检索结果-南通市图书馆

作者：张静桂林电子科技大学

学位级别：硕士

近年来,伴随着互联网技术的发展“信息过载”问题愈演愈烈,如何从海量信息中获取感兴趣信息就变得异常重要。个性化推荐服务系统以推荐算法为核心,通过挖掘历史数据以缓解“信息过载”、改善消费者体验。然而历史数据的稀疏性制约了其... 详细信息

近年来,伴随着互联网技术的发展“信息过载”问题愈演愈烈,如何从海量信息中获取感兴趣信息就变得异常重要。个性化推荐服务系统以推荐算法为核心,通过挖掘历史数据以缓解“信息过载”、改善消费者体验。然而历史数据的稀疏性制约了其应用。此外,消费者兴趣和项目流行度会随着时间而改变,也会对推荐结果产生消极影响。机器学习算法具有较强的特征提取和拟合能力,文中将其与协同过滤算法相结合以期解决上述问题。具体研究内容如下:(1)提出了基于多重相似度和Cat Boost的个性化推荐模型。针对“消费者-项目”评分矩阵稀疏导致推荐系统精度低的问题,首先利用修正的余弦相似度函数求解项目元数据和评分数据的相似矩阵并进行融合,接着采用大规模信息嵌入网络对融合后的相似矩阵进行多阶相似性分析计算更精确的近邻集。然后,以此作为Cat Boost的输入预测项目评分并利用Top-N推荐项目。最后,以Movie Lens数据集为实例进行实证分析并与RBF-CF、XGB-CF、UCF和Cat Boost进行对比。结果表明,该方法具有更高的推荐精度、更强的稳定性,可解决历史数据稀疏性对推荐系统的影响。(2)提出了融合类别偏好与项目时效因素的混合推荐模型。针对类别偏好与项目时效因素对推荐算法性能的影响,首先采用哈夫曼编码融合类别偏好与项目时效因素的评分数据;接着求解消费者、项目相似度矩阵并由Deep Walk模型挖掘其潜在特征向量;然后融合消费者、项目特征向量并由极限学习机(ELM)预测项目评分。最后以Movie Lens数据集为实例,ICF、UCF、ELM、RBF-CF和XGB-RF为对比方法进行实证分析验证该方法在不同比例训练集下的推荐性能。结果表明,该方法可有效缓解类别偏好与项目时效因素对推荐结果的影响。以上算法不仅能缓解数据稀疏性、类别偏好及项目时效因素对个性化推荐的影响,深入挖掘消费者潜在偏好;且有利于商家分析消费者需求提供更加精准的个性化服务。

关键词：个性化推荐协同过滤算法数据稀疏性类别偏好项目流行度

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于知识图谱的协同过滤推荐算法研究及应用

基于知识图谱的协同过滤推荐算法研究及应用

作者：刘然重庆邮电大学

学位级别：硕士

随着信息技术的高速发展,物联网上的海量数据呈爆炸式增长。为了解决物联网用户(个人、设备或系统)信息超载的问题,物联网推荐系统被广泛应用于智能家居、智能制造和智慧城市等领域。本文在对目前推荐系统中主流推荐算法深入研究的基础... 详细信息

