异构信息网络中基于深度学习的推荐方法研究

发布时间：2023-04-05 03:06

　　异构信息网络HIN由于其丰富的语义信息在推荐任务中得到广泛应用。但是,传统的HIN推荐忽略了元路径Meta-path的属性信息,以及不同对象之间的相互影响。如何充分利用Meta-path信息以提升HIN推荐性能成为当前HIN推荐发展的关键难题。本文主要考虑一种特殊的HIN二分网络BN,并构建和实现Top-N推荐。为了更全面地获取用户的偏好信息,本文同时考虑用户-对象的显式和隐式反馈信息以准确挖掘潜在的用户偏好信息和对象特征。为了提升HIN的推荐性能,通过融合矩阵分解MF和深度神经网络DNN构建推荐模型,分别得到显式和隐式反馈预测结果,并通过结合显隐式反馈预测结果实现Top-N推荐。首先,针对显式反馈信息中用户-对象本身的特性,引入两个偏置因子考虑其自身特性,针对无法直接获取用户-对象显式反馈信息的数据通过构建深度学习模型获取用户-对象显式反馈信息。分别将显隐式反馈信息作为输入进行训练以更好地挖掘评分信息背后的潜在信息。然后,针对用户-对象评分Meta-path的关系和属性值信息,融合MF和DNN模型。通过MF和DNN学习独立的特征嵌入可以充分考虑用户-对象的线性特征和非线性特征,对显式...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景及研究意义
    1.2 课题相关国内外研究现状
    1.3 主要研究内容
    1.4 论文组织结构
第2章 相关理论基础及技术
    2.1 异构信息网络(HIN)
    2.2 矩阵分解介绍
    2.3 深度学习模型
    2.4 HIN的推荐方法
    2.5 本章小结
第3章 结合显隐式反馈的Top-N推荐模型
    3.1 推荐模型的提出与分析
    3.2 显隐式反馈信息分析
    3.3 Meta-path分析和选择
        3.3.1 Meta-path分析
        3.3.2 Meta-path选择
    3.4 结合显隐式反馈的Top-N推荐模型构建
        3.4.1 基于Meta-path的显式反馈预测
        3.4.2 基于Meta-path的隐式反馈预测
        3.4.3 结合显隐式反馈预测
        3.4.4 Top-N推荐列表生成
    3.5 HIN中结合显隐式反馈模型的应用
    3.6 本章小结
第4章 融合MF与 DNN的推荐方法MFDNN
    4.1 融合MF与 DNN的推荐方法MFDNN介绍
    4.2 基于MF的推荐方法
        4.2.1 基于MF的推荐方法构建
        4.2.2 基于MF的推荐方法实现
    4.3 基于DNN的推荐方法
        4.3.1 基于DNN的推荐方法构建
        4.3.2 基于DNN的推荐方法实现
    4.4 MFDNN融合方法及其优化
        4.4.1 MFDNN融合方法
        4.4.2 基于Adam的参数优化
    4.5 本章小结
第5章 实验设计与结果分析
    5.1 实验设置
        5.1.1 实验环境选择
        5.1.2 实验数据
        5.1.3 评估指标
        5.1.4 基线方法
    5.2 参数选择
    5.3 实验结果
        5.3.1 显隐式反馈信息对比实验
        5.3.2 MF和 DNN学习独立特征嵌入对比实验
        5.3.3 实验结果及分析
    5.4 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢



本文编号：3782602