基于图卷积网络的视频推荐模型研究与实现
这是一篇关于图卷积网络,视频推荐,多模态融合,自监督图学习,多兴趣,多样性的论文, 主要内容为随着短视频分享平台的飞速发展,为用户从海量的视频中提供个性化视频推荐服务越来越重要。视频分享平台上的数据多元而全面,不但蕴藏了大量的用户历史行为数据,且视频本身具有多模态信息。然而由于视频的不同模态信息间具有“语义鸿沟”的特殊性,因此现有的推荐方式在运用到更丰富的多模态信息为用户兴趣建模时,往往无法在用户对视频的模态偏好中细粒度地衡量用户对视频的喜好。此外,不少研究者也致力于研究个性化推荐中的精确度,但忽略了推荐的多样性化需求,以较全面的方式评价推荐结果的质量。论文主要研究基于图卷积网络(Graph Convolutional Networks,GCN)的视频推荐方法,主要研究内容如下:(1)针对现有的视频推荐方法只是对多模态特征简单融合,以及现有基于GCN的推荐方法中,在学习用户与视频节点的嵌入表示存在节点噪音干扰问题,设计了一种基于自监督图学习的多模态融合的视频推荐模型。论文提出使用自监督图对比学习的方法,在图卷积网络模型中学习用户和视频的多模态特征表示,最后使用设计的多模态融合“专家”(特指具体的模态名称)模块对多模态特征进行融合。在Movie Lnes-1M多模态电影数据集和Tik Tok的多模态视频数据集进行实验,对比现有模型的方法,实验结果表明在准确率、召回率和NDCG(Normalize Discounted Cumulative Gain)指标上均有显著的提升。(2)针对现有视频推荐方法中只是单一地建模用户对视频的交互关系,而忽略用户具有不同兴趣偏好的问题,以及只采用一般的推荐排序指标评估推荐模型的性能的不足问题,提出了一种基于用户多兴趣的多样性视频推荐模型。本文在自监督图对比学习的视频推荐研究内容基础上,根据用户历史行为序列构建了用户多兴趣推荐模型,设计多兴趣提取模块在多模态视图下提取了用户多兴趣表示。最后在Movie Lens-1M、Tik Tok和Amazon数据集上实验,采用准确性、召回率、NDCG和多样性等指标评估模型,实验结果表明了本文方法的有效性。(3)设计并实现了一个基于图卷积网络的视频推荐系统。基于以上视频推荐模型的研究与实现,本文采用python的Django后端框架和Vue前端框架实现前后端分离的视频推荐系统。该系统包含用户管理、视频管理、推荐搜索和用户互动等功能模块。其中,将以上研究的推荐模型部署在系统中,实现了视频推荐功能,为用户推荐感兴趣和多样的视频列表。
基于深度学习的推荐算法研究与应用
这是一篇关于推荐系统,深度学习,推荐偏见,时间衰减,多样性的论文, 主要内容为随着互联网的迅猛发展,改变了人们的生活和工作方式。互联网使用者大幅度增长,随之而来的则是大数据时代,互联网中信息数量呈指数级增长,进而带来严重的信息过载问题。推荐系统作为有效地解决信息过载的方案,自诞生之日起,就得到充分的重视,连续不断地发展。推荐系统可以在较短时间内为用户推荐感兴趣的物品,节约用户的时间与精力,还可以挖掘用户潜在的兴趣。目前存在的各种问题,也就导致了传统的推荐方式再难为用户进行准确的推荐。而目前随着技术的不断发展,算力大幅提升,深度学习得到了很大的发展。本文通过结合深度学习与推荐算法,做了如下工作:1.针对系统中的推荐偏见问题,对用户群体进行划分,通过利用评论文本,将用户评论与物品评论通过自编码器重构,并通过卷积与注意力机制,完成对用户的评分预测计算。