随着信息技术的高速发展,物联网上的海量数据呈爆炸式增长。为了解决物联网用户(个人、设备或系统)信息超载的问题,物联网推荐系统被广泛应用于智能家居、智能制造和智慧城市等领域。本文在对目前推荐系统中主流推荐算法深入研究的基础上,针对主流的协同过滤推荐算法在面临冷启动和数据稀疏问题时性能明显下降的问题,将知识图谱引入推荐系统,提出一种基于知识图谱的协同过滤推荐算法,并命名为Dual KG-CF。经实验验证,在用户数据稀疏的场景下,该算法在准确率和召回率方面有明显的提升;在此基础上,本文设计并开发了一个基于Dual KG-CF推荐工具,可向用户提供车辆推荐的服务。本文的主要研究内容如下:1.首先对领域知识图谱的构建方法进行了研究,选取了互联网上容易获得大量公开信息的车辆产品作为本文的推荐项目,构建了车辆领域知识图谱,为后续基于知识图谱的协同过滤推荐算法的研究与验证提供数据支撑。2.对传统Trans D模型中的负三元组构建方法进行了改进,采用基于Trans D模型的知识图谱嵌入方案。实验结果表明,基于改进的负三元组构建方法的Trans D模型的准确度得到了一定的提升。3.设计了一种基于知识图谱的协同过滤推荐算法,并命名为Dual KG-CF,将知识图谱和协同过滤推荐算法相结合,利用Trans D模型对推荐项目的领域知识图谱进行知识图谱嵌入,并以知识图谱的形式存储用户行为数据,最后结合推荐列表生成算法缓解冷启动和数据稀疏问题。实验结果表明,在用户数据稀疏的情况下,本文提出的Dual KG-CF算法在准确率和召回率方面有明显的提升。4.设计并实现了基于Dual KG-CF算法的推荐工具,该工具可根据用户对工具的设置信息,利用Dual KG-CF算法为用户实现项目推荐功能,并在工具页面展示用户信息和推荐结果。测试结果表明,基于Dual KG-CF的推荐工具在功能与性能方面均符合要求。

关键词：知识图谱知识图谱嵌入协同过滤数据稀疏性推荐系统

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向协同过滤推荐的相似用户搜索算法研究

面向协同过滤推荐的相似用户搜索算法研究

作者：孙晓寒苏州大学

学位级别：硕士

互联网技术的快速发展让人们不仅能够从互联网中高效获取大量信息,还可以不断地产生信息上传到互联网,从而导致了互联网上信息数据的爆炸式增长。推荐系统作为解决互联网信息过载问题的关键技术,其核心思想是通过用户历史行为数据挖掘... 详细信息

互联网技术的快速发展让人们不仅能够从互联网中高效获取大量信息,还可以不断地产生信息上传到互联网,从而导致了互联网上信息数据的爆炸式增长。推荐系统作为解决互联网信息过载问题的关键技术,其核心思想是通过用户历史行为数据挖掘出用户的个性化偏好,从而为用户推荐其感兴趣的物品。在推荐系统中,协同过滤算法因其具备较强的可解释性以及领域无关等优势而被广泛应用,其实现一般可分为两个阶段:相似用户搜索阶段和评分预测阶段。目前,数据的稀疏性以及评分的多样性问题对协同过滤算法性能的影响仍然存在。为了缓解上述问题,本文针对协同过滤算法的两个阶段,特别是相似用户搜索阶段,展开研究。通过引入了多阶近邻、评分子空间以及信任机制概念,本文较好地解决了数据稀疏性和评分多样性问题,减少预测误差并提高推荐准确度。本文的创新工作总结如下:(1)提出基于多阶近邻的协同过滤推荐算法。在经典的协同过滤算法中,相似用户集是直接根据高相似度来选择的。但是,评分数据的稀疏性会导致用户相似度的不准确。为了提高相似用户集的质量,本文利用多阶近邻的概念,提出了基于多阶近邻的协同过滤推荐算法。在多阶近邻的基础上,该算法设计了基于多阶近邻的相似用户搜索方法以及相应的迭代评分预测方案。在四个真实数据集上的实验结果验证了该推荐算法能够筛选出高质量的相似用户集,提高了推荐性能。(2)提出基于评分子空间的协同过滤推荐算法。由于基于多阶近邻的相似用户搜索方法是对评分数据直接进行处理的,因此评分多样性问题对其搜索结果造成了一定影响。为了进一步提高相似用户集质量,本文提出基于评分子空间的协同过滤推荐算法。该算法首先将评分划为高、中、低三个级别;然后根据评分级别,分别为每个用户建立其高、中、低评分物品集合,即用户评分子空间。利用用户评分子空间,本文设计了一种新的相似度度量方式,结合多阶近邻的相似用户搜索方法来生成相似用户集,并预测用户对物品的评分。在真实数据集上的实验结果验证了该算法能缓解评分多样性带来的问题,并取得较好的预测性能。(3)提出基于评分子空间和信任机制的协同过滤推荐算法。为了提高相似用户搜索的可靠性,本文引入信任机制,提出基于评分子空间和信任机制的协同过滤推荐算法。本算法涉及到的信任是源于用户显式声明过的关系数据,该数据能够对稀疏的评分数据进行补充。利用用户的信任关系,本文设计了一种基于评分子空间和信任机制的相似度度量方式,并将之引入到多阶近邻的相似用户搜索方法和迭代评分预测方案中。实验结果表明,所提算法提高了推荐的准确度,具备较好的预测能力。

