收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于异质信息网络融合属性和文本信息的推荐算法研究

韩霄天  
【摘要】:推荐系统在过去几年中得到了很好的研究。作为推荐系统中的典型代表协同过滤算法已广泛用于根据用户的历史购买行为或对商品评分为用户推荐商品。然而,当用户和商品之间的交互信息不足时,协同过滤算法通常会给出较低精度的推荐。作为协同过滤算法的代表,隐向量模型主要利用用户和商品之间的评分信息,尽管最近有些模型可以使用一些辅助信息(例如,社交网络,异质信息),但是现有推荐的隐向量模型通常只利用用户和商品之间的历史交互信息而不区分用户和商品的不同方面的信息。然而,在丰富的社交媒体和电商交易中,用户和商品的隐向量可能源于不同方面,例如,电影推荐中的用户的隐向量可能来自电影类型或导演,所以推荐系统广泛存在的异质信息可以被用来提升推荐系统的效果。针对推荐场景中广泛存在的异质信息,本论文提出用户和商品的方面层级的隐向量,并提出方面层级隐向量的协同过滤算法(Aspect-level Collaborative Filtering,简称ACF)。ACF模型将推荐系统中的丰富对象和对象之间的关系建模为异质信息网络,然后通过元路径提取用户和商品的不同方面的信息。此外,ACF模型还设计了一个深度神经网络用于学习用户和商品的不同的方面层级隐向量并将这些隐向量整合到推荐中。在三个真实数据集的实验表明,与传统的隐向量模型和最近的神经网络模型相比,本论文所提出的ACF模型可以显着改善推荐性能。在传统的推荐算法中,用户和商品之间普遍存在交互信息不足的问题即冷启动问题,为了解决冷启动问题,我们常常可以利用用户和商品交互的多视图数据,例如推荐系统中的用户对商品的评论文本。结构信息(即,评分交互信息)和文本信息(即评论)广泛存在于电子商务平台中,这两种信息构成了推荐系统中数据的两个典型视图。针对推荐系统中的多视图数据,本论文提出了利用深度模型对结构信息和文本信息进行表示学习的算法(Representation Learning with Depth and Breadth,简称RLDB),以有效地从这两种不同视图的数据中提取不同的表示。本论文首先提出了一种新的基于元路径的异质信息网络表示学习方法来处理用户和商品的结构信息,并使用卷积神经网络来处理文本信息。最后,提出了一种端到端的广度学习方法,通过采用多视图机将结构表示和文本表示有效地结合在一起并且在统一框架下共同优化了两种视图数据的特征表示,避免了首先提取特征然后融合它们的两阶段方法的两阶段优化方法。在三个真实数据集进行的大量实验证明了RLDB模型的有效性。这些实验不仅说明了RLDB模型在显著改善性能方面的优势,而且还显示了其在缓解冷启动问题方面的潜力。


知网文化
【相似文献】
中国期刊全文数据库 前14条
1 张艳红;谌颃;;基于标签的自助教育资源推荐算法研究[J];现代信息科技;2019年12期
2 俞伟;徐德华;;推荐算法概述与展望[J];科技与创新;2019年04期
3 张世东;;推荐算法概述[J];科技传播;2019年04期
4 陈军;谢卫红;陈扬森;;国内外大数据推荐算法领域前沿动态研究[J];中国科技论坛;2018年01期
5 向洋乐;;大数据背景下互联网购物推荐算法应用研究[J];中国战略新兴产业;2018年04期
6 喻国明;刘钰菡;王畅颖;王丹敏;;推荐算法:信息推送的王者品性与进阶重点[J];山东社会科学;2018年03期
7 刘顺程;岳思颖;钟瑞敏;;基于拉普拉斯噪声的轻型推荐算法[J];中国战略新兴产业;2018年20期
8 刘涛;刘佐;;一种面向新文章的个性化推荐算法研究[J];控制工程;2018年06期
9 汪海鹏;郑扬飞;;基于特征值的律师推荐算法及改进方案[J];计算机与现代化;2018年10期
10 李圣秋;吴伟明;谷勇浩;;一种结合评分时间特性的协同过滤推荐算法[J];软件;2016年11期
11 谢桂林;詹志强;李凯;;基于聚类的因子分解机推荐算法研究[J];软件;2016年10期
12 彭慧洁;;移动网络环境下个性化信息推荐算法研究[J];电子商务;2016年12期
13 傅汉霖;顾小宇;;图书推荐算法综述[J];计算机时代;2016年12期
14 郭晓慧;;基于层次分析的个性化推荐算法[J];长春工业大学学报;2016年06期
中国重要会议论文全文数据库 前10条
1 米传民;彭鹏;单晓菲;马静;;考虑显式评分的基于二部图的推荐算法[A];第十七届中国管理科学学术年会论文集[C];2015年