在Amazon数据集与豆瓣数据集上进行测试,结果显示,本文提出的推荐算法在没有损害大部分用户的体验情况下,对系统中非主流用户实现了更加公平的推荐。同时,通过注意力层,还对推荐结果进行了解释,捕获语义信息,做到了可解释推荐。2.针对系统推荐单一的问题,本文基于神经矩阵分解模型,融合时间衰减函数,并通过平衡权重对推荐列表进行重排序,提出推荐多样性模型,融合多层感知机与GMF算法进行了多样性的分析计算。用多个数据集测试,结果表明,准确度在下降4%左右的情况下,多样性获得了10%以上的提升,保证了推荐准确度的同时,更能获得用户的满意度。3.设计一个推荐系统,以前文模型为基础,并结合各类算法推荐,实现离线与实时双推荐,满足各种类型的用户的推荐,并对其进行功能与性能测试。
用户画像构建与社群推荐技术研究
这是一篇关于用户画像,社群推荐,知识图谱,多样性的论文, 主要内容为随着移动互联网智能应用的发展和普及,从海量的新闻资讯中推荐符合用户兴趣的新闻能有效提升人类信息获取的效率。让每一个用户在海量新闻中快速获得有效多样并达到满足用户兴趣的新闻是新闻推荐的主要任务。新闻推荐作为自然语言处理的一个重要应用领域,已经成为工业界和学术界的研究热点。研究新闻推荐对工业界解决实际问题有较大的现实意义,对降低人们的阅读成本以及提高人们的阅读量具有重要的实际价值,对推荐任务中其他领域推荐技术也有一定的借鉴和促进作用。因此新闻推荐研究已经成为推荐领域中一项非常重要的研究工作。本文通过分析新闻文本的特点,针对现有个性化新闻推荐领域中推荐模型可解释性差、待推荐数据量大、推荐结果多样化程度低和用户兴趣表示不准确等问题,提出了一种基于标签表示的用户画像和社群推荐方法。(1)针对推荐模型可解释性差的问题,本文基于现有新闻表示方法结合新闻撰写的特点,设计了新闻标签抽取的改进算法,并对不同类别新闻标签提出了优化方法,基于标签表示的新闻推荐对推荐结果可产生直观的解释;(2)针对新闻数据量大和冷启动的问题,本文提出了社群推荐方法的研究,基于“人以群分”的思想,利用知识图谱的表示结构对用户进行表示聚类生成社群,再基于社群画像对用户进行有效的推荐结果计算,基于社群推荐的方式削弱了推荐系统中的冷启动问题;(3)针对新闻推荐结果多样性低的问题,本文在用户画像构建阶段提出了二级用户画像结构,对用户的兴趣标签进行了聚类,并基于兴趣标签主题占比对用户推荐结果进行计算输出,实验结果表明二级用户画像层级结构相比一级用户画像结构对新闻推荐结果的多样性有提升作用;(4)针对新闻推荐系统中用户兴趣的准确表示问题,本文提出了用户画像的更新衰减策略,基于标签的表示形式,统计不同类别新闻的衰减周期,设计用户兴趣衰减公式,使得画像随着用户兴趣的转移而实时更新,实验结果表明用户画像的更新和衰减能够表示出用户兴趣的动态变化且一定程度上提升了推荐结果的准确性。本文实验采用真实用户的在线新闻浏览数据,提出的新闻标签化方法相比于原公司平台新闻标签化工具,在同等条件的人工评价方式下准确率提高了34.9%;用户画像模块主要就用户画像的构建、衰减和更新方案与参数选取等方面展开了实验验证。基于用户画像的社群推荐实验主要包含基于P、R和1F值的计算评估与人工评估两种评估方式,通过两种联合的评估方式和对比实验,实验结果表明,本文提出的用户画像结构和社群推荐方法在新闻推荐任务中具有较高的准确率和多样性。
病毒蛋白酶多样性分析及其切割位点预测