关键词：推荐系统协同过滤数据稀疏性相似用户搜索迭代预测信任机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于知识图偏好传播的个性化推荐方法研究

基于知识图偏好传播的个性化推荐方法研究

作者：任永强大连海事大学

学位级别：硕士

随着智能信息服务应用不断深入日常生活,网络数据日益膨胀,知识图谱因其强大的语义处理能力与开放互联能力成为当下研究的焦点。推荐系统可以帮助人们获取所需要的信息或商品,改善信息超载问题。推荐系统的核心技术是对用户历史行为数... 详细信息

随着智能信息服务应用不断深入日常生活,网络数据日益膨胀,知识图谱因其强大的语义处理能力与开放互联能力成为当下研究的焦点。推荐系统可以帮助人们获取所需要的信息或商品,改善信息超载问题。推荐系统的核心技术是对用户历史行为数据和商品信息进行建模,推理出用户的偏好,并将其可能感兴趣的商品推荐给用户。在推荐场景中,商品可能会包含丰富的语义信息,知识图谱加强了商品之间的联系,为个性化推荐提供了丰富的参考价值。本文针对以上问题,提出了两个相关模型:基于知识图谱偏好传播的个性化推荐模型KGP-GAT,基于知识图谱的可解释性个性化推荐模型KPAN。(1)模型KGP-GAT将知识图谱作为辅助信息整合到推荐系统中,提供丰富的语义信息,提升推荐性能。首先通过用户的行为历史找到包含用户偏好的项目,并使用知识图谱上的高阶连通性进行偏好信息传播,使得实体能够包含更加丰富的语义信息,能够更好的对实体进行表示,同时使用注意力机制来对语义信息进行过滤,为更接近的实体分配更高的注意力分数以传播更多的语义信息。(2)模型KPAN采用知识图谱作为额外的用户-项目连接,这是对用户-项目交互的补充,通过对知识图谱上的高阶连通性进行显式地建模,在知识图谱上使用注意力嵌入传播来捕获实体之间的语义信息和协作信号,从而推断用户的偏好,并提供可解释性。最后,为了验证上述两个模型的有效性,在有关数据集上进行了CTR预测和TopK预测的实验和分析。实验结果表明,模型有效利用了知识图谱上丰富的语义信息,捕获知识图谱中的协作信号,更新项目表示,对用户的偏好进行很好的扩充,以缓解数据稀疏情况。

关键词：推荐系统知识图谱注意力机制用户偏好数据稀疏性

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合自监督学习和GNN的会话推荐方法研究

融合自监督学习和GNN的会话推荐方法研究

作者：赵晓暄辽宁工程技术大学

学位级别：硕士

基于会话的推荐由于缺乏长期的用户历史行为数据,只能利用短期会话生成的用户交互记录进行推荐,然而一次会话中大多数用户只能点击大量项目中的一小部分,其交互数量非常有限,远少于长期的用户行为数据。可用数据的匮乏使得基于会话的推... 详细信息

