基于多图神经网络的推荐系统研究及实现
这是一篇关于推荐系统,深度学习,图神经网络,辅助信息,注意力机制的论文, 主要内容为推荐系统可以帮助用户简化决策,改善用户体验,增加用户对平台的粘性。协同过滤是最重要的推荐技术之一,但它面临两大挑战,即数据稀疏性和冷启动问题。虽然将辅助信息融合到推荐模型可以缓解这两个问题,但大多数模型很难捕获用户与项目之间的历史交互信息。此外,现有的推荐模型不能灵活地集成多种类型的结构化辅助信息,也不能充分地捕获实体之间的异构信息。本文借助图神经网络(Graph Neural Networks,GNNs)强大的传播和表达能力,提出了一种基于多图神经网络的推荐系统框架,并在其基础上对一些模块和技术进行了改进。本文主要完成了以下工作:(1)提出了一种多源辅助信息融合的新型推荐框架——GSICF。GSICF由多个部分组成,包括图数据构建、模型构建、模型评估以及讨论与分析。实验表明,GSICF有效且灵活地集成了用户社交网络、用户-项目交互数据和项目结构化属性等结构,具有较好的适用性、扩展性以及可解释性。各类辅助信息可以相互影响、相互促进,进而提高推荐系统的性能。此外,该框架可以充分捕获用户和项目的结构化辅助信息,有效地提取用户和项目的高阶交互,弥补现有方法在表示用户相互关系时的不足。(2)为GSICF添加了基于Trans D的嵌入模块。为了让推荐模型学习更优的用户和项目嵌入表示,本文在模型中添加了基于Trans D的嵌入模块。该模块不仅可以起到预训练的作用,而且可以与GNN共同构建多任务学习模型。同时,该嵌入模块还可以区分实体之间不同的连接关系,捕获异质图中的异构信息。嵌入模块和GNN传播模块相辅相成,共同促进推荐系统性能。本文的其它工作还包括:为GSICF设计了两种新的GNN聚合器,可以传播更丰富的邻域信息;为GSICF设计了一种图注意力机制,以针对特定关系区分不同邻居节点的重要性;在特征传播过程中进行线性传播,使模型更加简单;使用了一种新的预测层,即记录GNN中每一层节点的嵌入表示,以此缓解基于GNN推荐模型的过平滑问题,有利于捕获用户远距离潜在兴趣。
变分自编码器VAE在推荐系统中的应用
这是一篇关于推荐算法,变分自编码器,辅助信息的论文, 主要内容为随着互联网的发展,越来越多信息涌入人们的日常生活。为了帮助人们更好地选择感兴趣的信息,推荐算法成为近几年的研究热点。推荐算法通过对用户历史行为的分析,可以获得用户和商品之间的潜在关系,对用户喜好内容进行预测。深度神经网络可以挖掘出用户—商品之间的深层关联。变分自编码器可以较好地发现非线性关系,在解决推荐排序问题中有很好的表现。但是当前变分自编码器还存在一些问题,限制着他的推荐性能。本课题将围绕这些核心问题展开工作:(1)目前的推荐数据集通常是稀疏数据集,而面对过于稀疏的数据集,传统变分自编码器的处理能力通常是有限的。所以本文尝试从利用推荐数据集的二元性,图关系辅助关系入手,构建一个双边条件分布变分自编码器来应对这个问题。实验表明这种新模型对比同类模型,在提升稀疏数据集的推荐性能上有明显效果。(2)新模型在引入变分自编码优点的同时,不可避免地引入了变分自编码的通病,即后验崩塌,简单说就是变分自编码器学不到东西,无法进行准确推荐。为了缓解这个问题,本文在原有模型的基础上,利用评论信息进行编码并构建先验约束,丰富先验分布,从而提升模型的学习能力。实验表明这种方法在新模型的基础上再次做出了提升。(3)最后在实验中发现,带有图关系的数据集十分有限,这对实验带来了些许困难。为了方便后续的研究,本文为两个常用数据集提供了图关系辅助信息,并在几个经典模型上进行实验,提供基线。
融入辅助信息的变分自编码器Top-N推荐算法研究
