基于图卷积神经网络的个性化标签推荐系统
这是一篇关于UGC,图卷积神经网络,标签推荐的论文, 主要内容为随着互联网的发展,Web2.0应用的功能也变得越来越丰富,出现了许多将标注权限赋予用户的用户生成内容(UGC)系统。标签不仅仅丰富了互联网的数据资源,而且在信息检索、推荐系统等场景也有得到应用。但是社会化标注这种行为完全由用户决定,这就导致了标签数据中存在大量冗余的、不规范的标签,因此进行标签推荐技术的研究具有重要的现实意义。一方面对系统而言,标签推荐有利于去除冗余的、不规范的标签信息,为系统营造良好的标签数据资源;另一方面对用户来说,标签推荐也是系统提供的一种服务,良好的推荐效果能够提升用户体验。然而,目前大多数标签推荐还依赖于基于内容等传统的算法,并且许多算法只考虑了标签与资源之间的关系而忽略了用户,因此推荐效果不佳。由于在图表征任务上的出色表现,图神经网络成为当前的研究热点,图神经网络与推荐系统的结合有可能进一步提升推荐性能。因此,本文设计了一种基于图卷积神经网络的个性化标签推荐算法,借助图卷积网络的表示学习能力,用于为用户发布的资源推荐标签。本文主要的工作包含以下几点:(1)设计了一种基于图卷积神经网络的个性化标签推荐算法。说明了算法的设计思路,包括数据预处理与特征提取、用户与标签的表示学习以及个性化标签推荐三部分。(2)设计了一个个性化标签推荐系统。首先通过系统的需求分析明确了系统的功能需求。其次通过系统设计将功能需求模块化,具体包括系统架构设计、功能模块设计以及数据库设计。然后说明了系统实现的相关技术、各个功能模块的具体实现。最后对系统的主要模块进行了功能测试。(3)对本文算法进行了实验验证分析。通过实验测试了算法参数对推荐性能的影响、测试了注意力机制对推荐性能的影响,对算法测试结果进行了分析,并与常用的标签推荐算法做了对比。从实验结果来看,本文算法在推荐的精确率、召回率指标上,相比于常用的标签推荐算法都有一定的提升,证明了本文算法的有效性。
个性化资讯推荐系统的设计与实现
这是一篇关于推荐系统,标签推荐,协同过滤,simhash的论文, 主要内容为推荐系统被认为是解决互联网信息爆炸问题最有效的方法之一。在电子商务领域,推荐系统得到了广泛使用,像Amazon, Ebay,阿里巴巴等电商巨头都使用推荐系统为用户推荐产品,并显著提高了企业利润。但是在资讯信息领域,用户还处于海量信息的泥潭中,尽管有很多优秀的垂直的网站帮助用户梳理信息,比如36kr为用户整理创业类信息,csdn提供了创作、分享博客的平台,但它们所涉及的领域往往很局限,远远不能满足用户阅读多样化的个性需求。 为了汇集海量优质资讯信息,满足用户阅读的个性化需求,我们开发了个性化资讯推荐引擎。作为自主创业项目,我们的目标是自动帮用户筛选推荐感兴趣的优质新闻、博客和文档等。一般用户会有多个兴趣点,通过个性化资讯推荐引擎,就可以直接看到兴趣多样化的资讯列表,无需去多个站点找寻,节约了时间；同时推荐系统可以不断学习用户行为日志,使推荐内容更符合用户兴趣。 目前系统已经完成第一版本的开发工作,搭建起了推荐系统的基础框架,Web服务框架,并设计了数据库等。基础框架涉及爬虫子系统,抽取子系统和个性化推荐子系统。爬虫子系统使用Java开发,负责从各个优质的网站中爬取源信息,并基于hash和simhash算法设计了去重规则；抽取子系统使用Python语言开发,对第三方开源软件BeautifulSoup和Readability做了优化调整实现不同站点的通用抽取,另外对特定站点实现基于模板的信息抽取,提高了抽取精确度；个性化推荐使用了新颖的基于tag的推荐方法,并组合协同过滤的推荐结果,使推荐列表更精准。另外,使用SSH框架开发Web服务模块,为用户提供基本的交互,比如对文章的行为反馈、登陆注册和添加兴趣标签等操作。 