检索结果-南通市图书馆

计算机科学与探索 2024年第2期18卷 363-377页

作者：温民伟梅红岩袁凤源张晓宇张兴辽宁工业大学电子与信息工程学院辽宁锦州121001

单任务推荐算法存在数据稀疏、冷启动和推荐效果不稳定等问题。多任务推荐算法可以将多种类型的用户行为数据和额外信息进行联合建模,从而更好地挖掘用户的兴趣和需求,以提高推荐效果和用户满意度,为解决单任务推荐算法存在的一系列问... 详细信息

单任务推荐算法存在数据稀疏、冷启动和推荐效果不稳定等问题。多任务推荐算法可以将多种类型的用户行为数据和额外信息进行联合建模,从而更好地挖掘用户的兴趣和需求,以提高推荐效果和用户满意度,为解决单任务推荐算法存在的一系列问题提供了新思路。首先,梳理了多任务推荐算法的发展背景与趋势。其次,介绍了多任务推荐算法的实现步骤以及构建原则,并阐述了多任务学习具有数据增强、特征识别、特征互补和正则化效应等优势。然后,对不同共享模式的多任务学习方法在推荐算法中的应用进行了介绍,并对部分经典模型的优缺点及任务之间的关系进行了归纳总结。接着,介绍了多任务推荐算法常用的数据集和评估指标,并阐述了与其他推荐算法在数据集合评估指标方面的区别和联系。最后,指出多任务学习存在负迁移、参数优化冲突、可解释性差等不足,对多任务推荐算法与强化学习、凸函数优化方法、异构信息网络相结合进行了展望。

关键词：推荐系统多任务学习多任务推荐

来源：

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

基于注意力分解机和知识图谱的多任务推荐模型

基于注意力分解机和知识图谱的多任务推荐模型

引用

作者：乔金霞湖北大学

学位级别：硕士

由于社会的进步和信息科技的发展,人们加快了走向互联网时代的步伐,网络上出现层出不穷的信息供用户阅览,但用户难以在海量数据中找到自己真正想要的信息。推荐系统的出现缓解了这一问题,在解决信息过载问题的同时还能给使用者提供个性... 详细信息

由于社会的进步和信息科技的发展,人们加快了走向互联网时代的步伐,网络上出现层出不穷的信息供用户阅览,但用户难以在海量数据中找到自己真正想要的信息。推荐系统的出现缓解了这一问题,在解决信息过载问题的同时还能给使用者提供个性化服务。传统的推荐系统存在推荐结果解释性低、用户或物品冷启动等问题,知识图谱作为升级版知识库加入到推荐系统中,有助于增加用户和物品信息的丰富度,提高推荐结果的精准性。现存的一些推荐模型,输入向量较为单一稀疏,不能充分挖掘用户或物品的交互特征,对复杂的图结构处理不够全面,影响最终的推荐结果。针对上述问题,本文提出了基于注意力分解机和知识图谱的多任务推荐模型,主要工作如下:(1)提出了一种基于注意力分解机和知识图谱的多任务推荐模型(MRAKG)。该模型由三部分组成,分别是推荐模块、知识图谱嵌入模块和信息共享单元。在推荐模块增加多种用户特征,使得输入向量更加丰富,改善其他模型数据单一的问题,采用注意力分解机(AFM)提取多种用户特征,充分考虑用户间的交叉特征对推荐性能的影响,利用信息共享单元使得知识图谱嵌入模块中的实体特征与推荐模块的物品特征相互交替学习,补充各自信息,提高最终的推荐结果。(2)在MRAKG模型基础上进一步改进,在知识图谱嵌入模块中,利用图卷积神经网络(GCN)进一步挖掘知识图谱头实体特征和关系特征的关联关系,提取二者之间的深层次特征,使得预测的尾实体更加准确,依然采用交替学习的方法训练和优化模型,推荐模块和知识图谱嵌入模块互相结合,共同学习,进而提高整个模型的推荐性能。(3)在Movie Lens-1M数据集和Book-Crossing数据集上分别开展了实验,采用AUC和ACC两个指标来评估模型的CTR预测性能,采用Top-K中预测率Precision和召回率Recall两个指标来评估模型的推荐效果。将本文所提的两个模型做对比实验,然后与另外六个基准模型做对比实验,实验结果验证了本文所提模型的有效性。

关键词：注意力分解机知识图谱图卷积神经网络多任务推荐交替学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于异构网络嵌入的个性化论文推荐方法研究

基于异构网络嵌入的个性化论文推荐方法研究

引用

作者：王杰苏州大学

学位级别：硕士

随着电子文献数量的急剧增加,以及不同学科、领域间的交叉和不断发展,研究人员不得不花费大量的时间和精力才能找到他们真正感兴趣的论文。近年来异构网络的出现和发展,让基于异构网络嵌入的论文推荐方法变的十分流行,其中利用元路径来... 详细信息

