基于时间信息表示学习的个性化推荐研究

作     者：任秋臻 

作者单位：云南大学 

学位级别：硕士

导师姓名：陈红梅

授予年度：2022年

学科分类：08[工学] 081203[工学-计算机应用技术] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：个性化推荐 时间信息 网络表示学习 协同过滤 

摘      要：个性化推荐已成为现代智能化服务中的重要技术之一,图书、音乐等各类电商平台为了更好地服务于用户,不断促进个性化推荐方法的完善。处于快节奏生活时代的人们,越来越依赖于智能化服务带来的便利,随着各类平台的不断完善,人们表达对物品的喜好除了评分等显性数据,还有评论、标签等隐性数据。而传统推荐方法一般通过分析评分数据进行项目推荐,很少利用其他辅助信息,导致推荐效果不能满足用户的需求。时间信息是影响个性化推荐的重要因素之一,用户对于项目的偏好具有明显的时间特性。现有的基于网络表示学习的个性化推荐方法,或忽视了网络固有的异质性,或没有较好地利用时间信息。因此,本文考虑时间信息,研究基于网络表示学习的个性化推荐方法,主要工作如下:一、考虑周期因素对个性化推荐效果的影响,提出了基于周期特征表示学习的个性化推荐方法(Time-periodic Representation Learning Incorporating into User Collaborative Filtering,TRLIUCF)。首先分析了周期因素对推荐效果的影响,基于此提取评论文本的周期性特征,提出了评论综合情绪-贡献值及其计算方法。然后将其引入用户-商品-评论网络建模中,利用网络表示学习方法学习用户节点嵌入向量,并通过计算两个用户节点向量的相似度来衡量他们之间的相似性。最后采用基于用户的协同过滤进行Top-N推荐。在两个不同规模的亚马逊数据集上进行实验,验证了所提方法的推荐效果。二、考虑时序因素对个性化推荐效果的影响,提出了基于时序权重表示学习的个性化推荐方法(Time-Series Weight-based Representation Learning,TSWRN)。周期性行为变化中存在着行为发生的先后顺序,因此首先分析了时序因素对推荐效果的影响,并基于时序信息进行时序特征提取,提出了时序权重及其计算方法。然后将其引入项目-标签网络建模和基于标签的用户兴趣建模中,以获得从标签角度出发的用户对项目的兴趣度。最后将该兴趣度融入基于用户的协同过滤进行Top-N推荐。在书签标签数据集(delicious-2k)和音乐标签数据集(lastfm-2k)上进行实验,表明所提方法较基准方法提高了推荐效果。