8篇关于基于会话的推荐系统的计算机毕业论文

今天分享的是关于基于会话的推荐系统的8篇计算机毕业论文范文, 如果你的论文涉及到基于会话的推荐系统等主题,本文能够帮助到你

基于深度学习的会话序列型推荐方法研究

这是一篇关于推荐系统,基于会话的推荐系统,循环神经网络,注意力机制的论文, 主要内容为随着在线信息量的不断增加,推荐系统已经发展成为帮助用户快速地选择高价值信息的基本工具,并在现实商业中发挥着重要作用。基于会话的推荐系统仅仅根据用户在短期会话期间点击的物品数据来提供精准地预测。大多数传统的推荐方法只能根据用户在会话中的最近一次点击的物品进行预测,而忽略了用户在会话期间点击的物品信息。最近,循环神经网络模型被提出用于基于会话的推荐任务,可以根据用户在会话期间点击的物品进行预测。尽管目前基于会话的推荐算法相对于传统的推荐方法在表示用户在会话期间点击的物品信息方面有了很大地改进,但现有的研究工作仍面临以下问题:1)基于会话的推荐主要根据用户在会话期间点击的物品信息进行预测,无法表示用户在会话期间点击的物品之间的联系。2)用户偏好在不同时刻可能动态发生变化,从而无法确定用户在会话期间点击的物品对于推荐下一个物品的影响程度。为了解决上述存在的问题,本文结合双向GRU神经网络和注意力机制提出了基于会话的推荐模型——Bi GRUAA-Rec(Recommendation Model Based on Bi-directional GRU And Attention)。Bi GRUAA-Rec中,首先通过Embedding层提取用户在会话期间点击的物品特征,然后使用双向GRU神经网络模型表示用户在会话期间点击的物品之间的关系,以及应用注意力机制进一步捕获用户在会话期间点击的物品对于推荐用户感兴趣的物品的影响程度,最后在推荐模型输出层使用双线性相似度计算方案来有效地减少模型训练的参数并且显著地提高推荐模型的性能。论文采用YOOCHOOSE数据集将提出的推荐模型与其他推荐算法进行了实验对比与分析。实验结果显示了本文提出的模型在Recall@20和MRR@20两个评估指标上分别达到了66.69%和31.13%,相较于“Improved GRU-Rec”推荐模型分别提高了3.84%和3.64%。实验分析表明了对于长会话数据集本文提出的模型在Recall@20和MRR@20两个评估指标上分别达到了65.17%和27.38%,相较于“Improved GRU-Rec”推荐模型分别提高了4.05%、3.09%。从而通过实验结果和实验分析说明了本文提出的推荐模型优势。

