基于社交网络和内容的事件推荐系统研究

这是一篇关于事件推荐系统,社交网络,内容信息,特征提取,贝叶斯个性化排序的论文, 主要内容为近年来,伴随着科学技术的进步和发展,信息的种类和数量随之剧增。如何从海量的信息中获得用户真正需要的信息,逐渐成为了研究的热点。因此,推荐系统逐步走进了研究者的视线。随着信息过载问题的日益严重,在基于事件的社交网络下进行事件推荐成为了当前研究的热点。不同于一般传统领域下的推荐,基于社交网络环境下的事件推荐存在更多的问题。首先是面临着更为严峻的数据稀疏问题,这就使得传统的推荐模型推荐效果一般;其次存在一般推荐模型中无法同时利用的异构社交网络信息。针对上述问题,同时为了提高推荐结果的准确率,本文分别提出了基于在线社交网络和时间信息的事件推荐算法和融合内容信息的异构社交网络推荐算法,并且在真实数据集上验证了有效性,最后应用所提算法设计并实现了一个社区事件推荐系统。主要研究内容如下:(1)提出了基于在线社交网络和时间信息的事件推荐算法。该推荐算法以矩阵因子分解算法作为评分模型,用以处理基于事件的社交网络中用户和事件的交互信息。同时,分析已有数据可以得知,用户参加线下事件存在着一定的时间规律,在真实数据中,呈现出很强的时间性,因此将时间信息融入偏好评分中。根据事件推荐真实数据的特点,将社交关系和时间特性同时考虑在内,以提高推荐的准确率。通过相关真实数据集上的实验结果表明,该算法相较于传统算法在准确率指标和归一化折损累计增益指标上均有所提升。(2)提出了融合内容信息的异构社交网络事件推荐算法。该算法以更适合处理隐式信息的贝叶斯个性化排序算法作为打分模型。考虑到基于事件的社交网络中事件本身的内容信息对推荐性能的影响,将事件内容信息通过自然语言处理领域常用的长短期记忆网络进行特征提取后融入到评分中。同时,为了缓解数据稀疏问题,将包含特征信息的线上线下异构社交网络通过社交正则的方式融入到模型中。通过Meetup城市数据集进行验证,在准确率等相关指标上均有所提升。(3)利用本文所提事件推荐算法,设计了一个基于社交网络的社区事件推荐系统。该系统可以根据用户与事件之间的交互信息和事件的内容信息,很好的为用户推荐出符合其兴趣爱好的事件。同时该系统基本实现了用户所需的基本功能,并且均通过了最后的测试,保证了该系统的稳定性。

基于跨模态相关性分析与自适应排序学习的推荐系统研究

这是一篇关于推荐模型,可解释性矩阵,贝叶斯个性化排序,跨模态相关性分析,对抗学习,自适应排序学习的论文, 主要内容为推荐模型是一种有效的信息过滤机制,它根据用户需求从海量数据中找出有价值的内容,并以多种形式推荐给用户,它的出现满足了不同用户的个性化需求,给企业和社会带来巨大效益。但推荐系统目前处于不成熟阶段,仍然存在数据稀疏、低可解释性、未充分利用特征间的跨模态相关性等问题。为此,本文基于上述存在的问题展开研究。首先,在原始Movie Lens数据集基础上,通过爬取电影文本和海报信息构建新的多模态数据集Movie Lens-100k-MPT和Movie Lens-1M-MPT。其次,分别从可解释性矩阵、跨模态相关性分析、对抗学习及改进排序学习函数等角度展开研究。本文具体工作如下:(1)基于可解释性贝叶斯个性化排序的推荐模型(Explainable Bayesian Personalized Ranking,EBPR):首先,根据Movie Lens数据集中用户与项目的交互数据构建交互表,计算项目间的余弦相似性,进而获取相似性较高的前N个项目,再根据交互矩阵生成可解释性矩阵,可解释性矩阵表示用户与项目邻域的交互概率。然后,基于最大似然估计,在贝叶斯个性化排序基础上引入可解释性矩阵,增加用户与项目邻域的交互,进而实现推荐。实验结果表明:可解释性矩阵可以为用户挖掘更丰富的项目信息,进而更准确地描述用户偏好,它在一定程度上缓解了新项目加入的冷启动问题。相对于BPR模型,EBPE模型的推荐性能有显著提升,EBPR模型具有一定的可解释性。(2)基于跨模态相关性分析的推荐模型(Cross-modal Correlation Analysis Adversarial BPR,CCABPR):围绕多模态Movie Lens-100k-MPT和Movie Lens-1M-MPT数据集,基于BERT模型提取互补性文本特征;基于SENet模型提取异构图像特征;基于gradKCCA和CCCA相关性模型分别挖掘异构BERT文本特征间和SENet图像特征间的相关性;设计对抗学习策略,对训练过程进行优化,更好地完成推荐任务。实验结果表明:与NMF、VBPR等主流基线相比,CCABPR类模型取得显著优势,说明文本特征、图像特征、跨模态相关性和对抗学习在推荐中都发挥了重要作用。其中,CCCA模型优于gradKCCA模型,该模型挖掘出的跨模态相关性更具判别性。此外,模型在Movie Lens-1M-MPT数据集上获得更大的性能提升,它较好地缓解了数据稀疏问题,提升了推荐性能。(3)基于跨模态相关性分析与自适应排序学习的推荐模型(Cross-modal Correlation Analysis And Adaptive Pointwise-Pairwise Learning Adversarial BPR,AABPR):在CCABPR模型基础上提出AABPR模型,即改进BPR模型中的成对排序损失函数,使模型根据项目对的交互关系自适应地选择逐点、成对或两者任意组合的排序函数,最终完成高质量推荐。实验结果表明:AABPR模型优于CCABPR、DMF、APR等主流基线,即自适应排序学习优于逐点型和成对型排序学习算法,它在推荐中扮演重要角色,推荐模型具备一定实用性。