这是一篇关于推荐系统,辅助信息,变分自编码器,注意力机制的论文, 主要内容为个性化推荐因其巨大的商业价值而一直受到人们的广泛关注。随着近年来商品数目的急剧扩大,Top-N推荐以其精准的推送特点,正逐渐成为新的研究热点。深度神经网络能够从用户的历史交互记录中挖掘深层次的行为模式,在相关任务上已经取得了优异的效果。其中,变分自编码器模型在海量数据的排序和推荐上独具优势。然而,现有的Top-N推荐方法在对辅助信息的高效整合与利用上仍有局限性,进而影响推荐服务的质量。针对这一问题,本文以变分自编码器模型为基础,将学习得到信息量更丰富的交互时隐因子表征作为核心思路,从不同角度入手,对信息的有效融合与利用展开了逐步深入研究。本文的主要工作有:1)针对学习层面仅机械拼接与堆叠网络结构无法充分利用辅助信息的问题,本文提出了一种引入属性特征的变分自编码器Top-N推荐模型。该方法将用户属性编码为条件向量,并作为标签验证信号融入学习过程,使得相同属性标签的用户表征具有一定的聚类特性。此外,该方法利用生成式模型的特性进行拓展,通过分离属性予以学习,并集成多个预测池的结果来提出改进。实验结果表明,该方法能利用属性特征捕获用户群体偏好,对比其他未采用标签验证的推荐方法,具有良好的建模表达能力。2)针对特征层面用户行为与不同辅助信息之间的关联程度有所不同的问题,本文提出了一种结合注意力机制的变分自编码器Top-N推荐模型。该方法通过一个子网络捕捉用户表征与辅助信息之间的关系,提高重要属性的融合权重,同时降低无用属性对主网络的影响。此外,该方法尝试于高维嵌入空间构造特征之间的二阶组合,在更细粒度上挖掘辅助信息的提升效果。实验结果表明,该方法能衡量特征关联强弱同时具有一定的可解释性,对比当前应用广泛的相关基线方法,可有效增强模型排序质量。3)针对用户层面仅使用隐式反馈数据未能充分反映用户偏好程度的问题,本文提出了一种融合显式反馈信息的变分自编码器Top-N推荐模型。该方法通过同时进行对显式评分和隐式点击的重构还原,进而将两种反馈信息整合在用户-物品交互的隐因子表征当中。此外,该方法优先挑选出最有可能浏览的物品,并以预测出的评分重新排列先后顺序,对推荐的重排序阶段提出适应性改进。实验结果表明,该方法能够有效汇集反馈信息,对比现有的基于变分自编码器的相关方法,可显著提升最终推荐性能。
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。
基于图卷积网络的个性化推荐算法研究
这是一篇关于个性化推荐,图卷积网络,评分预测,辅助信息的论文, 主要内容为在信息时代,虽然人们可以共享资源开拓视野,但是海量信息也会让用户花费更多时间代价寻找满足自己需求的信息。正是为了解决用户选择困难的问题,个性化推荐才受到了广泛的关注。个性化推荐通过分析用户行为数据,标记用户的个性化偏好,向用户推送其可能感兴趣的信息。目前,个性化推荐面临的主要问题是数据稀疏,通过用户和项目额外的辅助信息来探索用户的兴趣模式是有效的解决方法之一。近年来,图卷积网络在图数据方面表现出强大的学习能力,在推荐系统中得到了广泛的应用。本文主要利用图卷积网络分析辅助信息来提升个性化推荐的准确率,本文的主要研究内容如下:1、为了准确地探索用户的偏好模式,本文提出了一个基于关系重构的图卷积矩阵补全(RE-GCMC)方法。首先利用相似性度量函数根据用户个人信息、项目属性以及历史交互数据构建用户-用户,项目-项目相似关系图,并利用注意力图卷积网络从多种关系图中挖掘用户与项目之间的非线性关系并捕获不同邻域的高阶语义信息,学习带有结构信息和内容信息的用户/项目的潜在特征表示;其次利用多层感知机融合特征信息,探索用户与项目的高阶特征交互来完善用户和项目的特征表示从而预测用户对未交互过的项目的评分。最后,在推荐数据集上的实验验证了本文提出的方法优于基准方法。2、为了解决从评论信息中挖掘用户与项目的高阶交互关系的问题,本文提出了一种联合评分和评论的图卷积网络(RRGCN)方法。首先利用词嵌入技术将评论映射到词向量空间,再利用CNNs学习评论文本中带有语义和上下文信息的特征向量;其次利用注意力机制为评论分配不同的权重来初始化用户和项目的特征表示,并利用图卷积网络从用户和项目的交互关系图中捕获高阶协同信息来完善特征表示,从而预测用户对项目的评分。最后,在推荐数据集上的实验结果验证了本文提出的模型有优越的性能。
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：毕设项目助手 ，原文地址：https://m.bishedaima.com/lunwen/48172.html
