基于注意力模型的社交推荐算法

发布时间：2023-03-24 00:10

　　互联网的飞速发展引发了信息的爆炸式增长,让信息过载的问题日益严峻。推荐系统作为一种有效的信息过滤技术,大大方便了人们浏览信息的效率。其中最为流行的是基于协同过滤的推荐算法。但是受限于数据稀缺和冷启动的问题,这些传统的推荐算法在很多应用场景下的效果会大打折扣。近年来,随着社交平台的兴起,社交推荐成为了一种广泛应用的推荐方法。该类方法基于社交影响力理论,挖掘社交网络在推荐系统中的作用,从而缓解个性化推荐的数据稀疏性问题。因此,在社交推荐系统中,如何对社交影响力高质量的建模就成为了重要环节。然而,以往研究方法大多数简单建模社交影响力,忽略了社交影响力强度在推荐中的作用。此外,深度学习技术的浪潮给了推荐系统更多改进的机会。受益于其强大的特征表达能力,很多神经网络框架被运用到推荐系统中,帮助模型更好从原始数据中提取相关特征。本文就利用了一些深度学习中常用的技术来学习社交网络中包含的社交信息,并结合注意力机制的思想,建模了社交推荐模型中的社交影响力强度,旨在应用神经网络的相关结构捕捉到更合理的社交影响力信息。本文的贡献如下:(1)从社交影响力的有效建模入手,尝试运用注意力机制来学习社交网络中的社交...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 本文主要工作
    1.4 论文内容安排
第二章 理论研究及相关技术
    2.1 传统的协同过滤推荐算法概述
        2.1.1 基于内存的协同过滤算法
        2.1.2 基于模型的协同过滤算法
    2.2 基于社交的协同过滤推荐算法概述
    2.3 深度学习在推荐算法中的应用
第三章 基于注意力模型的社交推荐算法
    3.1 引言
    3.2 注意力机制及相关研究
    3.3 基于注意力模型的社交推荐模型
        3.3.1 问题定义
        3.3.2 整体的网络框架结构
        3.3.3 模型的学习
    3.4 实验结果与分析
        3.4.1 实验数据
        3.4.2 实验设置
        3.4.3 实验结果
    3.5 本章小结
第四章 基于注意力模型的社交推荐算法的改进
    4.1 引言
    4.2 社交网络学习及自编码器的相关研究
    4.3 其它改进及最终的模型框架
        4.3.1 最终模型的整体框架
        4.3.2 模型的训练
    4.4 实验结果与分析
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读硕士学位期间的学术活动及成果情况



本文编号：3769037