基于社交行为的用户品牌偏好挖掘算法研究
这是一篇关于兴趣预测,跨域推荐,社交信息,时序行为,排序学习的论文, 主要内容为互联网的到来促进了信息的爆炸性增长,人们从海量信息中定位自己感兴趣的信息变得越来越困难,“信息过载”现象严重。个性化推荐技术通过挖掘海量数据获取用户的偏好,并根据用户的偏好为其推荐相应的内容,有效解决信息过载问题。然而,个性化推荐技术仍然面临着数据稀疏性、用户冷启动等挑战。社交网站为挖掘用户兴趣提供了额外的信息来源,不少研究通过跨域引入用户社交信息的方式解决传统个性化推荐面临的相关问题。然而,大多数研究只考虑了引入用户的个人信息和社交关系信息,却很少考虑到引入同样包含用户兴趣的社交行为信息。同时,跨域引入社交行为信息存在三个方面的挑战:1)社交域和电商域的数据通常来自不同的网站,需要找到领域间的重叠用户,并通过这些用户对齐不同领域的信息。2)不同领域数据的形式不同,从不同领域构建的特征既要能够输入到同一推荐模型中,也要保证原有数据中的信息完整性。3)社交行为和购物行为发生的时间是不同步的,引入时序信息时行为不同步会对挖掘用户时序兴趣产生一定的干扰。为了应对这些挑战,本文提出了一种跨域时序偏好挖掘算法,有效引入时序社交行为信息,缓解用户冷启动、用户兴趣变化等问题,主要贡献如下:1、提出了一种跨域时序偏好挖掘算法。首先改进矩阵分解技术提出了跨域偏好预测模型,构建社交行为特征与商品购买偏好之间的跨域映射关系。然后从时间维度上假设用户在不同时间段的兴趣不同,根据社交、购物行为发生的时间将这些行为划分到不同的时间段内并构建相应的时序特征。最后提出跨域时序偏好预测模型,从用户的时序社交行为中挖掘用户的时序购买偏好,推荐用户感兴趣的商品,解决用户冷启动、用户兴趣变化等问题。2、通过微博开源API获取用户的微博数据,从国内大型电商平台获取用户的购买数据,通过重叠用户连接不同领域的数据构造真实环境下的跨域数据集。然后在该数据集上进行了实验,验证所提出的模型的有效性。3、基于上述提出的跨域时序偏好挖掘算法,进一步提出了一个用于线上环境的基于跨域偏好挖掘的潜在客户挖掘与推荐系统构建方案。该系统方案能够根据用户的社交信息有效解决通过社交账号登录的新用户的偏好预测与推荐问题,同时根据用户社交信息的变化及时更新预测结果,为系统的精准推荐提供保障。本研究验证了所提出的跨域引入用户社交文本行为能够有效提升推荐效果的假设,同时也验证了所提出的跨域时序偏好挖掘算法能够较好的解决用户冷启动、用户兴趣变化等问题,有效提高推荐系统的推荐质量。
融合辅助信息的跨域推荐方法研究与应用
这是一篇关于堆叠降噪自动编码器,非完备正交非负矩阵三分解,辅助信息,跨域推荐,隐式反馈信息的论文, 主要内容为互联网的迅速发展和应用普及为用户获取信息提供了便利,但同时由此造成的信息过载也给用户有效使用信息带来了困扰。推荐技术的快速发展和推荐系统的广泛使用为用户高效获取信息提供了有效保障。然而,传统的单域推荐方法通常面临数据稀疏性和冷启动问题。近年来,由于跨域推荐算法可以利用不同领域的知识来解决这些问题,因此受到了越来越多的关注。虽然现有的跨域推荐算法在许多应用场景下都能取得良好的推荐效果,但是大多数跨域推荐算法仅利用了评分信息,因此在为用户进行推荐时仍然会在一定程度上受到评分矩阵稀疏性的限制。为此,考虑到各种辅助信息在单域推荐中对提升推荐性能的有益性,本文研究了在跨域推荐场景下将评分信息与多种类的辅助信息进行有效结合的方法,以进一步提升跨域推荐的性能。本文的主要工作如下:(1)在对推荐系统的数据稀疏性和冷启动问题进行研究的基础上,借助于单域推荐中融合辅助信息的混合推荐思想,提出了融合内容和隐式反馈信息的跨域推荐算法。首先,扩展传统的堆叠降噪自动编码器,在源域中以联合训练的方式来深度融合评分信息、用户和项目的内容信息以及隐式反馈信息。并借助于CBT模型,设计从源域到目标域的评分迁移模式,通过非完备正交非负矩阵三分解方法来扩展输入信息的规模,以克服现有方法对数据的完备性限制。为此,本文在一定程度上解决了目标域冷启动用户的特征缺失问题,提高了推荐的准确性。