基于异质信息网络的深度学习推荐算法研究

发布时间：2024-06-30 04:50

　　随着网络时代的到来,互联网上越来越多的信息提供给用户,为用户带来了便利,同时,用户也苦恼于如何从众多的信息库中切实有效地获取有用的信息,进而满足用户的个性化需求。而推荐系统的出现恰巧可以满足这些需求,为用户提供个性化推荐,以此为人们的生活带来较大的变化。目前,使用最广泛的推荐算法是协同过滤算法,该算法依据用户的历史交互记录,分析其偏好,为用户推荐相似的项目。虽然传统的推荐算法已经取得了不错的推荐效果,但是考虑的信息不全面,未考虑融合其他辅助信息。而异质信息网络恰恰可以基于元路径进行推荐,这种方式利用多种类型的节点和节点之间的关系可以融合更丰富的信息。所以,本文试图在异质信息网络模型中从元路径的视角出发,运用深度学习技术研究推荐算法。本文的主要工作如下:(1)现有的基于异质信息网络的推荐方法通过最大池化操作提取元路径语义信息时,未考虑元路径语义的整体性特征及特征冗余问题的影响。针对这些问题,提出了一种融合元路径与改进协同注意力的推荐模型MICA(Research on Recommendation Fusing Meta-Path and Improved Collaborative A...

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

图2.1推荐系统架构图

图2.1推荐系统架构图推荐系统的一般架构如图2.1所示，它首先收集用户的行为数据,得到用户的评分矩阵；再利用相关推荐引擎负责相关的特征与任务，再将推荐结果按照一定的优先级排序形成初步的推荐结果；再将不好的结果进行过滤，若再将这些结果进行一些排名，如新颖性、多样性排名,则可....

图2.2联系用户和物品的推荐系统

图2.2联系用户和物品的推荐系统1.基于内容的推荐基于内容[47]推荐算法建立在物品信息的基础上。具体步骤为系统首先对行处理，以当当网为例，将书籍类型作为属性，进行相似度计算，发现；然后将此书推荐给购买过类似该书的用户。2.基于协同过滤的推荐协同过滤算法基本思想就是利用用户和....

图2.3基于协同过滤推荐算法的分类

2.基于协同过滤的推荐协同过滤算法基本思想就是利用用户和物品之间的交互信息进行推荐。如图2.3所示，协同过滤推荐算法分为两大类：基于近邻和基于模型的推荐算法。基于近邻的算法又分为基于用户的和基于物品的，它根据评分矩阵分别计算用户-用户或物品-物品的相似度。两者都有一定的优势，前....

图2.4矩阵分解原理图

东北师范大学硕士学位论文题一直都是推荐系统领域的关键问题。评分预测任务是一个矩阵补全的过程，其中矩阵分解技术就是其中最常用。它基于这样的假设：以用户-电影矩阵为例，该评分矩阵是稀疏的，利用想，可以用两个矩阵相乘来还原它。即奇异值分解方法（SVD）将高维稀疏为两个低维矩阵的乘积，分....

本文编号：3998409