基于神经协同过滤的个性化电影推荐研究与系统设计

这是一篇关于神经协同过滤,用户特征,贝叶斯个性化排序,因子分解机,个性化推荐的论文, 主要内容为随着在线电影数目不断增加,人们开始通过信息过滤以获取有效信息,因此个性化的电影推荐系统成为研究的热点。本课题研究电影推荐,从个性化推荐的算法和应用两个方面展开研究。其中算法以Movie Lens数据集上的“用户-项目”对为基础数据,根据用户是否已选择该电影划分正负样本,并在正样本中划分训练集和测试集,通过对比实验和参数实验等验证提出算法的有效性,同时设计并实现了基于改进的神经协同过滤模型的个性化电影推荐系统。当前协同过滤作为过滤信息的有效方法,虽然被广泛应用,但是该算法的计算过于依赖评分矩阵,而评分矩阵会面临矩阵稀疏和可扩展性等问题。因此本课题引入了神经协同过滤,它对协同过滤算法的优化在于将矩阵分解的过程神经网络化,避免了评分矩阵的生成。神经矩阵分解模型是神经协同过滤的一种具体实现,在该实现的基础之上,本课题提出了改进的模型——融合贝叶斯排序的神经协同过滤模型。该模型引入因子分解机及贝叶斯个性化排序,该结构能进一步捕捉用户特征的非线性信息及优化排序性能。通过实验对比,新模型在命中率和排序性能上对比原算法模型都有一定的提升,并且保持了较快的收敛速度。基于融合贝叶斯排序的神经协同过滤,本课题实现基于该算法的推荐引擎,构建了一个基于B/S架构的个性化电影推荐系统。该系统通过数据库存储完成用户行为搜集—算法计算—返回推荐结果等一系列过程,并且实现了用户个人中心、运营人员页面、电影详情页、系统主页和电影推荐等各项业务功能,提供了神经协同过滤算法的一种系统实现方案。