基于注意力机制的推荐算法研究

这是一篇关于推荐系统,基于会话的推荐系统,深度学习,注意力机制,图神经网络的论文, 主要内容为随着信息技术的蓬勃发展和大数据时代的到来,各行各业迎来了信息化的革新,人们的生活也因此得到了极大的便利。现如今,储存在各类网站中的数据量呈爆炸式增长,但如何在海量的信息中寻找到需要的那部分却成为了困扰用户的一大问题。因此,推荐系统作为一种有效的信息过滤手段应运而生。近年来,推荐系统受到了广泛研究,其中基于图神经网络的推荐模型是近年的研究热点,但现有的模型仍存在着一些不足之处。首先,现有的基于图神经网络的推荐模型在信息传递的过程中往往直接将所有邻居的信息进行传递,而没有筛选出对当前节点更为重要的信息,进而导致学习得到的用户和物品嵌入向量不能够很好的表达用户兴趣和物品属性。其次,在会话推荐中,现有的模型通常把一个物品看作一个整体处理,没有对特征粒度的深度信息进行挖掘和建模;同时,现有的会话推荐模型往往只在单一的空间内使用注意力机制,导致对会话序列建模不充分。本文开展了深入的研究工作,提出了相应的新的推荐模型以解决以上提到的不足,并在相关的真实数据集上进行了实验以验证本文所提出推荐模型的有效性。本文的主要研究工作如下:1.调研图神经网络、卷积神经网络、注意力机制等相关领域科研文献,深入研究了现有的推荐模型,分析并总结了现有研究中存在的问题与待改进之处。2.为了解决现有的基于图神经网络的推荐模型中的信息传递算法通常把当前用户或物品的所有邻居同等对待,而没有筛选出其中更加重要的信息进行传递的问题,本文提出了一种新的基于图注意力的信息传递算法——GAMP。GAMP算法使用注意力机制对当前用户或物品的邻居进行区别对待,关注于对当前任务更为重要的信息,从而更好地学习用户和物品的嵌入向量表示。3.基于图神经网络与GAMP算法,提出了一种新的基于图注意力的深度推荐模型——GADN。该模型通过显式地对高阶用户-物品关系进行建模,使用GAMP算法学习了用户和物品的高阶嵌入向量表示,从而有效地对用户的偏好信息和物品的属性信息进行建模,进而提高了模型的推荐准确率。4.针对现有研究中对会话深度特征学习能力不足的问题,将卷积神经网络引入至会话推荐中,提出了横纵卷积模块。通过将用户最近点击的物品嵌入序列拼接成为矩阵的方式,使用横向卷积核与纵向卷积核分别捕获会话中相邻物品间的深度特征与特征粒度的物品与物品间关系的深度特征,从而增强了模型的表达能力。并进一步结合门控图神经网络与多头注意力机制,提出了一种多头注意力卷积图神经网络会话推荐模型——MACG,提高了会话推荐的推荐准确率。5.本文提出的推荐模型与多种先进的推荐模型在多个公开数据集上进行了对比实验并对实验结果加以分析,验证了本文提出的推荐模型的有效性。

会话型推荐系统的排序框架

这是一篇关于基于会话的推荐系统,推荐系统,排序,深度学习,机器学习的论文, 主要内容为推荐系统是大数据时代背景下不可或缺的应用之一。在现今的大数据时代,信息过载已成为一种常态现象,而推荐系统能够帮助用户从海量信息中更加快速地找到他们所感兴趣的内容。在常用的推荐系统算法中,往往需要将用户所有的信息(如用户的身份信息,历史交互信息等)都加以利用来生成个性化服务。但在很多实际场景中,是无法获取用户所有的信息,比如说用户是匿名的;此时用户身份信息以及历史交互信息无法获取,传统的推荐算法将无法使用,因此会话型推荐系统应运而生。在会话型推荐任务中,用户是匿名的,只能够通过当前会话中用户的交互行为来为问询用户生成推荐列表。当前流行的会话型推荐方法主要对当前会话用户的交互序列进行建模,在生成会话的嵌入表征后和所有项目的嵌入表征进行相似值计算,最后根据得到的相似值从所有项目集中挑选6)个项目生成推荐列表。但这种方式其实存在缺陷——模型需要对所有项目进行精准地评分并且依据评分来对所有项目进行排序,而在实际应用中项目数量往往十分庞大,模型的准确性需要更大的模型复杂度来保证;但过大的模型复杂度在真实场景中是难以实现或者是不能容忍的,因此现有的方法在实际运用中效果将大打折扣。为了进一步提升推荐效果,本文将会话型推荐的流程分为两个阶段——召回和排序;召回阶段可以通过现有方法从所有项目集中挑选一定数量的项目作为候选项目集;排序阶段则是通过设计的排序框架对候选项目集进行重新的排序后挑选6)个项目生成最终的推荐列表。本文为排序阶段设计了三种有效改善推荐效果的排序框架——深度学习排序框架、机器学习排序框架以及混合型排序框架。在深度学习排序框架中,本文采用深度学习的方法设计合适的神经网络模型进行排序建模,排序模型的评分将和召回模型的评分分别经过会话内归一化处理后进行加权求和得到最终评分,并依此生成推荐列表。我们通过实验证明了深度学习排序框架的有效性,同时通过实验探索了会话序列截断长度的影响。在机器学习排序框架中,本文采用机器学习的方法进行排序建模——通过构建特征工程并输入梯度提升树模型。在机器学习排序框架中,推荐列表生成方式和深度学习排序框架一致。我们同样通过实验证明了机器学习排序框架的有效性;同时通过消融实验验证了特征工程中设计的图特征的有效性。在混合型排序框架中,本文同时引入深度学习和机器学习的方式进行排序建模,即在混合型排序框架中将存在两个排序模型为候选项目进行评分,两个排序模型的评分和召回模型的评分在分别经过会话内归一化处理后进行加权求和得到最终评分,并依此生成推荐列表。实验结果表明混合型排序框架有着优于深度学习和机器学习排序框架的推荐效果,同时我们通过实验对混合型排序框架的可扩展性、结构设计的有效性以及召回数量的影响进行了探索。