本文按照软件开发的流程,首先介绍了系统的开发背景、发展现状以及开发中用到了相关技术；接着对需求分析、概要设计、详细设计和系统实现分别进行了详细描述,需求分析介绍了总体需求,确定了系统各部分的功能需求,并从效率、可靠性、易用性三个方面讨论了非功能性需求,概要设计对系统整体框架和模块划分进行了详细介绍,详细设计涉及到爬虫子系统、抽取子系统、个性化推荐子系统、Web服务子系统、资讯检索子系统和用户管理子系统,分别展开详细设计,系统实现主要从代码实现角度,介绍了开发过程中遇到的问题以及解决方法。 本论文中开发的系统已实际在线测试服务了近半年的的时间,在没有推广的情况下,第一月注册用户超过了700人,日访问的pv峰值达到1500多,平均达到100多。通过用户反馈,推荐系统着实解决了用户阅读领域信息难找的问题,提高了用户的学习效率。
基于用户偏好的微信公众号文章推荐系统
这是一篇关于微信公众号,内容推荐,标签推荐,混合推荐的论文, 主要内容为近年来,随着互联网和智能终端的快速发展,移动端的社交应用层出不穷。微信(WeChat)作为移动终端应用最广泛的社交软件之一,已经成为人们获取信息的重要渠道。但是,海量信息也带来了信息过载(information overload)的问题,用户如何在众多公众号中获取有价值的信息,具有一定的研究价值。针对以上问题,本文在收集微信公众号文章内容的基础上,对文章内容进行数据分析,从用户自身兴趣偏好出发,设计微信公众号文章推荐系统,给用户提供较为精确的推荐结果,主要的工作内容包括:(1)提出了全新的微信公众号数据爬取方式,通过设计微信公众号文章爬取系统,包括自动访问模块、网络数据包的监听模块、数据解析和存储模块,实现公众号文章的自动爬取。这种爬取方式解决了传统爬取方式中无法取得阅读数、点赞数的问题,具有高效、稳定、实时的特点,弥补了微信文章爬取研究上的空缺。(2)对爬取的数据进行数据预处理,使用Ansj分词工具进行文本分词、词频统计和关键词提取。对关键词提取算法进行了改进,使其能够自动加载本地停用词字典,提高了关键词提取的准确度。(3)设计和实现了微信公众号文章推荐系统,从两方面进行公众号文章的推荐:在基于内容的推荐方面,通过计算关键词词频向量的相似度,为每篇文章找出主题类似的文章,再通过分析用户偏好数据,对其进行文章推荐;在基于标签的推荐方面,通过收集用户标签,为用户推荐与其标签相关的文章。(4)针对基于内容和基于标签推荐存在的缺点,使用加权混合推荐的方法,得到更为精确的推荐结果,提高了系统的准确度和召回率,并对系统进行了验证。系统的实现和验证结果表明,本文设计的微信公众号文章推荐系统可以进行高效、稳定的文章爬取,并在此基础上进行准确有效的推荐,其推荐效果优于传统的内容推荐方法,具有一定的应用价值。
基于标签迁移学习的推荐技术及应用
这是一篇关于推荐系统,协同过滤,标签推荐,迁移学习的论文, 主要内容为随着信息科技的不断变革和经济一体化逐步实现,互联网也进入了高速发展的行列。2018年5月在Code大会上发布的互联网趋势报告显示,近些年来网络用户呈爆发式增长,2017年全球互联网普及率达到了49%,预计于2018年将增至50%。据统计,在全球大数据进入加速发展时期后,全球数据总量每年将以50%的速率增长,全球数据量将在2025年增至176ZB。面对如此海量的数据信息,如何缓解信息过载的问题从而快速、高效地帮助用户获取有用的信息是当今数据科研方面所面临的重要挑战之一。推荐系统(Recommender Systems,RS)作为可以有效缓解信息超载问题的方法之一,通过剖析用户与项目之间的二元映射,为目标用户在海量信息数据中找到其可能喜爱的个性化项目,并生成推荐列表。基于标签信息的个性化推荐技术利用用户对项目的标记信息为其推荐可能偏好的物品。然而,现有的基于标签的推荐方法仍受到以下与数据特征相关的挑战与限制:1)在为目标用户个性化推荐时往往倾向于给使用频率较高的标签赋予较大的权重,导致权重偏差,降低了推荐结果的新颖性和准确性;2)用于训练模型的源域数据集与用于检验模型的目标域数据集应满足独立同分布的假设;3)具有标签的源域数据集通常十分稀疏且难以获得,必需拥有足够多的且可用的训练数据才能训练出优秀的推荐模型。