检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于属性和评论的可解释性推荐算法研究

基于属性和评论的可解释性推荐算法研究

作者：刘展宁沈阳工业大学

学位级别：硕士

随着电子商务网站和各种网络信息平台的发展,人们可以通过推荐系统可以找到自己感兴趣的物品和信息。而推荐算法作为推荐系统的核心,近年来在学术界和工业界大受追捧。传统的个性化推荐算法是基于用户和物品的交互信息进行推荐的,但系... 详细信息

随着电子商务网站和各种网络信息平台的发展,人们可以通过推荐系统可以找到自己感兴趣的物品和信息。而推荐算法作为推荐系统的核心,近年来在学术界和工业界大受追捧。传统的个性化推荐算法是基于用户和物品的交互信息进行推荐的,但系统中物品的数量和种类时刻都在增长和变化,冷启动成为推荐系统的一大难题。随着深度学习在推荐领域的深入,推荐算法在准确性以及可扩展性都有了一定的提高,然而深度学习算法都具有黑盒模型的不可解释性,其生成的推荐结果往往不能向用户提供令人信服的解释,缺乏透明度和信任度让推荐系统和用户都陷入困境。基于以上原因,本文重点研究了推荐算法的准确性和可解释性,并做了以下工作:(1)针对推荐系统中的冷启动问题,利用物品客观存在的属性信息构建XGBoost回归树,通过把物品属性信息输入到XGBoost模型中进行一系列有监督的训练,完成对物品的评分预测任务,在生成树模型的同时从模型中提取出物品属性的交叉特性,作为推荐结果的解释。并使用K-means聚类的方法对用户和物品进行粗粒度划分,节省后续XGBoost训练时间。并在在Amazon数据集上进行了大量的实验和分析,结果显示,本文提出算法不仅在推荐效果上有了一定的提升,同时还能提取物品的重要属性作为推荐解释。此外,K-means的引入节省了模型训练的时间,降低了计算成本。(2)针对推荐系统的解释性问题,提出一种基于评论的可解释推荐算法。该算法由两个串联的模块组成,分别是用于评分预测的推荐模型以及用于生成解释性语句的文本生成模型。在评分预测模块,利用卷积神经网络,对用户和商品的评论信息进行特征提取,并通过双层注意力网络自动为评论分配权重,保留高权重的评论为生成解释语句做准备,最后通过隐语义模型融合用户和商品的特征来进行评分预测。在文本生成模块,利用HSS模型中双层GRU网络对前一步保留的高权重评论进行训练,生成完整且具有解释含义的语句。通过实验证明,本文提出的方法不仅在评分预测上有良好的表现,其生成的解释性语句完整且流畅,能包含用户和物品重要的特征词语,具有良好的解释意义。

关键词：推荐系统可解释性推荐 XGBoost 卷积神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

结合评论生成的可解释性时尚推荐研究

结合评论生成的可解释性时尚推荐研究

作者：林于杰山东大学

学位级别：硕士

由于其具有展示个性和塑造文化的能力,时尚正在我们的社会中发挥着越来越重要的作用。近年来,服装、鞋、首饰等时尚产品的在线零售市场持续繁荣,也反映了人民大众对时尚商品的巨大需求。人人都想拥有时尚的魅力,但并不是人人都是时尚的... 详细信息