这是一篇关于冠状病毒,病毒蛋白酶,多样性,切割位点,机器学习的论文, 主要内容为病毒蛋白酶通过加工病毒多聚蛋白释放独立的病毒功能蛋白,在病毒的生命周期中发挥重要作用。此外,病毒蛋白酶还可以通过切割宿主蛋白影响宿主的免疫反应。因此对病毒蛋白酶展开研究将有助于深入了解病毒蛋白酶的潜在宿主蛋白底物和病毒的相关致病机制。然而,目前探究病毒蛋白酶底物的实验方法效率较低,仍然缺乏快速有效鉴定病毒蛋白酶切割位点的工具。本论文对病毒蛋白酶的多样性展开分析,并以冠状病毒3CL蛋白酶为例建立了病毒蛋白酶切割位点的预测模型,主要工作如下:(1)系统阐明了病毒蛋白酶的多样性。基于MEROPS数据库的蛋白酶分类系统,得到了56个病毒科的蛋白酶分布图谱,发现这些病毒科的病毒蛋白酶更多的分布在半胱氨酸蛋白酶家族和丝氨酸蛋白酶家族中。通过对不同宿主类型病毒的蛋白酶进行分析,发现不同宿主类型的病毒其蛋白酶分布的蛋白酶家族有明显差异,其中人类病毒的蛋白酶更多的分布在半胱氨酸蛋白酶家族中。因此,我们进一步研究了五个常见病毒科中的半胱氨酸蛋白酶及其切割位点多样性,发现每个病毒科中的半胱氨酸蛋白酶切割位点附近的氨基酸高度保守,这表明病毒蛋白酶对底物蛋白的识别和切割存在着氨基酸偏好性;同时我们发现不同病毒科的半胱氨酸蛋白酶切割位点具有明显的差异,表明它们的切割位点具有很强的特异性。(2)以冠状病毒3CL蛋白酶为例建立了病毒蛋白酶切割位点预测模型。目前尚缺乏快速有效的工具来确定病毒蛋白酶的切割位点。上述病毒蛋白酶多样性分析表明,不同病毒科的蛋白酶切割位点具有很强的特异性,因此我们以冠状病毒3CL蛋白酶为例建立了病毒蛋白酶切割位点预测模型。通过对冠状病毒3CL蛋白酶切割位点的多样性进行分析,发现3CL蛋白酶切割位点附近的氨基酸在Alphacoronavirus属、Betacoronavirus属和Gammacoronavirus属中均高度保守,其中切割位点上游的P1位置是高度保守的谷氨酰胺Q,P2位置偏好疏水氨基酸L、V和M,P4位置偏好氨基酸T、V、P、A和S,切割位点下游的P1’位置中氨基酸S、A、G和N最为保守。基于该发现,我们使用氨基酸指数(AAindex)来表示冠状病毒3CL蛋白酶切割位点附近的氨基酸,并建立随机森林(Random-Forest,简称RF)模型预测冠状病毒3CL蛋白酶的切割位点,该RF模型在交叉验证中的AUC值达到了0.96。随后我们从文献中收集整理了一个来自多种冠状病毒宿主(包括人类、小鼠、家猫和猪)的独立测试集,该测试集包括了105个经过实验验证的冠状病毒3CL蛋白酶在宿主蛋白中的切割位点。RF模型在宿主蛋白测试集上的AUC值达到了0.95,并正确预测了其中80%的切割位点。我们将RF模型与现有的预测工具Net Corona在测试集上进行比较,RF模型的各项性能均优于Net Corona。最后我们将上述RF模型开发为在线服务器3CLP,用于对冠状病毒3CL蛋白酶的切割位点进行预测。基于3CLP,我们预测出1352种人类蛋白质中1511个冠状病毒3CL蛋白酶的潜在切割位点。这些人类蛋白质底物主要富集到与细胞骨架相关的功能,例如微管、肌动蛋白和微管蛋白。总的来说,本论文首次对病毒蛋白酶的多样性进行了系统分析,并建立了快速确定冠状病毒3CL蛋白酶切割位点的有效工具。本文的研究成果不仅有助于冠状病毒3CL蛋白酶的潜在底物鉴定和冠状病毒致病机制的研究,同时也为其他病毒的蛋白酶切割位点预测提供了参考。