基于神经协同过滤的个性化电影推荐研究与系统设计

这是一篇关于神经协同过滤,用户特征,贝叶斯个性化排序,因子分解机,个性化推荐的论文, 主要内容为随着在线电影数目不断增加,人们开始通过信息过滤以获取有效信息,因此个性化的电影推荐系统成为研究的热点。本课题研究电影推荐,从个性化推荐的算法和应用两个方面展开研究。其中算法以Movie Lens数据集上的“用户-项目”对为基础数据,根据用户是否已选择该电影划分正负样本,并在正样本中划分训练集和测试集,通过对比实验和参数实验等验证提出算法的有效性,同时设计并实现了基于改进的神经协同过滤模型的个性化电影推荐系统。当前协同过滤作为过滤信息的有效方法,虽然被广泛应用,但是该算法的计算过于依赖评分矩阵,而评分矩阵会面临矩阵稀疏和可扩展性等问题。因此本课题引入了神经协同过滤,它对协同过滤算法的优化在于将矩阵分解的过程神经网络化,避免了评分矩阵的生成。神经矩阵分解模型是神经协同过滤的一种具体实现,在该实现的基础之上,本课题提出了改进的模型——融合贝叶斯排序的神经协同过滤模型。该模型引入因子分解机及贝叶斯个性化排序,该结构能进一步捕捉用户特征的非线性信息及优化排序性能。通过实验对比,新模型在命中率和排序性能上对比原算法模型都有一定的提升,并且保持了较快的收敛速度。基于融合贝叶斯排序的神经协同过滤,本课题实现基于该算法的推荐引擎,构建了一个基于B/S架构的个性化电影推荐系统。该系统通过数据库存储完成用户行为搜集—算法计算—返回推荐结果等一系列过程,并且实现了用户个人中心、运营人员页面、电影详情页、系统主页和电影推荐等各项业务功能,提供了神经协同过滤算法的一种系统实现方案。

基于因果嵌入的推荐系统研究

这是一篇关于推荐系统,因果性去偏,贝叶斯个性化排序,去偏性能的论文, 主要内容为为了缓解数据爆炸式增长带来的“信息过载”,推荐系统应运而生,并广泛应用于诸多领域。传统的推荐系统常使用协同过滤、内容过滤或混合方法来为用户推荐产品或服务,但是这些方法通常只能基于关联性进行推荐,不考虑用户、物品之间的因果关系,导致可能出现不合理或低质量的推荐结果。与传统推荐方法相比,因果推荐方法具有更强的可解释性。因果推荐系统可以帮助用户更好地理解为什么会得到这样的推荐,从而增强用户的信任感和满意度。此外,因果推荐系统还可以有效地处理观测数据偏移问题、多因素影响问题和考虑因果关系的变化问题,使得其推荐结果更加可靠。但因果推荐方法仍存在一些挑战,例如,在因果嵌入时忽略了物品之间复杂的关系,导致模型去偏性能下降;所采用的损失函数没有考虑到物品之间的相似性,使得模型泛用性较低。为了改善这些问题,以进一步提高因果推荐系统的性能和扩大使用范围,本文做了如下工作:(1)使用因果嵌入将个人兴趣和从众行为分离并嵌入模型的同时,增加了物品之间的依赖关系。首先使用图卷积神经网络(Graph ConvolutionalNetwork,GCN)将物品之间复杂的关系进行编码嵌入,其次在贝叶斯个性化排序(Bayesian personalizedranking,BPR)的损失函数中引入物品之间的相似性权重或依赖性权重,基于以上两点提出一个新的去偏框架XDICE,该框架具有考虑物品之间复杂关系的能力。(2)使用工作(1)提出的新去偏框架XDICE对基于图卷积神经网络的协同过滤模型(Neural Graph Collaborative Filtering,NGCF)进行改进,将其结构中的嵌入传播层优化替换为因果嵌入传播层后,使推荐模型与去偏框架结合,并使用wBPR(weighted Bayesian Personalized Ranking)损失函数最大化流行物品和不流行物品得分之间的差距,使得改进后的NGCF模型缓解数据偏差和人气偏差能力得到提升。(3)设计并实现一个网页端的电影推荐系统,并将工作(2)中改进后的NGCF推荐模型集成到该系统中,以满足用户方便、快捷的场景体验需求。本文使用Movielens-10M和Netflix Prize数据集进行实验,选用召回率(Recall)、命中率(Hit Rate,HR)和归一化折损累计增益(Normalized Discounted Cumulative Gain,NDCG)对推荐模型进行客观评价。本文提出的XDICE去偏框架在这三个客观评价指标上都领先于DICE去偏框架。

