基于图结构的深度学习推荐系统

发布时间：2020-11-18 06:31

　　 随着网络信息总量的爆炸式增长,高效而准确个性化推荐系统成为了眼下的一个研究热点。通过将历史评分数据作为用户的隐式反馈引入到矩阵分解模型中,SVD++成为了个性化推荐系统中最有效的协同过滤模型。尽管SVD++展现出了强大的推荐能力,它仍然存在着两个主要的局限:(1)只有用户侧的隐式反馈被利用到了模型中,对应于物品的隐式反馈信息并没有被考虑进来;(2)在SVD++模型中,所有有过交互的物品在作为用户的隐式反馈时都被给予了相同的权重,却没有真实准确反映出用户对于不同物品的偏好。为了解决上述局限,本文分析了已有模型对于用户-物品二部图结构信息的利用,并在此基础上提出了基于图结构的协同过滤(Graph-based collaborative filtering,GCF)模型,基于图结构的加权协同过滤(Weighted Graph-based collaborative filtering,W-GCF)模型与基于图结构的注意力协同过滤模型(Attentive Graph-based collaborative filtering,A-GCF)模型。GCF模型将物品侧的隐式反馈包含到模型中;W-GCF模型通过矩阵分解对每个隐式反馈的权重进行动态调整,验证了权重机制的可行性;A-GCF模型通过深度学习实现权重机制,进一步增强模型的推荐能力。NetFlix数据集上的实验结果显示,本文提出的模型在未显著增加复杂度的情况下,获得了超过了已有模型的表现。在隐式反馈较稀疏的场景下,本文还首次在模型中引入二步隐式反馈信息,解决了稀疏隐式反馈给已有模型带来的推荐性能的损失问题。
【学位单位】：上海交通大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.3;TP18;O157.5
【部分图文】：

1图 1-1 淘宝网上的个性化推荐系统Fig.1-1 Personalization recommender system on Taobao个性化推荐系统的目标是根据已有的用户的交互行为，对未知的用户与物品之间的喜好程度进行评价打分，并以此给用户推荐最有可能喜欢的物品。这里的交互行为根据具体物品对象的不同可以包含多种类型：对于商品，“交互”可以指代购买、放入购物车、浏览等行为；

2-1 基于用户或物品的协同过滤推荐在用户-物品二部图中使用的节点 Node information in user-item bipartite graph used by user-based or item-b

图 2-2 SVD++模型在用户-物品二部图中使用的节点信息Fig.2-2 Node information in user-item bipartite graph used by SVD++ model“步”的概念后，本文对已有的几类协同过滤模型进行了分析。基于用户的考虑了与相同物品节点有连边的用户节点的相似性；而基于物品的协同过同用户节点有连边的物品节点的相似性。它们考虑的都是用户-物品交互图信息。如图 2-1 所示，图中绿线连接的两个顶点 user2 与 item1 代表需要进
【相似文献】

相关期刊论文 前10条

1 ;《软件学报》基于图结构的大数据分析与管理技术专刊征文通知[J];软件学报;2017年04期

2 林学民;杜小勇;李翠平;;基于图结构的大数据分析与管理技术专刊前言[J];软件学报;2018年03期

3 王雅思;梁赟辉;;图结构在文本聚类中的应用[J];大连民族学院学报;2013年03期

4 ;《软件学报》基于图结构的大数据分析与管理技术专刊征文通知[J];软件学报;2017年02期

5 吴毅,彭基泰,高宏,张和明;藏马鸡鸣声的普图结构[J];动物学报;1995年02期

6 罗晓霞;司丰玮;罗香玉;;大图结构特征对划分效果的影响[J];计算机应用;2018年01期

7 杨雄;彭绍武;吴田富;桑农;;分层图结构表示的可变形模板人脸检测[J];华中科技大学学报(自然科学版);2008年S1期

8 张玲,胡东红,孔华锋,刘干;二维条码码图结构特性分析[J];湖北大学学报(自然科学版);2004年03期

9 刘晗宇;王迪;张磊;张笑钦;;基于图结构的半监督字典学习[J];温州大学学报(自然科学版);2018年03期

10 叶红云;倪志伟;倪丽萍;;一种检测兴趣漂移的图结构推荐系统[J];小型微型计算机系统;2012年04期

相关博士学位论文 前2条

1 李磊;具有图结构的两个合作和非合作的博弈论模型[D];南开大学;2012年

2 周雷;基于图结构的目标检测与分割算法研究[D];上海交通大学;2014年

相关硕士学位论文 前10条

1 徐春林;基于图结构匹配的矿井视频异常活动检测方法[D];西安科技大学;2019年

2 钮敏哲;基于图结构的深度学习推荐系统[D];上海交通大学;2018年

3 陈亚中;基于图结构聚类的社区搜索算法的研究[D];深圳大学;2018年

4 唐庆;基于CNNs与语义图结构的位置识别[D];浙江大学;2019年

5 施朝浩;基于图特征的欺诈检测方法研究与应用[D];浙江大学;2019年

6 刘晗宇;基于图结构的半监督字典学习研究[D];温州大学;2018年

7 马福宁;有环图结构的编码以及查询算法研究[D];山东科技大学;2011年

8 周溜溜;基于图结构的数据挖掘研究及应用[D];南京林业大学;2013年

9 陈文俊;图结构数据聚类分析平台的研究及原型实现[D];东华大学;2012年

10 彭莉;基于非监督语义编码的图核模型研究[D];西南大学;2015年

本文编号：2888420