由于其具有展示个性和塑造文化的能力,时尚正在我们的社会中发挥着越来越重要的作用。近年来,服装、鞋、首饰等时尚产品的在线零售市场持续繁荣,也反映了人民大众对时尚商品的巨大需求。人人都想拥有时尚的魅力,但并不是人人都是时尚的专家。面对在线零售市场上琳琅满目的时尚商品,怎样挑选和搭配才是时尚的,对于广大用户来说都是一个令人头疼的问题。从商家的角度,如何给用户推荐具有可信度的时装搭配,对于提高商品销售量也至关重要。而时尚推荐技术正是为了解决上述的困难。同时,近年来,大量以时尚为导向的社区涌现。时尚专家们可以在社区中分享他们的时尚秘诀。而时尚推荐技术则可以从这些社区中汲取丰富的数据来改善当前的推荐表现。本文旨在解决时尚推荐中的套装匹配问题:即为给定的上衣(如T恤、夹克衫等)推荐相匹配的下衣(如牛仔裤、裙子等),反之亦然。之前关于时尚推荐的工作,大多数都侧重于设计或提取有效的视觉特征来增强推荐的效果。现有的工作都忽略了针对时尚套装的用户评论。而在针对其它领域的推荐系统中,这些评论已被证明在产生可解释的和更好的推荐结果方面是很有用的。本文提出了一种新颖的基于深度学习的时尚推荐框架——可解释套装推荐系统(EOR),它能在推荐时尚套装的同时模拟用户生成评论。所生成的评论可以反映大众对于被推荐套装的一般看法,其可以作为推荐的解释,从而提高推荐的可信度。该框架由两部分组成:套装匹配部分和评论生成部分。对于套装匹配部分,本文首先用卷积神经网络来提取上衣图片和下衣图片中的视觉特征;然后本文提出了一种交互注意力机制可以把上衣和下衣间的匹配关系编码进它们的视觉表示里;最后本文用一个多层前馈神经网络来将它们的视觉表示解码成一个打分作为匹配预测。而对于评论生成部分,本文提出了一种具有跨模态注意力机制的门控循环单元网络,来将视觉特征转换为简洁的句子作为评论和推荐解释。其中的跨模态注意力机制可以帮助我们的网络更有效地利用视觉信息来生成文字。这两部分可以由基于端到端后向传播算法的多任务深度学习框架来共同训练。本文从一个在线时尚社区上收集了一个大规模的套装数据集,其中包含了大量的用户针对套装的评论。同时本文还使用了一个小规模的现有数据集。在这两个数据集上所进行的大量实验表明,本文提出的框架在套装推荐方面比最先进的基准方法在MAP、MRR和AUC这几个指标上都有了显著的提升。与此同时,与人类撰写的真实评论相比,本文生成的评论获得了令人印象深刻的ROUGE和BLEU分数。所生成的评论可以被视为是对推荐结果的解释。此外,本文还通过一系列的实验来验证我们所提出的两种注意力机制的有效性。

关键词：推荐系统时尚推荐可解释性推荐

增强推荐系统可解释性的深度评论注意力神经网络模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机应用 2023年第11期43卷 3443-3448页

作者：魏楚元王梦珂户传豪张桄齐北京建筑大学电气与信息工程学院北京102616 北京建筑大学机电与车辆工程学院北京102616

为了提高推荐系统(RS)的可解释性,打破推荐系统固有的局限性,提升用户对推荐系统的信任度和满意度,提出一种增强可解释性的深度评论注意力神经网络(DRANN)模型。该模型利用用户评论与商品评论中丰富的语义信息,基于文本评论学习用户、... 详细信息

为了提高推荐系统(RS)的可解释性,打破推荐系统固有的局限性,提升用户对推荐系统的信任度和满意度,提出一种增强可解释性的深度评论注意力神经网络(DRANN)模型。该模型利用用户评论与商品评论中丰富的语义信息,基于文本评论学习用户、物品之间的潜在关系,预测用户兴趣偏好和情感倾向。首先,采用文本卷积神经网络(TextCNN)对词向量作浅层特征抽取;然后,使用注意力机制为评论数据分配权重,过滤无效评论信息,同时构建深度自编码器模块将高维稀疏数据降维,去除干扰信息,学习深层语义表征,增强推荐模型的可解释性;最后,通过预测层得到预测评分。在4个公开数据集(Patio、Automotive、Musical Instrument(M-I)和Beauty)上的实验结果表明,与概率矩阵分解(PMF)模型、奇异值分解++(SVD++)模型、深度协同神经网络(DeepCoNN)模型、树增强嵌入模型(TEM)、DeepCF(Deep Collaborative Filtering)、DER(Dynamic Explainable Recommender)相比,DRANN模型的均方根误差(RMSE)最小,验证了它在提升性能上的有效性以及所采用解释策略的可行性。

关键词：推荐系统深度学习可解释性推荐注意力机制自编码器

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于可解释性的序列推荐算法研究

基于可解释性的序列推荐算法研究

作者：韩旭黑龙江大学

学位级别：硕士

随着信息科技的进步,互联网已与我们的日常生活紧密相联。人们每天通过网络进行着各种活动,比如看电影、购物、刷短视频、看新闻和听音乐等,但是当网络上的信息量变得越来越大的时候,人们却很难从中找到最合适自己的信息。推荐系统通过... 详细信息

