结合图嵌入与矩阵分解的社会化推荐系统研究

发布时间：2021-11-27 13:06

　　人工智能技术的迅猛发展,使得人类社会与信息世界的界限越发模糊,日趋呈现出人机共生、万物互联的新格局。在此背景下,数据的种类与数量与日俱增,如何从浩如烟海的大数据中快速、准确地甄选有价值信息已然成为当下学术界与工业界所共同面临的主要难题之一。推荐系统,作为传统信息检索的有效补充手段,充分利用用户与物品自身内容特征及其二者间的交互数据自动过滤无用信息,旨在对抗信息过载问题,以期达到信息生产者与消费者之间的博弈均衡。协同过滤,特别是矩阵分解,是推荐系统背后的核心技术之一,其巧妙地利用群智感知思路实现个性化推荐,由于其稳定的预测性能以及灵活的扩展能力,一直以来都是学术界与工业界的研究热点。但其性能时常受限于数据稀疏与冷启动问题。目前比较主流的解决思路是利用用户间的社交网络信息弥补用户-物品交互数据。然而,由于社交网络数据的复杂性,现有结合社交信息的推荐算法多为启发式方案,未能充分挖掘社交网络中的有用信息以辅助推荐任务。幸运的是,图嵌入技术的兴起为社交推荐的研究提供了新思路,其致力于将高维稀疏的社交信息嵌入到低维稠密的向量空间,同时最大化的保证原有网络的结构信息。鉴于此,本文以社会化推荐系统为研... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图1一1两种社会化推荐集成范式

矩阵分解原理示意

图２－４图嵌入技术的基本原理ｔｊｋ意??Ｆｉｕｒｅ?２－４?Ｔｅ?ｂａｓｉｃ?ｉｄｅａ?ｏｆｒａｈ?ｅｍｂｅｄｄｎｅｃｈｎｌ

【参考文献】：
期刊论文
[1]融合社交信息的矩阵分解推荐方法研究综述[J]. 刘华锋,景丽萍,于剑.  软件学报. 2018(02)
[2]社会化推荐系统研究[J]. 孟祥武,刘树栋,张玉洁,胡勋.  软件学报. 2015(06)
[3]复杂网络链路预测[J]. 吕琳媛.  电子科技大学学报. 2010(05)

硕士论文
[1]融合社交信息的叠加联合聚类推荐算法研究[D]. 读习习.北京交通大学 2018
[2]电子商务个性化推荐系统的研究[D]. 晋瑞梅.东北大学 2009



本文编号：3522350