基于会话的推荐由于缺乏长期的用户历史行为数据,只能利用短期会话生成的用户交互记录进行推荐,然而一次会话中大多数用户只能点击大量项目中的一小部分,其交互数量非常有限,远少于长期的用户行为数据。可用数据的匮乏使得基于会话的推荐模型无法学习到准确的用户偏好,从而导致模型推荐性能不佳。自监督学习作为一种新型学习范式,它利用数据本身的内在关系而非人工标注数据进行监督,有益于几乎所有类型的下游任务,在解决数据稀疏性问题上具有很大的优势。因此,为了更好的利用有限的会话数据,缓解数据稀疏对会话推荐的影响,本文提出了融合自监督学习和图神经网络(Graph Neural Network,GNN)的会话推荐方法(Ss-GNN)。该方法将图神经网络与自监督学习相结合来挖掘原始数据中更有价值的信息以缓解数据稀疏性问题对推荐性能的影响,进而实现推荐性能的提升。具体的研究内容如下:(1)构建会话图并利用注意力机制和反向位置嵌入技术建立基于图注意力网络的会话推荐任务来获取项目级表示和会话级表示。(2)从会话级表示的角度出发,利用用户的一般兴趣和当前兴趣来构建辅助任务获取辅助会话级表示以产生自监督信号。(3)将基于图神经网络的推荐任务和基于辅助任务的自监督任务整合到同一框架中进行联合训练,实现推荐任务和辅助任务之间的互信息最大化,以增强会话数据,从而提升推荐性能。采用对比实验对Ss-GNN的有效性进行验证,实验结果表明,在Yoochoose和Tmall两个公开数据集上,与其他会话推荐方法相比,Ss-GNN的推荐结果在推荐准确度上有显著提高。该论文有图18幅,表5个,参考文献63篇。

关键词：会话推荐自监督学习数据稀疏性图神经网络注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合辅助信息的跨领域推荐算法的研究与实现

融合辅助信息的跨领域推荐算法的研究与实现

作者：肖楠重庆邮电大学

学位级别：硕士

随着移动互联网的普及,网络上的信息数据不断增加,用户面临着信息过载问题,推荐系统就是在这种背景下产生的。推荐系统从大量动态生成的信息中过滤出重要的信息数据,深入发掘出用户的兴趣偏好。但在实际应用中,推荐系统的性能受制于评... 详细信息

随着移动互联网的普及,网络上的信息数据不断增加,用户面临着信息过载问题,推荐系统就是在这种背景下产生的。推荐系统从大量动态生成的信息中过滤出重要的信息数据,深入发掘出用户的兴趣偏好。但在实际应用中,推荐系统的性能受制于评分数据的稀疏和用户的冷启动等各方面的问题。跨域推荐可以利用用户在其他领域内的交互数据来丰富当前领域的稀疏数据,再加上互联网应用中,用户画像和产品属性信息的丰富及多元化,推荐系统可以融合这些辅助信息并利用跨域推荐来解决上述问题。此外,深度学习技术可以结合多源异构数据,更好地提取用户和项目的特征。因此本文从使用深度学习技术提取融合辅助信息的特征向量,并利用跨域推荐来提高推荐性能等方面展开了研究,最后基于此基础,设计并实现了一个简单的针对电影和图书的推荐系统。本文的主要工作如下:1.针对单域中的评分数据稀疏性问题,提出了基于双降噪自动编码器的推荐算法(Recommendation Based on Dual Denoising Autoencoder,Re DD)。为了能够更好地将辅助信息和评分矩阵结合,本文扩展了一般的降噪自动编码器,使其拥有两个输入输出层,并在隐藏层学习到融合评分信息和辅助信息的低维特征向量;然后通过两个扩展的降噪自动编码器分别提取用户和项目的特征,并联合矩阵分解模型训练,更新优化模型参数,完成推荐。通过实验证明了该算法的有效性。2.针对现有跨域推荐算法的不足,本文在Re DD模型的基础上,设计出了一个融合辅助信息的跨域推荐算法(Cross-Domain Recommendation by Fusing Side Information,CDRSI)。本文通过Re DD模型在辅助域和目标域提取融合评分信息和辅助信息的特征向量;并根据不同域之间的评分稀疏比,生成用户基准因子;通过DNN神经网络映射目标域中用户特征,来拟合基准因子,完成跨域推荐。通过实验证明了该模型的有效性。3.应用上述算法设计并实现了一个简单的图书和电影的推荐系统。系统根据用户和项目的配置信息及用户的历史行为数据,为用户做出图书和电影的推荐。

关键词：跨域推荐数据稀疏性冷启动用户辅助信息深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向会话序列的增强图神经网络模型