随着信息科技的进步,互联网已与我们的日常生活紧密相联。人们每天通过网络进行着各种活动,比如看电影、购物、刷短视频、看新闻和听音乐等,但是当网络上的信息量变得越来越大的时候,人们却很难从中找到最合适自己的信息。推荐系统通过分析用户的历史行为来了解用户的喜好,从而主动为用户推荐其感兴趣的信息,满足用户的个性化推荐需求。序列推荐是近年来备受关注的一个新问题,其通过对用户连续行为、用户与物品的交互关系、用户偏好和物品流行程度等信息的分析与建模,可以更加准确地刻画用户的意图、目标和物品的消费趋势,实现更加精准、个性化和动态的推荐。可解释性推荐是社会媒体、电子商务、内容分享等互联网应用领域的研究热点之一。可解释性推荐是指通过个性化的推荐算法来解决推荐原因的问题,即它不仅为用户提供推荐结果,而且还解释为什么为用户推荐这些项目。它的主要逻辑是,通过一定的形式,将推荐结果产生的原因呈现给用户,比如,用户或产品的相似性,用户对于某种产品或特征的偏好等,这些都可以提升用户对推荐结果的接受度。通过说明向用户推荐某项产品的方式和原因,可以使推荐系统的透明度和解释性更强,这样会帮助用户做出更好和更快的决定。在此基础上,本文拟研究一种基于可解释性的序列推荐算法,旨在为用户提供更准确、更具解释性的下一个项目的推荐。本论文主要共提出了三种改进序列推荐的方法,分别是:(1)本文在嵌入时考虑进用户、项目序列以及项目的多种属性特征,对多种因素进行建模,增加了模型的可解释性。同时,本文中还使用了滤波算法的思想,通过使用可学习的滤波器来自适应地有效地降低数据噪声。(2)本文对用户的历史项目列表以及初始排序列表进行重排序,不仅捕捉项目-项目和项目-用户之间的交互信息,还捕捉了用户-初始排序列表以及用户-历史项目列表之间的交互信息,基于以上几点为用户提供更加准确的推荐。(3)本文将时间因素考虑进模型中,建模用户的长期兴趣以及短期兴趣,将以上两点同时考虑进模型中,进而提高推荐模型的准确性。

关键词：序列推荐可解释性推荐重排序兴趣网络

面向异构信息嵌入模型的交互对比可视分析系统

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机辅助设计与图形学学报 2021年第12期33卷 1821-1829页

作者：王攸妍汤颖浙江工业大学计算机科学与技术学院杭州310023

为理解不同异构网络嵌入模型之间的差异,并解决评估异构网络嵌入模型所存在的定性分析复杂且隐藏的问题,对比分析方法首先应统一模型的评估指标和任务,然后训练模型以获取模型训练过程中的大量参数和特征信息,并保留完整且非均值化的评... 详细信息

为理解不同异构网络嵌入模型之间的差异,并解决评估异构网络嵌入模型所存在的定性分析复杂且隐藏的问题,对比分析方法首先应统一模型的评估指标和任务,然后训练模型以获取模型训练过程中的大量参数和特征信息,并保留完整且非均值化的评估结果进行可视化.基于模型参数和特征数据,设计并实现一个交互对比可视分析工具——HINCompare,包括基础评估指标的分布概览和推荐结果对比视图,以及模型嵌入过程中融合的局部拓扑结构特征视图.该工具支持探索模型中不同特征聚合方法所存在的共同模式和不同架构的模型之间的差异.此外,HINCompare通过热力图展示了用户在电影类型和年份上的偏好特征,可结合推荐结果的上下文信息进行分析和评估,解决推荐中的黑盒问题,提供推荐结果的来源信息,增加可解释性.最后,通过真实的豆瓣电影数据验证了系统的有效性.

关键词：可视分析异构信息网络异构网络嵌入模型可解释性推荐

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

融合循环知识图谱和协同过滤电影推荐算法

计算机工程与应用 2020年第2期56卷 106-114页

作者：李浩张亚钏康雁杨兵卜荣景李晋源云南大学软件学院

推荐系统对筛选有效信息和提高信息获取效率具有重大的意义。传统的推荐系统会面临数据稀松和冷启动等问题。利用外部评分和物品内涵知识相结合,提出一种基于循环知识图谱和协同过滤的电影推荐模型——RKGE-CF。在充分考虑物品、用户、... 详细信息