基于神经协同过滤的个性化电影推荐研究与系统设计

这是一篇关于神经协同过滤,用户特征,贝叶斯个性化排序,因子分解机,个性化推荐的论文, 主要内容为随着在线电影数目不断增加,人们开始通过信息过滤以获取有效信息,因此个性化的电影推荐系统成为研究的热点。本课题研究电影推荐,从个性化推荐的算法和应用两个方面展开研究。其中算法以Movie Lens数据集上的“用户-项目”对为基础数据,根据用户是否已选择该电影划分正负样本,并在正样本中划分训练集和测试集,通过对比实验和参数实验等验证提出算法的有效性,同时设计并实现了基于改进的神经协同过滤模型的个性化电影推荐系统。当前协同过滤作为过滤信息的有效方法,虽然被广泛应用,但是该算法的计算过于依赖评分矩阵,而评分矩阵会面临矩阵稀疏和可扩展性等问题。因此本课题引入了神经协同过滤,它对协同过滤算法的优化在于将矩阵分解的过程神经网络化,避免了评分矩阵的生成。神经矩阵分解模型是神经协同过滤的一种具体实现,在该实现的基础之上,本课题提出了改进的模型——融合贝叶斯排序的神经协同过滤模型。该模型引入因子分解机及贝叶斯个性化排序,该结构能进一步捕捉用户特征的非线性信息及优化排序性能。通过实验对比,新模型在命中率和排序性能上对比原算法模型都有一定的提升,并且保持了较快的收敛速度。基于融合贝叶斯排序的神经协同过滤,本课题实现基于该算法的推荐引擎,构建了一个基于B/S架构的个性化电影推荐系统。该系统通过数据库存储完成用户行为搜集—算法计算—返回推荐结果等一系列过程,并且实现了用户个人中心、运营人员页面、电影详情页、系统主页和电影推荐等各项业务功能,提供了神经协同过滤算法的一种系统实现方案。

基于因果嵌入的推荐系统研究

这是一篇关于推荐系统,因果性去偏,贝叶斯个性化排序,去偏性能的论文, 主要内容为为了缓解数据爆炸式增长带来的“信息过载”,推荐系统应运而生,并广泛应用于诸多领域。传统的推荐系统常使用协同过滤、内容过滤或混合方法来为用户推荐产品或服务,但是这些方法通常只能基于关联性进行推荐,不考虑用户、物品之间的因果关系,导致可能出现不合理或低质量的推荐结果。与传统推荐方法相比,因果推荐方法具有更强的可解释性。因果推荐系统可以帮助用户更好地理解为什么会得到这样的推荐,从而增强用户的信任感和满意度。此外,因果推荐系统还可以有效地处理观测数据偏移问题、多因素影响问题和考虑因果关系的变化问题,使得其推荐结果更加可靠。但因果推荐方法仍存在一些挑战,例如,在因果嵌入时忽略了物品之间复杂的关系,导致模型去偏性能下降;所采用的损失函数没有考虑到物品之间的相似性,使得模型泛用性较低。为了改善这些问题,以进一步提高因果推荐系统的性能和扩大使用范围,本文做了如下工作:(1)使用因果嵌入将个人兴趣和从众行为分离并嵌入模型的同时,增加了物品之间的依赖关系。首先使用图卷积神经网络(Graph ConvolutionalNetwork,GCN)将物品之间复杂的关系进行编码嵌入,其次在贝叶斯个性化排序(Bayesian personalizedranking,BPR)的损失函数中引入物品之间的相似性权重或依赖性权重,基于以上两点提出一个新的去偏框架XDICE,该框架具有考虑物品之间复杂关系的能力。(2)使用工作(1)提出的新去偏框架XDICE对基于图卷积神经网络的协同过滤模型(Neural Graph Collaborative Filtering,NGCF)进行改进,将其结构中的嵌入传播层优化替换为因果嵌入传播层后,使推荐模型与去偏框架结合,并使用wBPR(weighted Bayesian Personalized Ranking)损失函数最大化流行物品和不流行物品得分之间的差距,使得改进后的NGCF模型缓解数据偏差和人气偏差能力得到提升。(3)设计并实现一个网页端的电影推荐系统,并将工作(2)中改进后的NGCF推荐模型集成到该系统中,以满足用户方便、快捷的场景体验需求。本文使用Movielens-10M和Netflix Prize数据集进行实验,选用召回率(Recall)、命中率(Hit Rate,HR)和归一化折损累计增益(Normalized Discounted Cumulative Gain,NDCG)对推荐模型进行客观评价。本文提出的XDICE去偏框架在这三个客观评价指标上都领先于DICE去偏框架。