用户画像构建与社群推荐技术研究
这是一篇关于用户画像,社群推荐,知识图谱,多样性的论文, 主要内容为随着移动互联网智能应用的发展和普及,从海量的新闻资讯中推荐符合用户兴趣的新闻能有效提升人类信息获取的效率。让每一个用户在海量新闻中快速获得有效多样并达到满足用户兴趣的新闻是新闻推荐的主要任务。新闻推荐作为自然语言处理的一个重要应用领域,已经成为工业界和学术界的研究热点。研究新闻推荐对工业界解决实际问题有较大的现实意义,对降低人们的阅读成本以及提高人们的阅读量具有重要的实际价值,对推荐任务中其他领域推荐技术也有一定的借鉴和促进作用。因此新闻推荐研究已经成为推荐领域中一项非常重要的研究工作。本文通过分析新闻文本的特点,针对现有个性化新闻推荐领域中推荐模型可解释性差、待推荐数据量大、推荐结果多样化程度低和用户兴趣表示不准确等问题,提出了一种基于标签表示的用户画像和社群推荐方法。(1)针对推荐模型可解释性差的问题,本文基于现有新闻表示方法结合新闻撰写的特点,设计了新闻标签抽取的改进算法,并对不同类别新闻标签提出了优化方法,基于标签表示的新闻推荐对推荐结果可产生直观的解释;(2)针对新闻数据量大和冷启动的问题,本文提出了社群推荐方法的研究,基于“人以群分”的思想,利用知识图谱的表示结构对用户进行表示聚类生成社群,再基于社群画像对用户进行有效的推荐结果计算,基于社群推荐的方式削弱了推荐系统中的冷启动问题;(3)针对新闻推荐结果多样性低的问题,本文在用户画像构建阶段提出了二级用户画像结构,对用户的兴趣标签进行了聚类,并基于兴趣标签主题占比对用户推荐结果进行计算输出,实验结果表明二级用户画像层级结构相比一级用户画像结构对新闻推荐结果的多样性有提升作用;(4)针对新闻推荐系统中用户兴趣的准确表示问题,本文提出了用户画像的更新衰减策略,基于标签的表示形式,统计不同类别新闻的衰减周期,设计用户兴趣衰减公式,使得画像随着用户兴趣的转移而实时更新,实验结果表明用户画像的更新和衰减能够表示出用户兴趣的动态变化且一定程度上提升了推荐结果的准确性。本文实验采用真实用户的在线新闻浏览数据,提出的新闻标签化方法相比于原公司平台新闻标签化工具,在同等条件的人工评价方式下准确率提高了34.9%;用户画像模块主要就用户画像的构建、衰减和更新方案与参数选取等方面展开了实验验证。基于用户画像的社群推荐实验主要包含基于P、R和1F值的计算评估与人工评估两种评估方式,通过两种联合的评估方式和对比实验,实验结果表明,本文提出的用户画像结构和社群推荐方法在新闻推荐任务中具有较高的准确率和多样性。
基于二部图网络结构的推荐算法研究
这是一篇关于推荐算法,二部图网络结构,多样性,偏好度,主题情感混合模型的论文, 主要内容为海量数据的产生带来了信息过载的问题。推荐算法能帮助人们从大量数据中发现自己感兴趣的信息,是缓解这一问题的有效方法。推荐多样性是衡量推荐质量的一个重要指标,而众多推荐系统存在只注重提高推荐准确性而忽略推荐多样性的问题。因此,研究出用户满意且多样性好的推荐算法具有重大意义。基于二部图网络结构的推荐算法具有准确性好、不受项目类型限制等优点,被利用在众多推荐系统中,但存在偏向热门推荐而多样性表现不好的问题。本文对该算法领域进行了深入研究,并在多样性方面对基于二部图的随机游走推荐算法加以改进,做了如下工作。首先,针对基于二部图网络结构的推荐算法多样性不足的问题,提出了融合偏好度与二部图网络结构的推荐算法。