基于图和深度神经网络的会话推荐算法设计与实现

这是一篇关于基于会话的推荐系统,用户兴趣建模,注意力机制,图表示学习的论文, 主要内容为基于会话的推荐系统作为一种有效的技术手段可以帮助用户发现与其当前会话中兴趣相关的物品。与传统推荐系统相比,会话推荐由于能够仅根据在进行的会话期间观察到的用户行为来进行推荐而具有高度实用性,受到研究者的广泛关注。当前研究主要将基于会话的推荐任务建模为根据现有点击序列数据预测用户的下一次点击问题,主要采用基于深度神经网络和表示学习的方法,利用会话中的物品点击序列提取与用户兴趣相关的特征,生成用户最可能点击物品的推荐列表。本论文对现有主流相关工作进行分析归纳发现,当前主流会话推荐方法存在一些问题:第一,会话中的用户兴趣具有多样且多变的特点,导致当前主流的神经网络模型对用户兴趣及变化建模不足,影响推荐准确性;第二,当前研究工作聚焦于如何有效建模会话中的用户行为特征和设计更准确的用户兴趣捕获方法,忽略了物品表达向量蕴含的信息对模型的影响,缺乏对物品本身信息和物品间复杂关联关系的利用,制约了会话推荐算法性能的进一步提高。针对上述问题,本文以用户匿名的会话推荐任务为研究对象,并分别提出两个会话推荐算法。首先,针对现实生活中人类浏览行为的特点,提出一个短期注意力及记忆优先的会话推荐算法,在推荐时优先考虑会话中用户的当前兴趣,同时设计了一种注意力机制以有效同时捕获会话中与用户长期兴趣和当前兴趣相关的特征,缓解了当前会话推荐算法难以处理的用户兴趣漂移等问题对推荐准确性的影响。同时,总结当前基于深度神经网络的会话推荐算法使用随机初始化的物品表达的缺陷,创新性的根据全部会话数据构造一个物品访问频率和顺序关系图,据此设计了一个基于图的物品表示学习方法,通过简洁高效的语义合成方式学习物品在全局层面的热门程度和物品间丰富的复杂关联信息。最后,将从图中预先学习的物品固定向量表达作为推荐模型的输入,提出一种基于图表示学习的会话推荐算法。该算法引入全局层面的物品本身受关注度和物品间复杂关联信息,同时在建模会话序列时还融合了包含会话整体特点的用户长期行为和包含用户初始兴趣与当前兴趣的短期行为信息,以此提高会话推荐算法整体性能。在三个真实公开数据集上的一系列实验结果表明,所提出的会话推荐算法整体性能均达到当前先进水平,另外,将学到的物品固定表达作为推荐模型的输入,能有效提高会话推荐算法在真实场景下的适应能力,也为会话推荐研究提供给了新的思路和建模方式。