面向会话序列的增强图神经网络模型

作者：张硕上海理工大学

学位级别：硕士

推荐系统是当今时代研究的热点问题,在互联网搜索、电子商务和媒体流网站等领域有着广泛的应用。传统的推荐系统主要依赖于用户的历史行为以及物品的属性信息,而忽略了用户当前的情境和偏好的动态变化,这导致捕捉不到用户实时的兴趣和... 详细信息

推荐系统是当今时代研究的热点问题,在互联网搜索、电子商务和媒体流网站等领域有着广泛的应用。传统的推荐系统主要依赖于用户的历史行为以及物品的属性信息,而忽略了用户当前的情境和偏好的动态变化,这导致捕捉不到用户实时的兴趣和偏好变化,基于会话的推荐可以有效地解决这一问题。基于会话的推荐是一种短序列的推荐方法,主要用于预测下一个用户最有可能点击的项目。近年来随着图神经网络的提出和快速发展,为基于会话的推荐任务提供了新的研究思路。为了进一步研究图神经网络在基于会话的推荐系统中的应用,本文进行了如下工作:(1)构建了一个全局上下文支持的超图神经网络模型(GC-HGNN),增强基于会话的推荐性能。为了充分考虑全局和局部上下文信息,该模型将全部会话序列建模为超图并将单个会话序列建模为局部会话图,使用超图神经网络(HGNN)捕获超图中超边和节点之间的关系,从而得到项目的高阶信息表示,并使用图注意力网络(GAT)来学习局部会话图中节点之间的信息转换,得到当前会话序列中的项目之间的依赖性关系。同时,为了更好的融合全局和局部上下文信息,模型中引入了反向位置编码信息和注意力机制。(2)提出了一个LDA和自监督学习增强的图注意力网络模型(LS-GAT),用于基于会话的推荐,来缓解图数据建模所产生的稀疏性问题。该模型将单个会话序列构建成超图和一般会话图,其中在构建超图时,使用滑动窗口的方法来构建,并引入LDA来丰富上下文语义信息增强超图的建模。模型通过搭建双通道网络框架,并分别使用超图注意力网络(HGAT)和图注意力网络(GAT)来学习双通道的项目特征。为了有效的学习双通道的互信息,模型引入自监督学习作为辅助任务进一步增强模型建模,以此来缓解数据的稀疏性。(3)在Diginetica、Tmall、Nowplaying和Yoochoose数据集上进行了大量实验研究和消融分析,证明了本文所提出模型性能的优越性。本文提出的全局上下文支持的超图神经网络增强基于会话的推荐模型以及LDA和自监督学习增强的图注意力网络用于基于会话的推荐模型在上述四个数据集以及评价指标P@K和MRR@K上的推荐性能都优于基线模型,证明了在基于会话的推荐系统中,全局上下文信息以及建模图数据的稀疏性问题都会对推荐系统的性能产生一定的影响。综上所述,本文提出的GC-HGNN模型通过考虑全局和局部上下文信息,并引入超图卷积神经网络,能够学习到会话序列中项目之间高阶-复杂的关系,提高了推荐性能。同时,本文提出的LS-GAT模型使用图注意力网络来捕获项目之间的依赖性信息,并引入LDA和自监督学习,有效地缓解了会话数据的稀疏性问题。

关键词：推荐系统图神经网络位置编码自注意力机制 LDA 数据稀疏性自监督学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于协同过滤的视频推荐系统研究与实现

基于协同过滤的视频推荐系统研究与实现

作者：浦艺钟江苏科技大学

学位级别：硕士

近年来计算机技术蓬勃发展,由此带动的信息技术革新也再次定义了传统视频行业。由于网络信息在人类日常生活中占据了巨大的比重,同时伴随着网络科技发展日新月异,人们的日常生活日益被大量视频资源占据。需要在具有海量信息量的视频中... 详细信息

