融合文档上下文感知的社会化推荐研究

发布时间：2021-06-10 16:17

　　随着互联网技术的飞速发展,网络空间中产生了大量的信息,同时大量冗余信息干扰了用户对有用信息的选择。因此,如何对大量数据加以分析,构建有效的信息过滤技术,帮助用户从海量数据中快速地找到有效信息,将是一个很大的挑战。目前,推荐系统被广泛应用于解决信息过载的问题。其中社会化推荐利用用户属性信息来改善推荐系统的性能,而评分预测的准确度和Top-N排序的准确度是目前衡量推荐系统性能最主流的两个指标。针对优化评分预测模型和排序预测模型性能的问题,本文具体的工作内容和创新点如下:1.针对评分数据稀疏性和文档上下文微妙语义变化而导致评分预测准确度低的问题。本文提出了一种基于卷积矩阵分解的文档上下文感知模型,通过利用CNN捕获项目描述文档的上下文语义信息以及用户社会化信息,进一步提高了评分预测精度。首先,引入CNN进行文档上下文感知,通过该模型可以得到项目的文档上下文潜在特征;然后,将其用于计算项目潜在特征向量,并与SocialMF中用户的潜在特征向量联合构建评分预测模型;最后,对预测值与观测值之间的损失函数进行优化评估,训练出最优的模型,从而进行评分预测。实验证明,在评分非常稀疏的数据集中,该模型也能... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

FilmTrust中不同训练集占比下的性能比较

重庆邮电大学硕士学位论文 第 5 章 实验结果分析2. CNN 集成效果分析(a) 不同训练集占比下的 MAE 比较 (b) 不同训练集占比下的 RMSE 比较图 5.1 FilmTrust 中不同训练集占比下的性能比较

(a) 不同训练集占比下的 MAE 比较 (b) 不同训练集占比下的 RMSE 比较图 5.1 FilmTrust 中不同训练集占比下的性能比较(a) 不同训练集占比下的 MAE 比较 (b) 不同训练集占比下的 RMSE 比较图 5.2 MovieLens 中不同训练集占比下的性能比较

【参考文献】：
期刊论文
[1]融合信任关系和有用性评价的矩阵分解推荐方法[J]. 曾安,徐小强.  计算机科学. 2017(04)
[2]语义推荐算法研究综述[J]. 黄震华,张佳雯,张波,喻剑,向阳,黄德双.  电子学报. 2016(09)
[3]基于协同矩阵分解的评分与信任联合预测[J]. 张维玉,吴斌,耿玉水,朱江.  电子学报. 2016(07)
[4]基于排序学习的推荐算法研究综述[J]. 黄震华,张佳雯,田春岐,孙圣力,向阳.  软件学报. 2016(03)
[5]社会化推荐系统研究[J]. 孟祥武,刘树栋,张玉洁,胡勋.  软件学报. 2015(06)
[6]协同过滤推荐算法综述[J]. 罗文.  科技传播. 2015(07)
[7]异质社交网络中协同排序的好友推荐算法[J]. 陈珂,邹权,彭志平,柯文德.  小型微型计算机系统. 2014(06)
[8]基于受限信任关系和概率分解矩阵的推荐[J]. 印桂生,张亚楠,董宇欣,韩启龙.  电子学报. 2014(05)
[9]基于联合概率矩阵分解的上下文广告推荐算法[J]. 涂丹丹,舒承椿,余海燕.  软件学报. 2013(03)
[10]不确定近邻的协同过滤推荐算法[J]. 黄创光,印鉴,汪静,刘玉葆,王甲海.  计算机学报. 2010(08)



本文编号：3222707