基于排序学习的兴趣点推荐算法研究

发布时间：2023-05-31 00:02

　　随着人工智能技术的发展,信息量的剧增,社交网络发展迅速,基于社交网络的兴趣点推荐成为新的研究方向,同时也面临许多的问题。兴趣点推荐存在用户签到矩阵稀疏、上下文信息不充分、冷启动以及排序列表中不同位置出现错误的代价问题。为缓解数据稀疏,挖掘上下文信息,从而提高推荐精度,本文提出融合社交信息与地理信息的矩阵分解模型和基于List MLE算法的列表级排序学习算法,包括:(1)为缓解矩阵稀疏,挖掘隐式反馈,选取并改进BPR(Bayesian Personalized Ranking)模型优化矩阵分解的过程。传统的BPR模型中将签到与未签到过的兴趣点作为偏序关系的生成策略,忽略了签到兴趣点之间的偏序关系,本文改进用户偏序关系定义方式,增加签到频率高低与评分高低作为偏序关系的生成策略,更准确的地拟合用户对于兴趣点的偏好数据。(2)为提升推荐精度,并缓解冷启动问题,选取社交关系并改进传统社交关系计算方式。传统的社交关系计算由用户相似度决定,本文通过融合并改进信任度的计算方式,探究用户之间社交关系的远近,衡量朋友用户对推荐结果的影响,设计基于社交关系的推荐模型。(3)为挖掘兴趣点推荐中用户偏好,融合地...

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 课题的研究背景
    1.2 国内外研究现状
    1.3 课题主要研究内容及创新点
        1.3.1 融合社交关系与地理信息的兴趣点推荐
        1.3.2 基于排序学习ListMLE的兴趣点推荐
    1.4 论文的组织结构
第二章 推荐算法理论及排序学习概述
    2.1 推荐算法分类
        2.1.1 基于内容的推荐
        2.1.2 基于协同过滤的推荐
        2.1.3 混合推荐策略
    2.2 基于排序学习的推荐
        2.2.1 点级排序学习
        2.2.2 对级排序学习
        2.2.3 列表级排序学习
    2.3 本章小结
第三章 融合社交关系与地理信息的兴趣点推荐模型
    3.1 基于BPR标准的矩阵分解
    3.2 基于社交关系与地理位置信息的推荐模型
        3.2.1 社交关系相似度计算
        3.2.2 社交关系信任度计算
        3.2.3 社交关系偏好分数计算
        3.2.4 基于地理位置信息偏好分数计算
        3.2.5 模型融合
        3.2.6 冷启动问题
    3.3 实验设计与分析
        3.3.1 实验数据集
        3.3.2 评价标准
        3.3.3 TGMF模型对比
        3.3.4 参数K对TGMF模型的影响
        3.3.5 阈值δ对TGMF模型的影响
    3.4 本章小结
第四章 基于LISTMLE的排序学习兴趣点推荐模型
    4.1 列表级推荐算法
        4.1.1 List Net算法
        4.1.2 List MLE算法
    4.2 基于社交信任与代价敏感的得分函数
    4.3 实验设计与分析
        4.3.1 数据集与评价标准
        4.3.2 .List MLE算法对比
        4.3.3 .代价敏感列表长度
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
在读期间取得科研成果
致谢



本文编号：3825292