近年来计算机技术蓬勃发展,由此带动的信息技术革新也再次定义了传统视频行业。由于网络信息在人类日常生活中占据了巨大的比重,同时伴随着网络科技发展日新月异,人们的日常生活日益被大量视频资源占据。需要在具有海量信息量的视频中获得有价值的信息往往十分麻烦,由此产生了信息过载问题。为了克服信息过载的技术难题,各大视频网站研发了推荐系统模块。推荐技术的诞生,在极大程度上提升了个人用户和视频服务平台的互动性,从而增加了网站用户黏性。传统推荐算法中,协同过滤算法是一个体现了群体智慧的设计思想,可以通过相似用户或者相似物品进行个性化推荐。然而,传统协同过滤算法仍然有不少局限性,面临着数据极度稀疏以及用户兴趣偏移等问题。与此同时,随着用户与视频资源的爆炸性增长,这个问题会越发严峻。在结合上述背景的情况下,本文所做工作主要包含如下几点:(1)为解决用户-视频评分矩阵稀疏问题,本文引入用户对视频类别的偏好信息。根据用户原评分数据和视频类别间的对应关系来构造用户-视频标签矩阵,对原评分矩阵数据进行有效降维。为了提高计算过程中最近邻居的搜索效率,对用户-视频标签矩阵中采用K均值聚类算法,得到目标用户所在簇类,并将其作为目标用户近邻集合的搜索空间。(2)为解决用户兴趣偏移的问题,在遗忘曲线规律启发下,引入时间权重函数,对原评分预测公式进行改进。使得时间过去越久的评分权重越小。最后,将引入时间权重后的算法与融合视频类别标签的协同过滤算法相结合得到新的融合时间权重函数的协同过滤算法。(3)为验证改进算法的性能,在MovieLens数据集上进行多次实验验证并分析。实验结果表明,对比传统协同过滤,本文提出的融合时间权重函数的协同过滤算法能够一定程度上缓解稀疏性问题,提高推荐准确性。(4)在前文研究成果和实践的基础上,搭建了一个简单的视频推荐系统,用于检验本文提出的改进算法在现实应用中的有效性。

关键词：视频推荐协同过滤数据稀疏性视频标签时间权重

基于深度学习的位置感知Web服务质量预测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的位置感知Web服务质量预测方法研究

作者：金李安徽大学

学位级别：硕士

现如今Web服务的数量已呈指数增长,这导致因特网上出现了大量功能类似的Web服务,用户通常基于服务质量(Quality of Service,Qo S)从候选服务集合中选择最佳服务,而在实际中不太可能得到所有候选Web服务的Qo S值,因此Qo S预测问题便成了... 详细信息

现如今Web服务的数量已呈指数增长,这导致因特网上出现了大量功能类似的Web服务,用户通常基于服务质量(Quality of Service,Qo S)从候选服务集合中选择最佳服务,而在实际中不太可能得到所有候选Web服务的Qo S值,因此Qo S预测问题便成了服务推荐领域的首要挑战。协同过滤(Collaborative Filtering,CF)已被广泛应用于Web服务Qo S预测领域,基于记忆的CF方法只能从用户和服务之间学习到低维线性关系,基于模型的CF方法无法捕获用户和服务之间的高维非线性关系。于是,深度学习被引入到Qo S预测研究领域,通过构建神经网络学习用户与服务之间的高维非线性关系。经研究发现,位置信息与Qo S值密切相关,将其融入到模型当中可以进一步提高预测的准确性。但现有的大多数方法仍存在很多不足,例如用户、服务以及位置信息之间的特征关系还需进一步挖掘,如何同时兼顾局部和全局特征的交互学习,更好地解决数据稀疏性问题以及进一步提高模型的预测精度。本文针对这些不足,利用深度学习技术并结合位置信息属性,提出了基于深度学习的位置感知Web服务质量预测方法研究,主要研究内容如下:(1)提出了结合局部和全局位置信息的深度协同过滤(Deep Collaborative filtering combining Local and Global location information,DCLG)模型,在模型的交互层中,我们将用户和服务的位置信息嵌入向量进行外积操作,并且使用了一层注意力机制后得到全局位置信息,接着通过多层感知器提取用户和服务的高维非线性关系,并结合点乘的操作补充学习用户和服务的低维线性关系。在真实数据集WS-Dream上进行大量实验,验证了DCLG模型的预测性能明显优于现有的六种Qo S预测方法。(2)提出了结合局部和全局特征的卷积协同过滤模型,该模型在DCLG模型的基础上通过引入卷积神经网络代替多层感知器,在捕获全局信息特征的同时也更好地关注了用户和服务的局部相邻特征。在公共数据集WS-Dream上的大量实验,验证了该模型具有较高的预测精度以及更好的收敛性。

