基于注意力机制的组推荐方法研究

发布时间：2021-10-26 12:57

　　近年来,推荐系统得到了极快速的发展,以多人推荐场景为出发点,群组推荐系统应运而生。区别于其它单人推荐系统,除了向单个用户进行推荐,群组推荐系统最主要的任务是为多用户组成的群组进行推荐。通常在群组中,受群组特征、社会化因素等的影响,组中每个成员对群组的贡献率不尽相同,因此,群组推荐研究中的一个重难点问题就是如何融合群组成员偏好,从而使其尽可能满足所有成员的偏好需求。本文首先基于自注意力网络和神经协同过滤（neural collaborative filtering,NCF）提出一种基于自注意力机制的组推荐系统模型SAGR（self-attention group recommendation）,用以建模用户交互数据及学习群组潜在偏好表示。针对注意力网络只能获取用户项目交互从而导致的群组偏好考虑不全面的问题,使用自注意力机制挖掘用户间交互,使得组中每个用户的权重得以动态调整,从而解决群组偏好融合问题,提高群组推荐效果。其次,本文还设计了基于注意力因子分解机的群组推荐模型AFMGR（Attentional Factorization Machine Group Recommendation）... 

【文章来源】：中国民航大学天津市

【文章页数】：54 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 研究现状
    1.3 本文主要研究内容
    1.4 论文组织结构
第二章 相关基础
    2.1 群组推荐系统
        2.1.1 形式化定义
        2.1.2 偏好融合策略
        2.1.3 偏好融合方法
    2.2 深度学习基础理论
        2.2.1 注意力机制模型
        2.2.2 神经协同过滤
        2.2.3 因子分解机
        2.2.4 深度学习推荐
    2.3 本章小结
第三章 基于自注意力机制的组推荐算法
    3.1 研究思路
    3.2 SAGR方法描述
        3.2.1 SAGR模型结构
        3.2.2 项目级的自注意力机制
        3.2.3 用户级的自注意力机制
        3.2.4 SAGR模型实现算法描述
    3.3 实验与结果分析
        3.3.1 数据集和评价指标
        3.3.2 对比算法
        3.3.3 实验环境与参数估计
        3.3.4 实验结果与分析
    3.4 本章小结
第四章 基于注意力因子分解机的组推荐算法
    4.1 研究思路
    4.2 AFMGR方法描述
        4.2.1 AFMGR模型结构
        4.2.2 改进的基于注意力因子分解机的群组推荐
        4.2.3 AFMGR模型实现算法描述
    4.3 实验与结果分析
        4.3.1 数据集与对比算法
        4.3.2 实验结果与分析
    4.4 本章小结
第五章 总结及展望
    5.1 结论
    5.2 研究展望
致谢
参考文献
作者简介


【参考文献】：
期刊论文
[1]基于联合概率矩阵分解的群推荐方法研究[J]. 王刚,蒋军,王含茹,杨善林.  计算机学报. 2019(01)
[2]社会化推荐研究综述[J]. 王刚,蒋军,王含茹.  计算机科学. 2018(S2)
[3]基于动态卷积概率矩阵分解的潜在群组推荐[J]. 王海艳,董茂伟.  计算机研究与发展. 2017(08)
[4]组推荐系统及其应用研究[J]. 张玉洁,杜雨露,孟祥武.  计算机学报. 2016(04)
[5]随机梯度下降法的收敛速度(英文)[J]. 汪宝彬,戴济能.  数学杂志. 2012(01)



本文编号：3459545