基于知识图谱的汽车交易智能推荐系统研究

发布时间：2022-12-07 06:07

　　随着互联网以及大数据技术应用越来越广泛,人们不仅获取到海量数据,同时生活方式也发生了极大的改变,其中网购成为一种必不可少的购物方式。为了提供给用户良好的购物体验,推荐系统扮演着不可或缺的角色。最具代表的是协同过滤推荐算法,该算法模型简单,在业界被广泛使用。但该算法存在冷启动和数据稀疏问题,同时缺乏对数据语义信息的描述,无法实现对用户和商品的精准刻画,实现精准推荐难度较大。知识图谱作为一种海量知识的表征形式,旨在描述真实世界中存在的各种实体和概念。知识图谱是一种语义网络,可以融合多种数据源丰富语义信息,并结合推理得到的隐含信息为用户提供服务。知识图谱作为一种新的知识储备已被广泛应用,更被广泛应用于推荐系统。本文进行基于知识图谱的汽车交易智能推荐系统研究。以汽车交易系统为应用背景,通过实体和关系抽取构建领域知识图谱,并建立高覆盖率的实体、概念及语义信息,最后将传统的协同过滤算法与知识图谱相融合,实现汽车交易的智能推荐。本文研究工作有以下几个部分:（1）对基于网站网页数据的知识抽取方法进行研究,并构建领域知识图谱。基于SVM方法对网页数据进行实体抽取,基于Bootstrap对网页数据进行关系... 

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 国内外研究现状
        1.2.1 知识图谱研究现状
        1.2.2 推荐系统研究现状
        1.2.3 基于知识图谱推荐系统的研究现状
    1.3 论文的研究内容和创新点
    1.4 论文的结构安排
第二章 相关理论和方法
    2.1 知识图谱和人工智能
    2.2 知识图谱的构建方法
    2.3 知识图谱的构建关键技术
        2.3.1 知识抽取
        2.3.2 知识融合
        2.3.3 知识推理
        2.3.4 质量评估
    2.4 知识图谱的典型应用
    2.5 智能推荐技术
    2.6 本章小节
第三章 领域知识图谱构建技术研究
    3.1 基于SVM的 Web实体抽取研究
        3.1.1 支持向量机
        3.1.2 基于SVM的 Web实体抽取
            3.1.2.1 网页结构分析
            3.1.2.2 领域数据实体抽取
    3.2 基于Bootstrap关系抽取算法研究
        3.2.1 算法描述
    3.3 实验简介
    3.4 实验结果
    3.5 本章小结
第四章 基于翻译模型的知识图谱表示学习
    4.1 传统的物品语义表示
    4.2 传统的物品语义表示存在的问题
    4.3 基于知识图谱表示学习的物品向量化思想
        4.3.1 知识表示学习
        4.3.2 物品向量化表示思想
    4.4 翻译模型训练过程
        4.4.1 评分函数
        4.4.2 翻译模型训练算法
    4.5 实验结果及分析
        4.5.1 实验数据集
        4.5.2 实验结果
    4.6 总结
第五章 基于知识图谱的智能推荐算法研究
    5.1 基于协同过滤的推荐算法及其改进
        5.1.1 基于协同过滤的推荐算法
        5.1.2 改进的推荐算法
    5.2 推荐算法框架
    5.3 基于知识图谱的实体相似度
    5.4 基于协同过滤的物品相似度计算
        5.4.1 构建评分矩阵
        5.4.2 计算相似度
    5.5 两种推荐算法的相似度融合及预测用户评分
    5.6 实验结果及分析
    5.7 本章小节
第六章 基于知识图谱的智能推荐系统设计与实现
    6.1 系统概述
    6.2 系统总体设计
    6.3 系统模块功能实现
        6.3.1 用户登录模块
        6.3.2 用户管理模块
        6.3.3 商品管理模块
        6.3.4 推荐结果模块
    6.4 本章小结
第七章 总结与展望
    7.1 本文总结
    7.2 未来展望
参考文献
攻读硕士期间发表的论文及取得的研究成果
致谢


【参考文献】：
期刊论文
[1]融合循环知识图谱和协同过滤电影推荐算法[J]. 李浩,张亚钏,康雁,杨兵,卜荣景,李晋源.  计算机工程与应用. 2020(02)
[2]国内基于知识图谱的信息推荐研究进展[J]. 孙雨生,祝博,朱礼军.  情报理论与实践. 2019(12)
[3]基于知识图谱的用户偏好神经建模框架[J]. 朱桂明,宾辰忠,古天龙,陈炜,贾中浩.  模式识别与人工智能. 2019(07)
[4]个性化推荐研究热点及学术群探析——基于1990—2017年数据统计及可视化研究[J]. 周颖芮,孙锐,袁圆.  科技与经济. 2019(03)
[5]文本分类中基于CHI改进的特征选择方法[J]. 宋呈祥,陈秀宏,牛强.  传感器与微系统. 2019(02)
[6]基于知识图谱的云端个性化测试推荐[J]. 段玉聪,邵礼旭,崔立真,高洪皓.  小型微型计算机系统. 2018(12)
[7]基于知识图谱的个性化学习资源推荐研究[J]. 黄华升.  软件工程. 2018(10)
[8]我国推荐系统研究热点及可视化分析[J]. 张骏,顾冲.  现代商贸工业. 2018(18)
[9]协同推荐研究前沿与发展趋势的知识图谱分析[J]. 陈海蛟,努尔布力.  小型微型计算机系统. 2018(04)
[10]旅游推荐系统研究综述[J]. 常亮,曹玉婷,孙文平,张伟涛,陈君同.  计算机科学. 2017(10)

硕士论文
[1]基于知识图谱的个性化习题推荐研究[D]. 胡辉.四川师范大学 2019
[2]个性化推荐系统中冷启动问题研究[D]. 雷秋雨.北京交通大学 2019
[3]基于协同过滤的新闻推荐系统的设计与实现[D]. 薛松.山东师范大学 2019
[4]基于文本挖掘的领域知识图谱构建方法的研究与实现[D]. 刘霄阳.北京交通大学 2019
[5]基于知识图谱构建的微博话题推荐研究[D]. 张兴宇.安徽理工大学 2019
[6]基于改进的协同过滤个性化音乐推荐系统研究[D]. 陈继腾.广东工业大学 2019
[7]基于知识图谱的新闻推荐方法研究[D]. 宋书鹏.华中科技大学 2019
[8]基于知识图谱的汽车领域智能问答设计与实践[D]. 张金明.华中科技大学 2019
[9]基于bootstrap方法的参数估计研究[D]. 周君.贵州民族大学 2019
[10]基于协同过滤的试题推荐与智能分析系统研究与实现[D]. 孙方方.华南理工大学 2019



本文编号：3712372