法???如图３．２所示，左图为用户的评分信息．，转化为右图的用户－项目评分二部网络。??其中圆形节点代表用户，矩形节点代表项目。节点之间的边代表用户对项目存在打分行??为。边的权重代表对应的用户项匿评分。??


本文编号：3451535