基于领域知识图谱实体消歧的协同过滤推荐算法研究

发布时间：2023-01-04 09:48

　　当今互联网飞速发展,人们生活中充斥着越来越多的选择,因此各大网站的推荐功能应运而生。当朋友推荐一部书籍,访问图书网站查找,目标书籍出现在返回表单中,同时网页会列出一些你可能喜欢的书籍,这就是推荐系统的应用。对于传统的协同过滤推荐算法,只凭借原有参与者的过去意见和行为来进行预测。本文结合知识图谱技术构建图书领域知识库,针对实体语义进行消歧处理,对实体消歧处理后所得到的实体进行语义相似度计算,再将语义相似的邻域与传统协同过滤推荐算法的推荐邻域按照不同比例进行融合,从而将有关中文实体的消歧语义信息融合到传统协同过滤推荐算法。目的是改善传统协同过滤算法未加入实体语义信息的弊端,理论及实验证明本文所改进的算法能有效改善协同过滤算法在推荐过程中的效果,尽可能改善推荐过程中所存在冷启动问题。本文提出基于领域知识图谱实体消歧的协同过滤推荐算法,构建领域知识库并通过网络爬虫技术所获取的图书文本信息构建知识图谱模型。通过基于图谱的随机游走算法对该领域内的实体进行语义相似性计算,将未消歧处理的实体所在的文本关键词与知识库里的实体备选关键词,通过建立模型进行语义相似度的交叉计算,将计算值最大的备选实体选定成所... 

【文章页数】：53 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 研究的国内外现状
        1.2.1 协同过滤推荐算法的研究现状
        1.2.2 知识图谱的研究现状
        1.2.3 实体消歧的研究现状
    1.3 主要研究内容与组织结构
第二章 协同过滤推荐算法的相关理论基础
    2.1 协同过滤推荐算法的概述
    2.2 协同过滤推荐算法的推荐技术
        2.2.1 邻域推荐
        2.2.2 评分矩阵推荐
    2.3 传统协同过滤算法的比较
        2.3.1 基于用户的协同过滤算法
        2.3.2 基于项目的协同过滤算法
        2.3.3 基于模型的协同过滤算法
        2.3.4 协同过滤算法的利弊对比
    2.4 本章小结
第三章 知识图谱和相关算法的理论基础
    3.1 知识图谱的概述
    3.2 知识图谱的构建方法
    3.3 相关算法的理论基础
        3.3.1 TextRank算法
        3.3.2 基于图的随机游走算法
    3.4 本章小结
第四章 基于知识图谱融合关键词提取的实体消歧方法
    4.1 基于知识图谱融合关键词提取的实体消歧方法具体步骤
        4.1.1 获取备选实体和提取目标关键词
        4.1.2 构建词向量的相似度计算
        4.1.3 基于知识图谱的随机游走算法计算相似度
        4.1.4 实体消歧语义相似度计算
    4.2 实验设计与结果分析
        4.2.1 数据集的获取
        4.2.2 实验一: 调节计算相似度方法的权重
        4.2.3 实验二: 调节关键词数量对实体消歧准确率的影响
        4.2.4 实验三: 调节关键词数量对空实体阈值的影响
    4.3 本章小结
第五章 基于领域知识图谱实体消歧的协同过滤推荐算法
    5.1 基于领域知识图谱实体消歧的协同过滤推荐算法
        5.1.1 算法描述
        5.1.2 算法流程
    5.2 融合实体语义向量相似性与物品评价向量相似性的过程
    5.3 实验设计与分析结果
        5.3.1 数据集的选取
        5.3.2 评估方法
        5.3.3 实验一: 调节语义推荐与协同过滤推荐算法推荐融合比例
        5.3.4 实验二: 调节知识图谱为抽象向量所嵌入空间的维度
        5.3.5 实验三: 算法比较
    5.4 本章小结
第六章 总结与展望
    6.1 论文总结
    6.2 未来工作展望
参考文献
致谢


【参考文献】：
期刊论文
[1]基于智能推荐模型的评分系统设计与实现[J]. 麻亚妮.  微型电脑应用. 2019(03)
[2]基于隐式反馈LDA模型的协同推荐算法研究[J]. 翟航天,汪学明.  计算机技术与发展. 2019(06)
[3]一种利用项目文本信息与评分信息的混合推荐方法[J]. 徐智慧.  科学技术创新. 2019(03)
[4]基于加权超图随机游走的文献关键词提取算法[J]. 马慧芳,刘芳,夏琴,郝占军.  电子学报. 2018(06)
[5]基于知识图谱的国内外BIM领域研究对比[J]. 朱记伟,蒋雅丽,翟曌,赵钦.  土木工程学报. 2018(02)
[6]协同过滤推荐算法研究进展[J]. 翁小兰,王志坚.  计算机工程与应用. 2018(01)
[7]知识图谱研究综述[J]. 李涓子,侯磊.  山西大学学报(自然科学版). 2017(03)
[8]面向实体链接的多特征图模型实体消歧方法[J]. 高艳红,李爱萍,段利国.  计算机应用研究. 2017(10)
[9]一种基于TextRank的文本二次聚类算法[J]. 潘晓英,胡开开,朱静.  计算机技术与发展. 2016(08)
[10]知识表示学习研究进展[J]. 刘知远,孙茂松,林衍凯,谢若冰.  计算机研究与发展. 2016(02)

博士论文
[1]基于Web文本和知识图谱的实体摘要[D]. 闫季鸿.华东师范大学 2016
[2]协同过滤技术及其在推荐系统中的应用研究[D]. 冷亚军.合肥工业大学 2013
[3]推荐系统的协同过滤算法与应用研究[D]. 郭艳红.大连理工大学 2008

硕士论文
[1]基于邻域学习多目标粒子群优化算法的个性化网络学习资源推荐方法[D]. 刘中锋.浙江工业大学 2017
[2]协同过滤算法的改进与应用研究[D]. 王璇.南京邮电大学 2017
[3]面向稀疏数据优化的协同过滤推荐算法[D]. 陈宗言.南京邮电大学 2017
[4]基于邻域的协同过滤推荐算法研究[D]. 于阳.解放军信息工程大学 2017
[5]命名实体消歧的研究与实现[D]. 杨晓.北京邮电大学 2017
[6]一种基于知识图谱的用户搜索意图挖掘方法的研究[D]. 石刚.国际关系学院 2016
[7]基于用户特征和偏好的协同过滤推荐算法[D]. 肖丹萍.暨南大学 2011



本文编号：3727555