(2)为了缓解跨域推荐中多数据源信息融合不充分的问题,本文将矩阵分解模型和特征提取模型Semi-SDAE相结合,提出了一种非完备多源知识迁移的跨域推荐算法。该算法首先在源域和目标域中对两种不同的Semi-SDAE模型进行同步训练,并将Semi-SDAE和矩阵分解相集成,通过在两个域中同时融合多种数据源信息,使提取出的用户和项目潜在特征包含更为丰富的语义信息。同时利用特征转换函数来缓解神经网络特征变换带来的信息损失问题,以克服评分预测和特征提取之间的差异。在此基础上,采用非完备正交非负矩阵三分解方法建立源域和目标域之间的关联。(3)基于上述提出的算法,本文设计并实现了一个融合辅助信息的跨域推荐应用系统。本系统通过将辅助信息融入到跨域推荐算法中进行处理,并与用户评分信息相集成,从而为用户提供电影列表推荐,并且可以有效过滤用户不喜欢内容的推荐。
基于图卷积网络的跨域推荐方法研究
这是一篇关于推荐系统,跨域推荐,图卷积网络的论文, 主要内容为互联网技术、大数据和人工智能等数字技术的迅猛发展深刻地影响了人们的生活。依托于电子商务平台、互联网社区平台和在线流媒体平台,线上购物、阅读、观影等活动已成为人们日常消费的主要渠道。如今,基于互联网技术的数字经济已成为推动全球经济增长的新引擎。因此,作为能够为用户高效的找到感兴趣的物品,从而提高互联网服务平台服务质量、增强平台核心竞争力的个性化推荐具有重要的研究和应用价值。尽管目前针对个性化推荐的研究已取得了一定的进展,但传统的基于协同过滤的推荐算法性能依然受制于普遍存在的数据稀疏性和冷启动问题。因此,将其他平台中的可用知识转移到目标平台,以提高其推荐性能的跨域推荐算法成为解决这些问题的一个新思路,并在近年来受到越来越多的关注。本论文以基于图卷积网络的跨域推荐算法为研究主题,结合实际推荐场景,深入探索跨域推荐中存在的问题。本论文从学习用户在不同域兴趣偏好和用户偏好解耦两个角度出发,充分挖掘数据中的潜在信息,缓解目标域中存在的数据稀疏性问题和用户冷启动问题,并在实际推荐场景中验证了所提出方法的有效性。本文的主要工作和贡献如下:(1)基于双重注意力机制的图卷积跨域推荐算法研究针对用户对不同域及不同物品的重视程度不同这一问题,提出了一种基于双重注意力机制的图卷积跨域推荐算法。该算法充分利用来自两个域的协同信息,利用两个域的交互数据构建了统一的交互图,以深入探究交互图拓扑结构信息对用户偏好建模的影响,通过同时利用源域和目标域的交互节点来学习用户和物品嵌入,及一种新设计的双重注意力机制,从域级和节点级模拟不同域、不同物品节点对用户的重要性,有效地缓解了数据稀疏性和冷启动问题。(2)基于解耦表征学习的图卷积跨域推荐算法研究提出了一种基于解耦表征学习的图卷积跨域推荐算法,利用解耦表征学习分离用户意图。该算法为每个域中的每个用户学习了两种不同的表示:域特有表示和域条件表示,用于解耦用户意图;该模型遵循变分自编码框架来建模数据分布,使用图卷积网络作为编码器捕捉高阶邻居信息,并通过解耦损失和域间桥接损失来确保域特有表示和域条件表示间的独立性和两域中域条件表示的近似性;最后,使用多任务学习框架,将推荐损失与额外的变分损失、解耦损失和桥接损失相结合,提升模型的泛化能力和推荐效果。通过在四个真实数据集上的一系列实验,证明了该算法的有效性。
基于特征映射的跨域推荐方法研究
这是一篇关于跨域推荐,冷启动问题,元网络,推荐系统,迁移学习的论文, 主要内容为在信息过载问题日益突出的当下,推荐系统作为一种十分有效的解决办法,近年来越来越受到重视,并被广泛应用于各种各样的场合中,如电子商务系统、社交网络系统等,极大方便了人们的生活。尽管推荐系统已经较好解决了信息过载问题,但冷启动问题的存在却成为了限制其性能进一步提升的瓶颈。近年来,随着对推荐系统研究的深入,如何解决冷启动问题也逐渐成为了广大推荐系统研究者们十分关注的热点问题之一,并相继提出了一系列十分有效的模型。跨域推荐系统作为缓解冷启动问题的思路之一,近年来也越来越受到关注,并且取得了不错的推荐效果。本文主要致力于应用基于映射的跨域推荐技术解决推荐系统中的冷启动问题,提出了两种不同的基于映射的跨域推荐模型,并进行了大量实验验证了模型的有效性,其研究工作内容主要如下:目标域特征感知与互补用户迁移的跨域推荐模型。