基于注意力交互网络的上下文感知推荐系统研究

发布时间：2023-09-13 23:20

　　在大数据时代,伴随着移动互联网、云计算、物联网等的快速发展,互联网信息以及互联网访问者数量都出现了爆炸式的增长。虽然丰富的信息为我们带来了更多的可选择性,但同时也带来了严重的信息过载问题。面对这场数据洪流,用户希望从海量的信息中找到自己感兴趣的高质量信息,信息生产者则希望将正确的产品和服务定位到用户身上,以增加收入和用户的忠诚度,而推荐系统在其中扮演了关键的角色。通过挖掘和分析用户的历史行为、个人信息等方式,推荐系统对用户的兴趣爱好进行建模,并向用户推荐他们感兴趣的物品。传统的推荐系统在建模的过程中只考虑了用户和物品之间的交互关系,却忽略了用户和物品交互时所处的上下文环境,而上下文环境中包含的丰富上下文信息会对用户的行为产生微妙但强大的影响。与传统的推荐系统相比,上下文感知推荐系统通过考虑上下文环境的影响可以更准确地建模用户对物品的兴趣,从而提高推荐的效果。现有的主流上下文感知推荐算法主要建立在隐语义模型的基础上,它们将上下文环境对用户和物品的通用作用表示成一个多维张量。为了建模上下文环境对用户和物品的作用,这类模型利用这个多维张量、用户特征向量(或物品特征向量)以及上下文环境的特征向...

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景和意义
    1.2 研究现状
        1.2.1 传统的上下文感知推荐算法
        1.2.2 基于深度学习的上下文感知推荐算法
    1.3 论文主要贡献
    1.4 论文组织结构
第2章 相关概念及技术
    2.1 上下文的定义
    2.2 上下文的获取
    2.3 显式反馈和隐式反馈
    2.4 隐语义模型
    2.5 贝叶斯个性化排序
    2.6 本章小结
第3章 注意力交互网络
    3.1 符号表示和问题定义
    3.2 模型提出动机
    3.3 模型介绍
        3.3.1 模型概览
        3.3.2 交互中心模块
        3.3.3 注意力模块
        3.3.4 用户/物品中心模块
    3.4 目标函数
    3.5 本章小结
第4章 实验设置及结果
    4.1 研究问题
    4.2 数据集
    4.3 参数设置
    4.4 评分预测任务
        4.4.1 基准方法
        4.4.2 评测方案
        4.4.3 评分预测结果对比
    4.5 个性化排序任务
        4.5.1 基准方法
        4.5.2 评测方案
        4.5.3 个性化排序效果对比
    4.6 本章小结
第5章 实验分析与案例研究
    5.1 上下文作用的分析
    5.2 上下文因素的影响
    5.3 注意力机制的有效性分析
    5.4 可解释性推荐分析
    5.5 案例研究
    5.6 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读学位期间发表的论文
攻读学位期间参加的科研项目
学位论文评阅及答辩情况表



本文编号：3846105