该算法用偏好度修正用户-项目二部图边的权重,在新的二部图上随机游走得出基于用户-项目的推荐列表;预测用户对标签评分,根据用户喜好标签提取间接关联项目得到基于用户-标签的推荐列表;将前面两个不同方法得到的列表进行模型融合得到最终推荐列表。本算法利用偏好度修正评分降低热门项目的推荐概率和提高冷门项目的推荐概率,再充分利用标签数据,从不同维度进行推荐,得到符合用户个性化兴趣且多样性好的项目推荐列表。在MovieLens数据集上进行实验,实验证明,本算法在不损失准确率和召回率的前提下有效提高了推荐的多样性。其次,针对网络中很多推荐系统包含评论数据且评论数据含有很多有用信息的情况,利用评论数据改进了上述融合偏好度与二部图网络结构的推荐算法,提出了融合评论主题与二部图网络结构的推荐算法。该算法使用主题情感混合模型挖掘用户-项目-情感主题概率分布与项目特征主题;利用主题评分模型计算用户对主题的评分从而找出用户喜好主题,通过这些主题得到基于用户-主题的推荐列表;将基于用户-项目的推荐列表与基于用户-主题的推荐列表模型融合得出最终推荐列表。在豆瓣电影评论数据集上进行实验,实验表明,本算法在准确率、召回率和多样性上均有所提高。
基于多目标优化的社交推荐算法
这是一篇关于多目标优化,推荐算法,项目评估,社交网络,多样性的论文, 主要内容为社交网络如今成为了人们生活中必不可少的交流工具。在社交网络中,每天都有大量的用户和资源等信息产生,面临着大量的社交网络资源信息,推荐算法顺其自然的成为用户高效获取有用信息资源的重要手段。一个好的推荐算法可以快速准确的为用户推荐各种有用信息资源,然而,当前许多传统的推荐算法为了提高推荐准确度而忽视了可能存在的一些诸如冷启动、数据稀疏、单一评价指标等问题。本文主要是针对上述问题而开展研究。对于冷启动和数据稀疏问题,将结合用户与资源提供者的信任关系、用户对资源领域的倾向和资源本身的声誉,设计了一种项目等级评估模型(CTDR模型)来解决此类问题。对于单一评价指标问题,尽管目前许多研究者提出了多样性、新颖性等一些非准确度指标,并利用多目标优化算法来平衡准确度和多样性指标之间的关系,但他们并没有考虑社交网络中资源的实际属性情况,多目标优化算法也没有将推荐系统的用户行为习惯考虑进来,为此,本文提出了一种主题多样性指标,并且设计一种结合推荐系统中用户习惯的概率多目标优化算法(PMOEA)。实验结果表明,本文提出的综合项目等级评估模型(CTDR模型)和基于概率的多目标优化算法(PMOEA)在社交网络推荐算法具有一定的合理性和可信性,确保了推荐效果的准确性、多样性和新颖性之间的平衡,研究工作具有一定创新性和实用性。本文的研究工作主要包括:(1)为解决社交网络中推荐算法的冷启动和数据稀疏问题,提出了一个结合用户与资源提供者的信任关系、用户对资源领域的倾向和资源本身的声誉三方面的项目等级评估模型(CTDR模型)。(2)针对推荐算法存在的单一评价指标问题,提出了一个新颖的结合推荐列表的主题分布、推荐列表中主题数量、项目中主题分布的多样性评估指标,并将其作为多目标优化推荐算法中的多样性目标函数。(3)针对多目标优化问题,根据推荐系统中用户的实际行为习惯,提出了一个基于概率的多目标优化算法(PMOEA)。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设港湾 ，原文地址：https://m.bishedaima.com/lunwen/47229.html