针对上述问题,本文主要贡献如下:1.针对权重偏差问题,提出了一种标签熵特征表示的协同过滤个性化推荐算法。首先利用标签信息熵度量标签的不确定性,对热门标签进行削弱;然后利用三分图形式描述0)-(62)-0)8)之间的关系,构建基于标签熵特征表示的用户与项目的特征表示,并通过特征相似度计算方法得到不同项目间的相似度;最后利用用户使用标签和项目相似性线性组合预测用户对项目的偏好值,并按照预测评分进行排序,生成最终推荐列表。在Last.fm数据集上的实验结果表明,该方法能够提高推荐结果的准确性和新颖性,满足不同用户的个性化需求。2.针对用于训练模型的源域数据集与用于检验模型的目标域数据集应满足独立同分布的假设及数据稀疏性问题,提出了一种基于标签特征信息迁移学习的推荐算法,将从源域数据中学习得到的用户及项目特征信息迁移到目标领域的数据中。首先在较为稀疏的源域数据集中通过标签构建项目的特征表示,根据用户选择项目集的行为数据计算用户的特征表示;然后,在较为稠密的目标域数据集中根据选择项目的用户群体来度量项目的特征;之后,在目标域数据集上对用户、项目的特征表示进行平滑处理,消除不同用户评分尺度及不同数据集评分范围所带来的影响;最后将用户、项目隐性特征应用到标签熵特征表示的协同过滤个性化推荐算法中,设计与构建了基于标签特征信息迁移学习的推荐方法,完成目标项目推荐。在Movie Lens数据集上的实验结果表明,该方法可以有效缓解数据稀疏性问题,提高了推荐的准确性。3.基于上述提出的推荐算法,本文设计与实现了一个音乐推荐应用系统。基于Spring、My Batis以及Spring MVC框架,采用Java、Python、HTML以及JQuery技术作为开发语言。利用Python封装的接口计算用户数据,将标签矢量化,根据用户以及项目使用标签的历史记录,构造用户及项目的特征表示和项目相似性,为用户推荐其可能会感兴趣的音乐。通过在Java中集成Python,调用Python脚本文件,为用户动态返回推荐结果。该系统用户只需要提供目标用户的ID,系统后台将根据用户的行为数据,最终为目标用户生成其可能喜爱的Top-5音乐推荐。
基于用户偏好的微信公众号文章推荐系统
这是一篇关于微信公众号,内容推荐,标签推荐,混合推荐的论文, 主要内容为近年来,随着互联网和智能终端的快速发展,移动端的社交应用层出不穷。微信(WeChat)作为移动终端应用最广泛的社交软件之一,已经成为人们获取信息的重要渠道。但是,海量信息也带来了信息过载(information overload)的问题,用户如何在众多公众号中获取有价值的信息,具有一定的研究价值。针对以上问题,本文在收集微信公众号文章内容的基础上,对文章内容进行数据分析,从用户自身兴趣偏好出发,设计微信公众号文章推荐系统,给用户提供较为精确的推荐结果,主要的工作内容包括:(1)提出了全新的微信公众号数据爬取方式,通过设计微信公众号文章爬取系统,包括自动访问模块、网络数据包的监听模块、数据解析和存储模块,实现公众号文章的自动爬取。这种爬取方式解决了传统爬取方式中无法取得阅读数、点赞数的问题,具有高效、稳定、实时的特点,弥补了微信文章爬取研究上的空缺。(2)对爬取的数据进行数据预处理,使用Ansj分词工具进行文本分词、词频统计和关键词提取。对关键词提取算法进行了改进,使其能够自动加载本地停用词字典,提高了关键词提取的准确度。(3)设计和实现了微信公众号文章推荐系统,从两方面进行公众号文章的推荐:在基于内容的推荐方面,通过计算关键词词频向量的相似度,为每篇文章找出主题类似的文章,再通过分析用户偏好数据,对其进行文章推荐;在基于标签的推荐方面,通过收集用户标签,为用户推荐与其标签相关的文章。(4)针对基于内容和基于标签推荐存在的缺点,使用加权混合推荐的方法,得到更为精确的推荐结果,提高了系统的准确度和召回率,并对系统进行了验证。系统的实现和验证结果表明,本文设计的微信公众号文章推荐系统可以进行高效、稳定的文章爬取,并在此基础上进行准确有效的推荐,其推荐效果优于传统的内容推荐方法,具有一定的应用价值。