推荐系统对筛选有效信息和提高信息获取效率具有重大的意义。传统的推荐系统会面临数据稀松和冷启动等问题。利用外部评分和物品内涵知识相结合,提出一种基于循环知识图谱和协同过滤的电影推荐模型——RKGE-CF。在充分考虑物品、用户、评分之间的相关性后,利用基于物品和用户的协同过滤进行Top-K推荐;将物品的外部附加数据和用户偏好数据加入知识图谱,提取实体相互之间的依赖关系,构建用户和物品之间的交互信息,以便揭示实体与关系之间的语义,帮助理解用户兴趣;将多种推荐结果按不同方法融合进行对比;模型训练时使用多组不同的负样本作为对比,以优化模型;最后利用真实电影数Movielens和IMDB映射连接成新数据集进行测试。实验结果证明该模型对于推荐效果的准确率有显著的提升,同时能更好地解释推荐背后的原因。

关键词：知识图谱协同过滤推荐系统可解释性推荐

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于知识图谱的合作者推荐系统设计与实现

基于知识图谱的合作者推荐系统设计与实现

作者：高松大连理工大学

学位级别：硕士

随着互联网和信息技术的不断发展,学术交流与合作不再受地理因素的限制,变得愈加频繁,学者之间的学术合作行为分析逐渐成为科学研究的重要组成。在大数据背景下,如何有效地利用海量学术数据对学者合作网络进行构建,并通过该网络帮助学... 详细信息

随着互联网和信息技术的不断发展,学术交流与合作不再受地理因素的限制,变得愈加频繁,学者之间的学术合作行为分析逐渐成为科学研究的重要组成。在大数据背景下,如何有效地利用海量学术数据对学者合作网络进行构建,并通过该网络帮助学者挖掘、推荐合适的合作伙伴,成为当前学术网络研究的热点问题。本文提出了基于学术知识图谱的合作者推荐算法,以知识图谱的方式对领域学术网络进行构建,结合基于内容的推荐方法,为学者推荐合作伙伴,并且推荐的结果具有一定的可解释性。首先,对学术数据中学者、研究领域及论文等多源异构信息进行抽取和处理,以图数据库为主要载体,自顶向下的方式构建出计算机领域内的科研知识图谱。其次,通过在知识图谱中定义的元路径组,利用基于网络结构的相似度,为源学者过滤出无直接合作关系但相似度极高的推荐候选集合。然后,利用基于内容过滤推荐中Itembased的思想,根据已经是源学者的合作者的相关特征,计算候选推荐集合中学者与源学者的相似度,依据相似度综合评分生成合作者列表,即为最终推荐结果。最后,在知识图谱中查找推荐的学者与源学者的最短路径,生成对推荐结果的解释。本文提出的基于学术知识图谱的合作者推荐算法已实现为具体的推荐模块,并部署在Web of Scholar系统中。用户可在使用系统时完善个人信息以获得个性化的合作者推荐,推荐结果已经实现可视化展示,供科研人员参考。

关键词：知识图谱相似度计算可解释性推荐图数据库

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合属性和评论的可解释推荐模型研究及应用

融合属性和评论的可解释推荐模型研究及应用

作者：刘禹尧吉林大学

学位级别：硕士

在如今的信息化社会,人们每天要面对着海量的信息并进行筛选。如何在复杂的数据中寻找到自己最关注的信息成为了一个重要而急迫的问题。个性化推荐系统作为筛选信息的核心技术,一直受到学者和研究人员的密切关注。传统的个性化推荐技术... 详细信息