基于注意力机制的推荐算法研究

基于异构图神经网络的电商商品会话推荐系统的设计与实现

这是一篇关于基于会话的推荐系统,异构图神经网络,注意力机制,电子商务的论文, 主要内容为在大数据时代,海量的数据信息给用户造成了严重的“信息超载”问题,推荐系统是克服这个问题的主要方法之一。在电商领域,推荐系统通过挖掘用户与商品的历史交互行为捕捉用户兴趣偏好,为用户推荐其感兴趣的商品,并给电商平台创造更大的利润和价值。相对于传统的推荐方法只关注用户的长期静态偏好,基于会话的推荐方法将用户行为记录分解成粒度更小的会话,能够考虑用户行为的事务结构,并及时捕捉用户兴趣偏好的转变,从而为用户展示更加可靠的商品推荐结果。但是,以往基于会话的推荐方法的研究往往只关注会话数据集中商品间的顺序关系和转换关系,忽略了其它重要信息。因此本文提出了基于异构图神经网络的会话推荐算法,该算法将会话数据集构建成包含用户、商品、会话三种类型节点的异构图,使用异构图神经网络捕捉节点间复杂的依赖关系,并结合注意力机制强调当前会话的主要目的。为验证模型的性能,本文在两个开源的数据集上与目前比较流行的推荐方法进行比较。同时,本文设计并实现了一款前后端分离的电商商品推荐系统。与传统推荐系统不同的是,本系统以会话作为基本数据单元,并将基于异构图神经网络的会话推荐算法应用于该系统的推荐引擎,为用户提供基于当前会话的推荐服务。本系统的前端是基于Android技术开发的移动应用,后端采用Flask框架搭建Web服务,完成了用户管理、商品管理、会话管理、商品推荐以及可视化分析功能模块的开发。

基于会话兴趣度和位置时间感知的多样化会话推荐

这是一篇关于基于会话的推荐系统,位置感知推荐,时间相关性,多样性,新闻推荐的论文, 主要内容为随着科技的飞速进步,网络资源以惊人的速度进入了人们的生活。尽管互联网极大地方便了用户访问感兴趣的资源,但同时也带来了信息过载的问题。而推荐系统能够有效应对这一问题,帮助用户从海量的信息中筛选出感兴趣的内容,有效提高了用户的信息获取效率和体验。在推荐系统的研究中,大部分的工作都集中在依靠长期偏好模型为用户提供推荐的技术上。但是在推荐系统应用的多个领域中,用户通常是匿名的,用户的个人资料和长期互动历史记录都难以获取。在这种情况下,基于会话的推荐系统(SBRS)悄然兴起。SBRS通常利用基于神经网络或者邻域的方法对会话中的历史交互序列进行建模,以捕获会话的兴趣进行推荐。本文针对基于会话的推荐方法进行了相关研究,主要包括以下几个部分:(1)针对现有基于邻域的会话推荐方法忽略了整个会话的一般偏好、当前偏好,以及匿名用户误点行为的问题,提出了一种基于邻域和位置时间感知的会话推荐方法(NPTAS)。提出的NPTAS方法考虑了三个因素,分别是项目在当前会话中的持续时间及位置、会话之间的时间相关性和邻居会话中候选项目的持续时间及位置。在两个公共新闻数据集上,将提出的NPTAS方法与基准方法进行实验比较。实验结果表明,提出的NPTAS方法具有更好的推荐准确性。(2)对NPTAS方法进行改进,将其与多样性场景和会话的多样化兴趣相结合,提出了一种基于会话兴趣度的多样化会话推荐方法(DSSID),解决了NPTAS方法存在的过滤气泡问题。通过将DSSID方法和NPTAS方法以及其它多样化的基准方法进行对比实验,实验分析表明,提出的DSSID方法不仅能在NPTAS方法的基础上提升推荐列表的多样性,而且在准确性和多样性指标上均优于其它多样化的基准方法。(3)在提出的推荐方法基础上设计和实现了一个基于Web的个性化和多样化新闻推荐系统。系统由前端展示层、后端逻辑层、算法实现层和数据层四个部分组成。在算法实现层中,利用NPTAS方法进行用户的个性化推荐,利用DSSID方法进行用户的多样化推荐。最后使用Flask、Vue、Redis、Mysql和Python实现了该系统。