面向异构知识的兴趣点推荐研究

作     者：丁瀚韬 

作者单位：桂林电子科技大学 

学位级别：硕士

导师姓名：宾辰忠

授予年度：2023年

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：兴趣点推荐 商余技巧 知识图谱 注意力机制 异构知识学习 

摘      要：随着移动互联网时代的到来,人们的生活越来越便利,通过一个又一个应用,就能满足日常出行需求。虚拟世界的繁荣造就了海量线上数据,面对海量数据,如何为消费者提供与之匹配的内容是商家一直在思考的问题,由此诞生了兴趣点推荐服务。在过往的兴趣点推荐服务中,传统的序列兴趣点推荐服务虽然能很好地捕获用户的时空语义特征,但却无法对兴趣点做一个细粒度的区分。知识嵌入虽然可以很好地捕获用户的特征,但随着数据的增长会对计算能力提出很高要求。为了解决这些问题,本文基于异构知识和深度学习技术进行了如下工作:(1)为了满足用户更细粒度的偏好,同时解决知识图谱在存储用户动态信息方面的局限问题,提出了多视图异构知识学习模型MVHK(Multi-view Heterogeneous Knowledge Learning)。首先,为了融合表示POI属性知识和用户访问序列特征,设计了一种异构知识嵌入方法。其次,为了挖掘用户之间的行为相似性,构建了用户行为相似图;同时,为了学习POI之间潜在的属性相似,设计了一种POI属性空间距离计算方法来构建POI属性相似图。最后,构建了一个多视图联合学习方法,将无监督和有监督学习整合起来,对POI推荐场景中的多种复杂关系进行建模在两个真实数据集上的结果表明,本方法在NDCG和Recall指标上比基线方法更有效。(2)为了缓解推荐过程中向量所占内存过大可能导致内存瓶颈的问题,同时为了提高序列兴趣点推荐区分兴趣点的能力,提出了一种自注意力异构知识学习的兴趣点推荐模型SAHK(Self-attention Heterogenous Knowledge)。本模型由知识嵌入层和自注意力层两部分组成。在知识嵌入层中,首先通过带偏随机游走的方法对提取POI属性图中的结构语义特征和节点语义特征得到属性向量,然后与序列向量进行拼接得到异构知识向量。随后,利用商余技巧对异构知识向量进行存储大小精简。在自注意力层中,通过自注意力的方法自适应的给予兴趣点向量不同的权重,从而学习到异构知识向量中的特征,然后通过点式前馈神经网络学习到向量中潜藏的隐式特征。经过两个真实数据集的验证,本方法在NDCG和Hr指标上比对比方法更有效。