目前,基于映射的跨域推荐技术在解决冷启动问题上已取得了十分不错的效果,其方法主要分为两类,一类关注共性,即所有用户共享一个映射函数;另一类则关注个性,即为每个用户分别分配个性化的映射函数。然而,这两类方法均没有考虑到用户共性与个性的互补性。此外,这两类方法也忽视了目标域知识本身的挖掘。为解决以上问题,本文提出了目标域特征感知与互补用户迁移的跨域推荐模型。一方面,提出个性-共性互补映射模块以显式建模用户个性和共性的互补信息,另一方面,提出了关系网络以挖掘目标域知识。最后,在Amazon数据集上的实验取得了目前最优的效果,验证了本文所提出模型的有效性。联合元网络与对比学习的目标提升跨域推荐模型。通过利用源域的辅助信息,跨域推荐系统提供了一种十分有效的用于缓解目标域数据稀疏性问题的方法。最近,基于元学习的推荐方法相继被提出并取得了最优的性能。然而,这些方法仅利用源域信息来学习迁移桥而忽视了丰富目标域信息。并且,它们要么使用一个公共桥要么使用一个个性化桥来转换用户表示,忽视了用户的多粒度的特征。在本文中,提出了联合元网络与对比学习的目标提升跨域推荐模型来解决上述问题。具体地,本文提出了目标桥来引入目标域信息进而引导用户偏好迁移的学习过程。另外,本文还提出了多粒度迁移机制来建模用户在源域和目标域之间的复杂偏好的迁移模式。最后,本文提出了目标感知对比学习模块以获得更好的用户表示。三个不同跨域推荐任务的实验结果显著优于所有基线模型,验证了本文提出的跨域推荐模型的有效性。
基于信息融合的跨域推荐问题研究
这是一篇关于跨域推荐,方面表示,信息融合,多模态技术的论文, 主要内容为跨域推荐技术通过将知识从源域迁移到目标域的方式提高目标域上的推荐准确性。当前众多跨域推荐研究利用深度学习的优势,充分挖掘出蕴含各类信息中的特征并学习它们之间融合交互的复杂机制,提高了用户和商品的表示准确性和系统的推荐性能,从而一定程度上缓解了数据稀疏和冷启动问题。然而,当前跨域推荐模型仍然存在一些不足之处,存在继续改进和提高的空间。如何有效融合丰富的各类辅助信息、如何更细粒度地表示用户和物品的信息、如何将用户偏好等多种信息更为准确的迁移到目标域等问题仍待解决。针对这些问题和挑战,本论文完成了两个工作来提升跨域推荐的性能:1)针对当前基于文本的跨域推荐模型存在的不足,提出了一种基于两阶段层次注意力和三通道学习的跨域推荐模型TATCL。该模型引入了两阶段注意力机制,通过对评论和用户/商品进行基于方面表示的两阶段建模,从文本中抽取更为细致的用户/商品特征。同时,为准确描述基于方面的跨域交互,使用三通道学习建立跨域连接。更进一步地,为了缓解可能存在的训练数据不充足的问题,采取为用户寻找辅助用户、为商品加入描述信息等方法,分别增强它们的表示。大量实验表明,该模型表现良好,尤其是在共同用户比例较高时优于现有模型。2)为进一步提高基于信息融合的跨域推荐模型的性能,我们在模型中引入视觉信息,提出了一种基于多模态表示技术的跨域推荐模型MMCDR。该模型通过提取商品图片中的视觉特征,与商品的文本表示进行多渠道的深入融合,将用户的视觉偏好和商品的视觉特征融入于用户和商品的建模过程,获得了商品和用户的更好的表示。实验结果显示,MMCDR模型进一步提高了TATCL模型,验证了引入视觉信息的多模态表示技术在跨域推荐上的可行性和优越性。本文提出的两种解决方案提升了特定情况下跨域推荐的性能,但模型性能受到数据稀疏性的严重制约。此外,我们还注意到一些可以继续深入的研究工作。下一步我们的工作将集中于两方面:一是利用最新技术工具,进一步综合利用已有的数据信息,挖掘深层次的潜在特征;二是设计具有更强解释性的深度学习网络,提高模型的可解释性。这两个工作将进一步加深我们对跨域推荐机制的理解,从而基于此深入研究更多科学问题。
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：源码客栈网 ，原文地址：https://m.bishedaima.com/lunwen/47839.html
