一种融合社交信息的注意力推荐模型

发布时间：2023-03-04 00:57

　　由于互联网行业的持续发酵以及科学技术的不断发展,信息的输出呈现爆发态势,这也导致信息过载问题的出现。曾经,人们获取知识的主要手段是依据不同分类目录进行检索,之后进化为通过搜索工具(例如,搜索引擎)进行主动式搜索。但以上方式都是基于信息消费者知晓自我需求,并且有根据需求去进行自我发掘知识的欲望。当主动探求的欲望达到瓶颈,信息过载问题就会尤为凸显。这时,一种可以自行发掘用户需求、满足用户兴趣的新型信息获取方式就随之应运而生,这种方式就是推荐系统。推荐系统的主要任务就是沟通信息生产者和信息消费者,一方面将信息生产者生产的信息推送给目标客户,另一方面为信息消费者寻找感兴趣的相关信息,而这一过程无需显式地提供目标需求。深度学习方法在诸多领域都取得了卓越的成效,使用深度学习方法来解决推荐问题是当前推荐模型研究的热点之一。神经协同过滤推荐框架就是一种使用神经网络手段扩展传统协同过滤的一种深度学习代表性方法。但无论是传统推荐模型还是基于深度学习的推荐模型,都会面临数据稀疏问题。缓解数据稀疏问题的一种方法是使用边信息例如社交关系数据进行扩展。当前的神经协同过滤方法未能引入社交信息以提升推荐效果,本文以提...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文研究内容
    1.4 本文组织结构
第2章 相关理论简介
    2.1 推荐系统
        2.1.1 理论基础
        2.1.2 评价标准
        2.1.3 面临的问题与挑战
    2.2 深度学习基础理论
        2.2.1 多层感知机
        2.2.2 自编码器
        2.2.3 注意力机制
    2.3 本章小结
第3章 神经协同过滤框架模型
    3.1 神经协同过滤框架
    3.2 框架扩展实例AGREE
    3.3 本章小结
第4章 融合社交关系的注意力模型
    4.1 模型基本结构
    4.2 数据嵌入
    4.3 特征提取
    4.4 特征融合
    4.5 完整模型
    4.6 本章小结
第5章 实验与结果分析
    5.1 实验数据与实验环境
        5.1.1 实验数据集
        5.1.2 实验环境
    5.2 实验评价标准
    5.3 实验方案
    5.4 实验结果与分析
        5.4.1 模型对比
        5.4.2 参数分析
        5.4.3 模型整体性分析
    5.5 本章小结
第6章 总结与展望
    6.1 工作总结
    6.2 未来工作方向
参考文献
作者简介及在学期间所取得的科研成果
致谢



本文编号：3753426