基于非结构化信息建模的推荐算法研究及应用

发布时间：2021-12-12 04:13

　　信息时代的到来,为人们的生活提供了方便,使我们能够更加快捷的在互联网上获得自己想要的信息。随之而来的信息爆炸问题也逐渐凸显,人们很难有效率的从海量的信息中找到自己需要的内容。推荐系统应运而生,它从用户和内容的属性和交互行为中学习用户的偏好,进行合适的匹配。推荐系统的应用场景多种多样,交互形式各不相同,比较有代表性的两大扩展场景包括:序列化推荐和社会化推荐,相对应的序列建模和关系建模也是推荐系统内一个非常重要的研究领域,它们进一步利用序列和拓扑两类非结构化信息来辅助推荐。如何结合场景做到更好的建模,提高推荐系统的准确率是目前研究的一大难点。本文基于序列建模和关系建模两大方向展开工作。在序列化推荐中,用户的偏好往往随时间发生变化,推荐的物品序列和推荐时间点同时为两个重要的优化目标,传统的序列化推荐方法很少对时间戳信息进行比较好的利用,同时两个优化目标间也存在可能冲突的关系。针对以上问题,本文提出基于序列建模的双通道门控循环单元(Two-way Gated Recurrent Unit,TW-GRU)模型,该模型通过不同的目标函数将物品和时间戳的嵌入向量输出进行优化,使用多任务学习的方式寻找...

【文章来源】： 华东师范大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：92 页

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状分析
    1.3 论文的研究内容和主要贡献
    1.4 论文的组织结构
    1.5 本章小结
第二章 相关技术
    2.1 推荐算法
        2.1.1 基于人口统计学的推荐算法
        2.1.2 基于协同过滤的推荐算法
        2.1.3 基于模型的推荐算法
    2.2 序列建模
        2.2.1 循环神经网络
        2.2.2 时序点过程
    2.3 关系建模
        2.3.1 拉普拉斯矩阵
        2.3.2 图卷积网络
    2.4 本章小结
第三章 基于序列建模的推荐模型
    3.1 研究动机与本章贡献
    3.2 会话平行的批采样
    3.3 双通道神经网络模型
        3.3.1 模型描述
        3.3.2 计算流程
        3.3.3 多任务损失函数
        3.3.4 多目标优化权重更新
    3.4 双通道点过程网络模型
        3.4.1 模型描述
        3.4.2 计算流程
        3.4.3 多任务损失函数
    3.5 本章小结
第四章 基于关系建模的推荐模型
    4.1 研究动机与本章贡献
    4.2 评分-交互行为分解
    4.3 交互分解图卷积网络模型
        4.3.1 模型描述
        4.3.2 用户关系图与拉普拉斯矩阵
        4.3.3 正则化与谱卷积
        4.3.4 推荐评分预测
    4.4 本章小结
第五章 实验设计与分析
    5.1 基于序列建模的推荐模型评估
        5.1.1 数据集介绍和预处理
        5.1.2 评价指标
        5.1.3 实验设计
        5.1.4 实验结果
    5.2 基于关系建模的推荐模型评估
        5.2.1 数据集介绍和预处理
        5.2.2 评价指标
        5.2.3 实验设计
        5.2.4 实验结果
    5.3 本章小结
第六章 总结与展望
    6.1 本文总结
    6.2 未来工作展望
参考文献
硕士在读期间学术成果
致谢


【参考文献】：
期刊论文
[1]基于用户的协同过滤算法的推荐效率和个性化改进 [J]. 王成,朱志刚,张玉侠,苏芳芳.  小型微型计算机系统. 2016(03)
[2]个性化推荐系统的研究进展 [J]. 刘建国,周涛,汪秉宏.  自然科学进展. 2009(01)



本文编号：3535987