基于循环神经网络的兴趣点推荐模型设计与实现

发布时间：2023-12-04 17:25

　　随着移动设备以及GPS定位技术的发展,越来越多的基于位置的社交网络应用被开发出来。它们积累了大量签到数据,提供了使用深度学习技术执行推荐任务的可能性。兴趣点推荐是基于位置的社交网络中一项非常重要的服务。其不仅能够提升用户体验,还能为服务商带来商业价值。但兴趣点推荐相较于传统的项目推荐具有更大的技术挑战性,主要表现在数据稀疏以及负反馈缺乏、影响因素多和用户偏好的动态变化性与周期性等方面。传统的兴趣点推荐模型关注点大都集中在对用户的签到频率以及签到时间进行建模,或者对通用的推荐方法进行融合时间、地理距离等上下文的改造,很少会关注兴趣点签到序列中体现出的用户前后行为关联,对用户访问偏好的动态变化性和周期性特征的捕获也不尽如人意。本文研究关注到兴趣点签到序列建模问题与自然语言处理之间的相似之处,将兴趣点推荐视为序列感知的推荐问题。首先按一定的序列划分规则将用户的兴趣点签到数据划分为序列,以强化推荐过程中对于用户长、短期偏好等序列特征的关注;然后进行了将循环神经网络结构应用于兴趣点推荐模型的探索,通过引入上下文信息、注意力机制、排名损失函数以及合适的负采样方法来使循环神经网络结构适应兴趣点推荐的...

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状与分析
        1.2.1 POI推荐
        1.2.2 序列感知推荐中的循环神经网络和注意力机制
    1.3 研究内容与目标
    1.4 论文结构安排
第二章 相关技术
    2.1 推荐算法
        2.1.1 基于内容的推荐
        2.1.2 协同过滤推荐
        2.1.3 上下文感知推荐
        2.1.4 基于神经网络的推荐
    2.2 循环神经网络
        2.2.1 基本结构
        2.2.2 改进结构
    2.3 本章小结
第三章 融合上下文信息的POI推荐模型
    3.1 问题定义
    3.2 融合上下文信息的GRU结构
    3.3 模型总体结构
    3.4 排名损失函数以及基于流行度和地理距离的负采样
    3.5 模型训练
    3.6 本章小结
第四章 引入注意力机制的个性化POI推荐模型
    4.1 长短期注意力机制
    4.2 模型总体结构
    4.3 模型训练
    4.4 本章小结
第五章 实验结果与分析
    5.1 数据集介绍
    5.2 实验设置
        5.2.1 对比模型与参数设置
        5.2.2 评价标准
        5.2.3 超参数选择
    5.3 对比实验结果及分析
    5.4 负采样效果分析
    5.5 长短期注意力机制可视化分析
    5.6 模型效率
    5.7 本章小结
第六章 应用实现与模型部署
    6.1 应用设计与实现
    6.2 模型部署
    6.3 效果展示
    6.4 本章小结
总结与展望
    本文工作总结
    本文工作展望
参考文献
攻读博士/硕士学位期间取得的研究成果
致谢
附件



本文编号：3870377