融合特征权重与矩阵填充的可解释推荐算法研究

这是一篇关于可解释推荐,特征权重,矩阵填充,注意力机制,贝叶斯个性化排序的论文, 主要内容为随着科技的快速发展,人们已经步入信息化社会,每天需要从海量数据中筛选出自己最关注的信息,推荐系统的存在就显得尤为必要。推荐系统作为解决“信息过载”的有效技术之一,一直是学者们研究的重点。传统推荐算法已经逐渐趋于成熟,广泛应用于各大网站,如:淘宝、京东、唯品会等。但是传统的推荐算法对用户来说具有黑盒的不可解释性,用户并不了解推荐的原因而只能被动的接受推荐。因此,推荐系统的可解释性研究逐渐被学者们广泛关注。可解释推荐可以帮助用户做出明智的选择,提高用户对系统的信任,实现用户与系统的双赢。目前,推荐系统大都通过挖掘历史评分与评论中的有效信息进行推荐,但为用户和商品间相关性建模时忽略了用户和商品不同特征属性的不同重要程度,以及存在评分矩阵数据稀疏等问题。基于以上分析,本文提出融合特征权重和矩阵填充的可解释推荐算法,在提升推荐精度的同时,提供定量的特征级别解释。本文的主要研究工作如下:(1)针对目前推荐算法在为用户商品间相关性建模时未充分考虑用户特征和商品属性重要性的问题,本文提出了基于特征权重的推荐算法。该算法根据在评论中特征或属性出现的频次及其对应的情感程度确定用户和商品的表征,同时采用情感词典和TF-IDF的算法思想确定特征和属性的重要程度,并将特征属性权重加入到相关性建模中。(2)针对评分矩阵的数据稀疏性问题,本文进一步提出融合矩阵填充和贝叶斯排序的稀疏性缓解算法。该算法根据用户特征权重和商品属性权重对评分矩阵中的缺失项进行填充,然后采用潜在因子模型学习用户商品的潜在向量,结合评论中挖掘的表征向量,最后引入贝叶斯个性化排序算法约束用户与不同商品间的偏序关系。(3)针对传统算法的黑盒问题,本文提出特征级别的定量解释。本文通过TF-IDF算法确定特征属性的权重,综合考虑用户特征权重和商品属性权重,将综合权重最大的三个特征作为解释,并给出可视化推荐理由。将本文提出的算法在Amazon和Yelp的四个真实数据集上进行实验,并与目前具有代表性的几种模型进行比较,实验结果表明,本文提出的算法在提供解释的同时,均方根误差相比最优的RMG平均下降了2.5%。

基于用户好奇心的推荐算法研究

这是一篇关于推荐系统,贝叶斯个性化排序,社交网络,用户好奇心,用户偏好排序的论文, 主要内容为推荐系统在应用领域及研究领域都有着重大的意义和价值。推荐系统按照是否利用辅助信息进行推荐可以划分为未利用辅助信息的推荐系统和基于辅助信息的推荐系统。前者仅利用用户的历史行为数据模拟用户的偏好,往往会面临数据稀疏性问题,后者虽然利用辅助信息缓解数据稀疏性问题,但亦存在辅助信息利用不充分的问题。本文基于推荐系统中的Top K推荐任务,围绕基于社交的推荐系统中存在的社交网络辅助信息利用不完全的缺陷展开研究。现有的利用社交网络辅助信息的推荐系统普遍忽略用户在社交网络环境下存在的用户好奇心以及信息在社交网络中的传播特性。由于信息在社交网络中的传播特性会加强用户的好奇心,同时,根据心理学家Daniel Eills Berlyne的好奇心驱动理论,用户的好奇心可以促进用户的探索行为,从而影响用户的决策。因此,本文将结合用户好奇心的角度改进现有的基于社交的推荐系统。为探索用户好奇心对推荐的影响,本文参照心理学家Berlyne所提出的量化用户好奇心的可执行步骤建模用户的好奇心,具体的,该种用户好奇心是由不确定性刺激唤起的用户好奇心。同时,本文尝试采用心理学启发的观点将由不确定性刺激唤起的好奇心融入于现有的推荐模型中,提出一个好奇心增强的贝叶斯个性化排序模型(Curiosity Enhanced Bayesian Personalized Ranking,CBPR)。本文提出两个相反的用户偏好假设去模拟用户好奇心对推荐的影响,这亦代表着用户好奇心对用户选择的影响,两个假设分别对应CBPR-1模型和CBPR-2模型,前者认为用户好奇心对于用户选择起正向作用,后者认为用户好奇心对于用户选择起负向作用。本文在两个真实的社交推荐数据集上开展实验,与多种相关的主流推荐模型进行对比,采用Precision、Recall和F1 Score等准确性指标对实验结果进行验证,实验结果表明CBPR-1模型更符合现实情况,即用户好奇心对用户选择起积极影响,同时,实验结果表明本文提出的用户好奇心推荐模型在Top K推荐任务中要优于现有的相关模型。