基于标签的电影组推荐方法研究
这是一篇关于群组推荐,标签推荐,张量分解的论文, 主要内容为随着现代科技的发展,网络在信息化的现代社会覆盖率已经达到全球人口的一半,网络用户的增长,伴随产生的数据则以指数形式增长,用户在巨量的数据中获得自己所需的信息,产生了自主为用户筛选信息的推荐系统。近年推荐系统在各个领域的应用研究推动了信息服务的发展,并且针对群体推荐的研究也逐渐成为研究重点。目前针对电影群组推荐系统,标签在推荐中应用不足,目前UGC(User Generated Content)标签是用户自己创建的标签,能够准确描述用户的偏好,推荐系统在建立用户偏好时更准确预测用户偏好。为此针对电影组推荐系统的标签运用问题,在群组发现和群组推荐中加入标签内容。主要包括内容如下:(1)目前研究群组发现算法,传统聚类算法的焦点是在评分矩阵,其他上下文信息因素大多是以权重形式融合进评分矩阵,评分矩阵的影响因素占比过大。现提出的算法建立融合时间影响因素的评分和改进的TF-IDF方法计算出的用户偏好标签权重,分别计算评分与标签信息的用户相似度,融合二者相似度建立用户之间的偏好差异相似度矩阵,通过用户相似度矩阵发现群组。通过对比实验发现融合标签后的方法比传统的聚类算法推荐结果更好。(2)用户偏好模型的构建,大多数研究依赖用户与项目之间的评分关系矩阵,研究的重点在于项目与用户之间存在可挖掘的显式性信息。用户的显示性信息在历史行为中的数据量占比不高,而项目所包含的隐式信息对用户的偏好挖掘有巨大价值。本文通过判断群组成员观看过的所有标签所属电影评分是否超过阈值,计算标签的好评率,融合用户的评分构建初始张量,张量中的高评分率标签所属电影的推荐概率要高于挖掘用户评分构建的张量。本文基于以上方法理论,在MovieLens数据集上进行模拟实验,实验结果显示,结合标签内容建立的用户相似度分组,对比基于评分矩阵分组,前者的推荐效果更优秀。而后建立的高评分张量模型,其推荐精确度得到大幅提高,推荐效果更加。
基于知识图谱的学者标签发现系统的设计与实现
这是一篇关于知识图谱,标签推荐,聚类注,意力机制的论文, 主要内容为当今,科研学者及其成果数量不断增长,推动了科学技术的发展,但由于学术资源数量巨大且分布散乱,给学术信息的分析和检索带来了巨大的挑战。本文结合多个数据源的学者数据、推荐系统和聚类算法,设计一种基于知识图谱的学者标签发现系统,系统清晰直观地展示了学者的个人属性标签、研究兴趣标签以及社交标签。针对本系统的设计,本文的主要研究内容如下:(1)设计并构建学者知识图谱。这是后续进行标签推荐的基础和依据。本文基于多个数据源的结构化学者数据,自定义实体间的关系和属性。通过学者的研究成果确定其合作者,设计基于合作者的聚类算法进行实体融合,借助于Neo4j图形数据库实现对学者知识图谱的存储和可视化。(2)设计并实现兴趣标签推荐算法。由于已有数据标签存在质量问题,设计了标签预处理方法,构建出了符合本文研究任务的标签集。在此基础上,利用已经构建的学者知识图谱,结合注意力机制,设计了学者兴趣标签推荐算法,与经典的BM25、CNN、LSTM算法在人工标注的数据集上进行对比,验证了此算法的有效性。应实际项目需要,本文设计并实现了学者标签发现系统,提供学者搜索和标签搜索功能,在学者主页详细展示了学者各类标签信息,并把此系统集成在了已经上线运行的兰亭系统中,由此验证了本系统的可用性。
基于图卷积神经网络的个性化标签推荐系统
