基于深度强化学习融合社交网络信息的推荐系统

发布时间：2021-05-10 22:43

　　作为最有效的信息过滤系统之一,推荐系统在这信息过载的时代发挥着极大的作用。大量关于个性化推荐的技术被提出,然而这些技术中依旧存在以下两个局限:（1）认为推荐过程是静态的,忽略了推荐系统中的动态特性的影响;（2）数据稀疏性的问题依旧存在。为了缓解以上两个问题,本文中分别提出了两个推荐模型:基于深度强化学习的推荐模型Recommendation System based on Deep Reinforcement Learning and Attention Mechanism（DRA）以及融合了推荐模型DRA和社交网络信息的推荐模型DRA+。推荐模型DRA。将用户与推荐系统的交互过程视为顺序决策过程,并将深度强化学习模型DDPG作为基础模型。考虑到推荐系统中强化学习的定义,利用PMF的方法预训练生成内容向量来构成模型的输入。同时,通过显式地结合用户向量和内容向量来更合理地表达用户状态。此外,利用用户状态中内容的位置信息和各位置的内容与动作的相似性设计了注意力机制来进一步挖掘用户的兴趣变化。最后在三个公开的数据集MovieLens（100k）、MovieLens（1M）和Jester（2）... 

【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 传统推荐系统的国内外研究现状
        1.2.2 基于社交网络的推荐系统的国内外研究现状
        1.2.3 现有研究的不足
    1.3 论文研究内容
    1.4 论文的组织结构
第二章 强化学习的基本概念和相关理论
    2.1 传统强化学习的相关算法模型
        2.1.1 基于值的强化学习
        2.1.2 基于策略的强化学习
    2.2 深度强化学习的相关算法模型
        2.2.1 Deep Q Network算法
        2.2.2 Deep Deterministic Policy Gradient算法
    2.3 本章小结
第三章 基于深度强化学习的个性化推荐
    3.1 推荐系统中强化学习的定义
    3.2 基于深度强化学习的推荐模型
        3.2.1 深度强化学习模型的利用
        3.2.2 用户状态表示方法
        3.2.3 注意力机制的利用
        3.2.4 基于深度强化学习的推荐模型DRA
    3.3 实验分析
        3.3.1 实验目的
        3.3.2 数据集和评价标准
        3.3.3 对比试验和实验设置
        3.3.4 结果分析
    3.4 本章小结
第四章 融合了社交网络信息的个性化推荐
    4.1 社交网络信息的相关定义
        4.1.1 信任关系的基本性质
        4.1.2 相似关系的基本性质
        4.1.3 信任关系和相似关系的融合
    4.2 融合了社交网络信息的推荐模型
        4.2.1 隐式信任关系
        4.2.2 局部相似关系
        4.2.3 自适应权重融合信任关系和相似关系
        4.2.4 推荐模型DRA的利用
        4.2.5 融合了社交网络信息的推荐模型DRA+
    4.3 实验分析
        4.3.1 实验目的
        4.3.2 数据集
        4.3.3 对比实验
        4.3.4 结果分析
    4.4 本章小结
第五章 总结与展望
    5.1 论文总结
    5.2 未来展望
参考文献
硕士在读期间学术成果
致谢


【参考文献】：
期刊论文
[1]社交网络环境下基于信任的推荐算法[J]. 陈婷,朱青,周梦溪,王珊.  软件学报. 2017(03)
[2]基于社交网络的个性化推荐技术[J]. 张富国.  小型微型计算机系统. 2014(07)
[3]基于社交网络的信息推荐系统[J]. 李善涛,肖波.  软件. 2013(12)
[4]信息时代的信息超载影响及对策[J]. 罗玲.  现代情报. 2011(06)

硕士论文
[1]推荐系统用户相似度计算方法研究[D]. 朱文奇.重庆大学 2014



本文编号：3180193