随着电子文献数量的急剧增加,以及不同学科、领域间的交叉和不断发展,研究人员不得不花费大量的时间和精力才能找到他们真正感兴趣的论文。近年来异构网络的出现和发展,让基于异构网络嵌入的论文推荐方法变的十分流行,其中利用元路径来挖掘异构关系成为了非常重要的手段之一。然而通过分析总结发现,这些基于异构网络嵌入的论文推荐方法依然存在着一些不足,本文针对这些不足依次提出了相应的解决方法:首先,现有的一些利用元路径的采样方法(如随机游走、回溯游走等)收集到的信息多样性不足,甚至容易收集到无效信息和噪声信息。而且,大量的推荐相关的工作仅在静态数据上挖掘用户阅读偏好和论文受众偏好,忽略了这些特征会随时间动态变化。对此,本文考虑异构信息网络中链接的方向性并利用节点的出人度设计出全新的元路径采样方法,以使采样的路径噪声更少,多样性更丰富。然后本文利用注意力机制下的Bi-LSTM挖掘短期特征,设计出补偿推荐机制将短期特征下的推荐结果融人到长期特征得到的推荐结果中,实现特征的动态性捕获。其次,许多依赖元路径进行网络嵌入的推荐方法不可避免地需要手动设计和选择元路径,这非常耗费时间和人力。所以本文提出一种通用HIN构建方法,并结合多注意力机制实现元路径自动设计与选择。最后,现有的推荐方法在给用户推荐论文时并没有考虑到论文是否符合用户当前的研究方向,因为资深研究人员往往拥有丰富的历史阅读数据,且涉及多个研究方向,如果不考虑用户当前的研究方向而进行推荐,将会导致推荐结果缺失时效性。为解决这一问题,本文创新性地利用BERT来预训练论文关键词特征,再结合自注意力机制得到论文的内容特征和用户的研究方向特征,并通过点乘匹配它们来辅助主任务进行推荐,以此保证推荐结果的时效性。本文提出的方法在多个数据集上与多种具有代表性的基准方法进行大量的实验验证,实验结果证明了本文提出方法的有效性。本文还以提出的个性化论文推荐方法为基础,综合考虑论文推荐场景下用户的各种实际需求,设计并实现了一个全新的个性化论文推荐系统。

关键词：论文推荐算法异构网络嵌入元路径采样深度学习多任务推荐

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的序列推荐算法研究

基于深度学习的序列推荐算法研究

引用

作者：王晨星贵州大学

学位级别：硕士

随着互联网平台智能化服务的发展,为不同用户打造特色化推荐策略至关重要。推荐算法可以减少信息过载,满足多样化的业务需求。然而,现有推荐算法在建模用户兴趣偏好时,忽略了用户偏好的动态变化,缺乏对序列信息的研究。此外,当前多数研... 详细信息

随着互联网平台智能化服务的发展,为不同用户打造特色化推荐策略至关重要。推荐算法可以减少信息过载,满足多样化的业务需求。然而,现有推荐算法在建模用户兴趣偏好时,忽略了用户偏好的动态变化,缺乏对序列信息的研究。此外,当前多数研究聚焦于提升单个目标的推荐效果,忽略了用户满意度和最终决定受多方目标影响的事实。针对以上两个问题,论文对基于深度学习的序列推荐算法进行研究,主要包含基于用户长短期兴趣的序列推荐算法和基于个性化多任务的序列推荐算法。具体如下:(1)针对现有推荐模型仅关注用户和项目之间的静态相关性,忽略了用户兴趣的衰减以及偏好的动态变化问题,设计了一种基于用户长短期兴趣的序列推荐模型(A Sequential Recommendation Model Based on User's Long-term and Short-term Preferences,ULSPSR)。首先,对用户的短期兴趣进行模型化,在短期兴趣偏好建模过程中考虑动态时间间隔,创新地设计了一个具有时间感知能力的短期注意力网络;其次,对用户的长期兴趣进行模型化,在长期兴趣偏好建模过程中创新地设计了一种多路空洞卷积网络,并将网络扩展成多通路结构来挖掘复杂的用户长期行为特征;最后,考虑到长期和短期兴趣的重要性是动态变化的,提出了一个长短期兴趣感知选择器,自适应地配比长短期兴趣进而完成推荐预测。ULSPSR模型在Movie Lens-1M和Beauty数据集上进行实验,实验结果表明该方法可以很好地反映用户在不同时期的喜好,从而提升预测精度。(2)针对现有推荐模型仅对单一目标任务建模,忽略了用户兴趣受多方面目标任务共同影响,设计了一种基于个性化多任务的序列推荐模型(A Sequential Recommendation Model Based on Personalized Multi-task,PMSR)。一方面,为了缓解多任务推荐过程中的负迁移现象,创新地设计了个性化专家分离模块:首先,在该模块的共享专家层利用共享专家选择控制器挖掘任务间的共性关联信息;接着,在该模块的专享专家层利用专享专家选择控制器挖掘各个任务内的特有隐式信息。另一方面,为了减少高层序列关联信息的损失,创新地设计了个性化序列知识传递模块:首先,在该模块的特定任务塔网络层挖掘各个任务内部的序列交互信息;接着,在该模块的序列知识传递网络层考虑上一个任务对下一个任务的影响,避免数据稀疏导致推荐效果欠佳。最后,将多任务目标联合进行推荐预测。PMSR模型在Ali-CPP、Tenrec两个公开数据集上进行测试,结果表明该模型优于其他先进的基准模型,达到较为突出的推荐性能。

关键词：深度学习序列推荐长短期兴趣时间感知的短期注意力网络多任务推荐

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：