关键词： Web服务服务质量协同过滤深度学习数据稀疏性

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向稀疏数据的推荐算法研究

面向稀疏数据的推荐算法研究

作者：刘家良桂林电子科技大学

学位级别：硕士

推荐系统是一种有效的信息过滤技术,能够在海量信息中过滤出符合用户喜好的商品、新闻、视频、音乐等物品。协同过滤算法是推荐系统中的主流算法,它通过挖掘用户和物品之间的交互数据来推测用户的喜好。然而,协同过滤算法在面向稀疏数... 详细信息

推荐系统是一种有效的信息过滤技术,能够在海量信息中过滤出符合用户喜好的商品、新闻、视频、音乐等物品。协同过滤算法是推荐系统中的主流算法,它通过挖掘用户和物品之间的交互数据来推测用户的喜好。然而,协同过滤算法在面向稀疏数据时会遇到挑战。一方面,推荐数据中的监督信号较弱,每个用户只与物品库中的一小部分物品进行交互,导致缺乏正样本和高质量的负样本。另一方面,推荐数据中存在长尾分布特性和噪声数据的干扰。为了在数据稀疏的推荐场景中实现更有效推荐,本研究在协同过滤算法的基础上做出了改进,主要工作如下:1、针对现有负采样策略对正负样本区分度不足的问题,提出了基于改进型Softmax的图协同过滤算法。首先基于“物以类聚,人以群分”的协同过滤思想,使用图卷积网络生成目标节点及其相似节点的嵌入表示,通过结合节点所属群体的特征信息,来缓解正样本数据稀疏性。其次提出了基于改进型Softmax的非采样训练方法,通过非采样策略扩大负样本的数量,并通过改进型Softmax损失函数自适应挖掘困难负样本,在稀疏数据中实现对正负样本的有效区分,实现更准确的推荐效果。根据在四个公开数据集上的实验,该算法对稀疏数据集具有更强的适应性,推荐性能得到了显著提升。2、针对交互数据中的长尾效应和噪声干扰问题,提出了一种对比增强型图神经网络推荐算法。首先使用轻量化图卷积网络将用户与物品的高阶协作信息编码到嵌入表示中,并在训练批次中应用改进型Softmax损失函数构建监督学习任务,以更好地区分正负样本。其次,通过边裁剪的方式生成自监督信号,缓解数据稀疏性,并在不同物品表示之间构建对比学习任务,学习物品表示的一致性和独特性,增加长尾物品的推荐机会,同时减少热门物品的流行偏差和噪声数据的干扰,实现更加鲁棒和个性化的推荐。相较于先进算法SimGCL,在Alibaba-iFashion数据集上,该算法的召回率和NDCG分别提升了6.1%和5.1%,进一步证明了算法的有效性。3、为了解决用户和物品交互的稀疏性问题,提出了一种基于对齐和分散的知识图谱推荐算法,利用知识图谱数据来辅助推荐。该算法首先使用图注意力网络来对知识图谱进行建模,从而生成物品的嵌入表示。接下来,使用图卷积网络对用户-物品交互图进行建模,将知识图谱信息和交互图信息融合到最终的嵌入表示中,以缓解数据稀疏性。最后,在超球面上对嵌入表示进行对齐和分散,从而区分正负样本并缓解流行偏差,提高推荐的准确性和个性化效果。在Yelp2018和Amazon-Book数据集上进行实验,相较于先进算法KGCL,该算法的召回率分别提高了2.5%和4.3%,NDCG分别提高了3.7%和6.8%,证明了算法的有效性。综上所述,文章提出的推荐算法分别从正负样本的区分、对比学习和知识图谱等方向进行了优化,在数据稀疏的推荐场景中实现了更加准确和个性化的推荐,具有广泛的应用价值。

关键词：协同过滤数据稀疏性图神经网络对比学习知识图谱