2 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集(技术报告篇)[C];2004年
3 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集(技术报告篇)[C];2007年
4 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年
5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文(摘要)汇集[C];2009年
6 梁莘燊;刘莹;;基于效能的学术资源推荐算法研究[A];第六届(2011)中国管理学年会——信息管理分会场论文集[C];2011年
7 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年
8 周玉妮;郑会颂;;基于浏览路径选择的蚁群推荐算法:用于移动商务个性化推荐系统[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年
9 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集(一)[C];2008年
10 高琪;辛乐;;基于用户偏好度模型和情感计算的产品推荐算法[A];第二十九届中国控制会议论文集[C];2010年
中国博士学位论文全文数据库 前10条
1 赵震宇;基于深度学习和海云协同的推荐方法研究[D];中国科学技术大学;2019年
2 丁永刚;融合多指标评分与多源文本的推荐算法研究[D];武汉大学;2018年
3 耿冰蕊;基于多目标优化的个性化推荐算法研究[D];西安电子科技大学;2018年
4 李文俊;时间感知的推荐算法研究[D];电子科技大学;2017年
5 伊华伟;基于可疑用户度量的鲁棒推荐方法研究[D];燕山大学;2016年
6 冯浩源;动态用户兴趣模型构建及推荐算法研究[D];天津大学;2017年
7 陈玲姣;基于社交网络个体行为特征的信息推荐算法研究[D];电子科技大学;2018年
8 杨雷;基于机器学习的个性化推荐算法研究[D];哈尔滨工程大学;2017年
9 李慧;社会网络环境下的个性化推荐算法研究[D];中国矿业大学;2016年
10 许鹏远;多因素综合框架的协同过滤推荐算法[D];大连理工大学;2017年
中国硕士学位论文全文数据库 前10条
1 卞思文;“辅导员助手”系统的设计与开发[D];沈阳建筑大学;2017年
2 王雪;基于概率模型和反馈机制的群组推荐算法研究[D];沈阳建筑大学;2017年
3 马亚君;基于LDA-LR推荐算法在个性化新闻推荐系统中的应用[D];天津理工大学;2019年
4 张虎;面向新用户需求的汽车个性化推荐[D];河北经贸大学;2019年
5 程晓娜;基于隐式反馈的个性化推荐算法研究[D];浙江大学;2019年
6 张鹏程;推荐算法自动选择框架的研究与实现[D];沈阳师范大学;2019年
7 张逸宁;面向移动通信网络的机会性内容推荐算法研究[D];厦门大学;2017年
8 刘璐;推荐算法中冷启动问题的研究与实现[D];北京邮电大学;2019年
9 赵斌;基于微信的网课平台的研究与应用[D];北京邮电大学;2019年
10 徐悦;基于网络表示学习的推荐算法研究与实现[D];北京邮电大学;2019年
中国重要报纸全文数据库 前10条
1 建行上海市分行 王慧;试析商业银行“协同过滤推荐算法”[N];上海金融报;2017年
2 记者 王李科;四川首个人工智能政策引擎在双流区正式上线[N];成都日报;2017年
3 记者 王夕;网络也会“读心术”[N];北京科技报;2011年
4 中国青年报·中青在线记者 杜园春 实习生 高卿雯;大数据为新生寻找志同道合舍友[N];中国青年报;2018年
5 林芮;当心“过滤泡泡”主宰了你[N];人民日报;2016年
6 本报记者 程墨 特约通讯员 杨保华;武汉理工“冒”出数十个百万身家大学生[N];中国教育报;2015年
7 张昊;Goodreads,与敌人睡觉[N];经济观察报;2013年
8 约瑟夫·A·孔斯坦 约翰·李德 美国明尼苏达大学的计算机科学教授;购物网站“猜你喜欢”背后的商业法则[N];消费日报;2015年
9 吕晓勋;你在读书,谁在读你?[N];人民日报;2016年
10 本报记者 杨晓音;Netflix:一场数据逆袭战[N];中国经营报;2013年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978