这是一篇关于UGC,图卷积神经网络,标签推荐的论文, 主要内容为随着互联网的发展,Web2.0应用的功能也变得越来越丰富,出现了许多将标注权限赋予用户的用户生成内容(UGC)系统。标签不仅仅丰富了互联网的数据资源,而且在信息检索、推荐系统等场景也有得到应用。但是社会化标注这种行为完全由用户决定,这就导致了标签数据中存在大量冗余的、不规范的标签,因此进行标签推荐技术的研究具有重要的现实意义。一方面对系统而言,标签推荐有利于去除冗余的、不规范的标签信息,为系统营造良好的标签数据资源;另一方面对用户来说,标签推荐也是系统提供的一种服务,良好的推荐效果能够提升用户体验。然而,目前大多数标签推荐还依赖于基于内容等传统的算法,并且许多算法只考虑了标签与资源之间的关系而忽略了用户,因此推荐效果不佳。由于在图表征任务上的出色表现,图神经网络成为当前的研究热点,图神经网络与推荐系统的结合有可能进一步提升推荐性能。因此,本文设计了一种基于图卷积神经网络的个性化标签推荐算法,借助图卷积网络的表示学习能力,用于为用户发布的资源推荐标签。本文主要的工作包含以下几点:(1)设计了一种基于图卷积神经网络的个性化标签推荐算法。说明了算法的设计思路,包括数据预处理与特征提取、用户与标签的表示学习以及个性化标签推荐三部分。(2)设计了一个个性化标签推荐系统。首先通过系统的需求分析明确了系统的功能需求。其次通过系统设计将功能需求模块化,具体包括系统架构设计、功能模块设计以及数据库设计。然后说明了系统实现的相关技术、各个功能模块的具体实现。最后对系统的主要模块进行了功能测试。(3)对本文算法进行了实验验证分析。通过实验测试了算法参数对推荐性能的影响、测试了注意力机制对推荐性能的影响,对算法测试结果进行了分析,并与常用的标签推荐算法做了对比。从实验结果来看,本文算法在推荐的精确率、召回率指标上,相比于常用的标签推荐算法都有一定的提升,证明了本文算法的有效性。
融合多模态数据和情感信息的短视频标签推荐方法研究
这是一篇关于标签推荐,短视频,多模态融合,情感分析的论文, 主要内容为近年来随着移动互联网技术的发展和数据传输带宽不断增大,有利于信息朝多元化发展,图片、视频成为了人们之间社交信息传播的新媒介。其中短视频时间跨度短,但具有鲜明的主题信息,可以被方便地拍摄并即时分享,易广泛传播并且数量巨大。短视频平台的标签推荐任务生成的标签有助于对不同短视频的粗粒度分类,同时也有助于帮助用户浏览其更加感兴趣的内容,具有重大的研究意义。短视频标签推荐任务中本质上是从视频到文本的训练任务,视频数据的特征提取十分重要,现有的视频标签推荐模型在多模态信息融合时往往选择的模态信息不够充分,并且融合方法主要是将不同的模态信息映射到同一表示空间,融合效果和现在在其他领域中主流的Transformer多模态融合方法相比效果不佳,并且由于在社交平台中短视频里出现的人物信息较多,情感标签也较为丰富,以往模型对于具有情感属性标签预测能力通常也弱于内容描述属性的标签。针对这些的问题,提出了一种利用多模态Transformer并结合情感分析(Multimodal Transformer with Sentiment Analysis,MTSA)的短视频标签推荐模型,选取了视频中的视觉、音频和文本信息,将模型的视频特征提取分为视频内容信息提取模块和视频情感信息提取模块,其中内容信息提取模块借鉴视频描述领域中的融合方法,将Transformer中的解码器部分进行改进后,通过自注意力机制加强单一模态的特征提取,通过跨注意力机制融合不同模态之间的信息;而情感模块采用预训练模型对情感特征进行提取,通过多头注意力机制进行融合;最后得到三个模态信息的内容以及情感特征,在两个模块后加入了注意力机制,融合了内容特征、情感特征和标签信息得到权重矩阵,使得两个模块在不同的标签下进行信息融合时赋予不同的权重,并将标签推荐当成多标签分类问题。在Vine短视频数据集上进行了对比实验以及模块消融实验,改进后的融合方法同其他对比模型相比,在用于评估推荐系统的Recall@5、NDCG@5指标上有2.06%和、1.59%性能提升,短视频多模态特征融合中采用编码器结构在Recall@5、NDCG@5指标上有3.08%、2.83%的性能提升。
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/48175.html