在如今的信息化社会,人们每天要面对着海量的信息并进行筛选。如何在复杂的数据中寻找到自己最关注的信息成为了一个重要而急迫的问题。个性化推荐系统作为筛选信息的核心技术,一直受到学者和研究人员的密切关注。传统的个性化推荐技术在推荐准确性方面已经取得了成功。但这些传统的推荐算法具有黑盒模型的不可解释性,深度学习在这方面尤其明显。“系统应如何向用户解释这些建议”这一基本问题尚未引起足够的重视。缺乏透明度使用户陷入两难境地:用户只能通过采纳建议的措施(例如购买排名靠前的商品)来评估推荐质量,但是推荐系统应该首先让用户建立对系统的信任。基于这些原因,推荐的可解释性已经变得和准确性同等重要,如何研究出准确性和可解释性效果同样好的推荐模型已经变成当前的热点问题。本文融合了属性和评论两种常见信息,以推荐系统准确性和可解释性作为研究重点,进行了以下工作:(1)提出了一种新的融合属性和评论的可解释性评分预测推荐模型(NERAR)。该模型融合了属性特征和评论特征的信息,使用基于树的模型从辅助信息中学习属性特征,然后使用时间感知的门控循环单元(T-GRU)对用户当前评论特征进行建模;利用卷积神经网络(CNN)处理商品评论特征。最后利用因子分解机(FM)融合用户和商品向量得到最终结果。在多个评论和属性的融合过程中,本文使用了目前比较流行的注意力机制来融合多种信息,和简单的平均求和的算法相比,注意力机制更符合同类型信息对于用户的不同吸引力特性,不同的信息在用户最后对商品的评分过程中也有着不同的作用。最后根据学习到的注意力权重来选取对应的信息作为推荐的解释。在Amazon数据集上进行的大量实验表明,我们的模型在准确性方面优于最新的推荐模型。实验给出的例子也表明我们的模型可以提供充分的解释。(2)将可解释性推荐模型应用于吉林省重点科技研发项目“大数据和移动互联时代下的快速知识共享系统研究、开发和应用”。模型利用论文中的摘要信息作为模型中的评论文本信息,同时利用用户和商品本身的属性信息得到推荐结果和对应解释,取得了良好的效果。

关键词：推荐系统可解释性推荐卷积神经网络时间感知的门控循环单元

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于知识图谱嵌入的混合推荐模型研究

基于知识图谱嵌入的混合推荐模型研究

作者：齐高峰长沙理工大学

学位级别：硕士

为了解决各种在线应用中的信息爆炸问题,提高用户体验,推荐系统被提出来进行用户偏好建模。尽管人们为实现更个性化的推荐做出了很多努力,但推荐系统仍然面临着数据稀疏和冷启动等挑战。近年来,将知识图谱作为辅助信息生成推荐引起了人... 详细信息

为了解决各种在线应用中的信息爆炸问题,提高用户体验,推荐系统被提出来进行用户偏好建模。尽管人们为实现更个性化的推荐做出了很多努力,但推荐系统仍然面临着数据稀疏和冷启动等挑战。近年来,将知识图谱作为辅助信息生成推荐引起了人们的极大兴趣。这种方法不仅减轻了上述问题,提供了更准确的建议,而且解释了推荐的项目。本文在现有研究工作基础上,针对目前知识图谱推荐模型存在的不足,对基于知识图谱嵌入推荐技术开展研究,通过利用深度学习技术和用户的历史交互数据构造知识图谱来挖掘用户偏好,从而实现对用户的兴趣推荐。最后,通过在现有公开的数据集验证了本文在知识图谱推荐方面理论研究的有效性和可靠性。本文主要工作及创新体现在以下三个方面:1.针对当前知识图推荐模型没有充分注意在多知识图形式下传播过程中的消息交互,忽略用户潜在意图变化的特征,本文提出了一种协同知识图感知交互推荐模型CIKN。该模型利用辅助知识图谱探索传播交互策略,挖掘用户与项目交互背后的用户潜在意图。本文设计了一个包含项目端和用户端知识图谱的协同传播交互层,以显式地对协同信号进行编码。在这一层,通过构造用户端知识图谱以表示用户的意图;然后,将此意图表示抽取到项目端知识图谱中以共同学习用户和项目表征。2.在协同知识图感知交互推荐模型丰富用户和项目表征的基础上,本文提出深度域感知交互推荐模型DeepFIM,解决了特征域内的特征“短表达”问题,更好地捕捉多密集特征交互。通过提出特征“层次结构表达式”设计了一个交互层来识别域内和域间特征相互作用,并使用注意力机制来区分不同特征的重要性。特别地,本文采用了两种嵌入模式进行域感知的嵌入查询,这将更有利于学习域间和域内特征。此外,本文还引入了动态双池层来增强高阶特征的获取,从而最大限度地保留信息,这有利于深度神经网络的后续学习。3.使用音乐,书籍,电影和餐厅推荐等公开的数据集,对本文所提出的基于知识图谱嵌入推荐模型的研究理论进行了实验与分析。实验结果表明:本文提出的推荐模型在推荐效果上较现有的方法有了较大的提升,表明模型可靠、有效。

关键词：知识图谱推荐系统深度学习可解释性推荐