基于知识图谱融合用户显隐性偏好的个性化推荐方法研究
这是一篇关于个性化推荐,协同过滤,知识图谱技术,稀疏性问题,属性偏好的论文, 主要内容为随着科技发展脚步地加快,大数据时代的到来在给人们带来便利的同时也伴随着数据冗余的问题,用户面对海量数据无法做出正确且适合自己的选择。搜索引擎通过用户明确目的搜索解决了部分的数据冗余问题,但是并没有能力处理用户的个性化需求问题,因此推荐系统应运而生。个性化的推荐系统通过筛除无用数据专门为用户提供最合适的数据信息。但是用户评分数据的稀疏和系统的冷启动问题一直限制着推荐系统的性能表现。因此,大量研究者通过引入辅助信息作为数据填充到推荐系统中来提升推荐系统的性能,例如将知识图谱、项目属性等信息结合到推荐系统中。本文将引入知识图谱到推荐系统中,利用知识图谱的网络边结构信息挖掘用户的隐性属性偏好,对传统基于项目属性偏好的协同过滤算法进行改进得到CFUEP算法。在知识图谱上通过对显性偏好和隐性偏好的融合,解决了数据稀疏的问题,提高了推荐的性能、增强了推荐系统的可解释性。最后基于SSM框架使用Java语言开发了一套个性化电影推荐系统。本文主要创新点与工作内容如下:1.本文利用知识图谱的网络边结构信息挖掘用户的隐性属性偏好,从用户的历史项目记录出发,将用户和项目的ID嵌入作为原始输入,通过对项目I在d维空间上的嵌入,表示每个项目I与项目嵌入i∈Rd在向量空间中相关联,给定项目嵌入I和第一跳的继承连接集合Lu1,通过将项目I与头实体hi和关系实体ri进行比较,为Lu1中的每个三元组分配一个隐性偏好继承概率。在获得相关结点继承概率后将Su1中的尾实体与隐性关联概率和显性关联概率相乘得到从用户历史交互项目沿着知识图谱传播一跳的传播向量。以此递归计算得到最后的用户嵌入u,最后通过用户嵌入和项目嵌入计算得到用户对项目的点击率预测。2.本文基于SSM开发框架设计并开发了个性化电影推荐系统。首先对系统进行需求分析,确定推荐系统的整体框架,然后结合实际场景设计实现功能板块和业务逻辑,最后对该系统进行了系统功能测试,验证该系统是否符合我们的预期要求。
基于知识图谱融合用户显隐性偏好的个性化推荐方法研究
这是一篇关于个性化推荐,协同过滤,知识图谱技术,稀疏性问题,属性偏好的论文, 主要内容为随着科技发展脚步地加快,大数据时代的到来在给人们带来便利的同时也伴随着数据冗余的问题,用户面对海量数据无法做出正确且适合自己的选择。搜索引擎通过用户明确目的搜索解决了部分的数据冗余问题,但是并没有能力处理用户的个性化需求问题,因此推荐系统应运而生。个性化的推荐系统通过筛除无用数据专门为用户提供最合适的数据信息。但是用户评分数据的稀疏和系统的冷启动问题一直限制着推荐系统的性能表现。因此,大量研究者通过引入辅助信息作为数据填充到推荐系统中来提升推荐系统的性能,例如将知识图谱、项目属性等信息结合到推荐系统中。本文将引入知识图谱到推荐系统中,利用知识图谱的网络边结构信息挖掘用户的隐性属性偏好,对传统基于项目属性偏好的协同过滤算法进行改进得到CFUEP算法。在知识图谱上通过对显性偏好和隐性偏好的融合,解决了数据稀疏的问题,提高了推荐的性能、增强了推荐系统的可解释性。最后基于SSM框架使用Java语言开发了一套个性化电影推荐系统。本文主要创新点与工作内容如下:1.本文利用知识图谱的网络边结构信息挖掘用户的隐性属性偏好,从用户的历史项目记录出发,将用户和项目的ID嵌入作为原始输入,通过对项目I在d维空间上的嵌入,表示每个项目I与项目嵌入i∈Rd在向量空间中相关联,给定项目嵌入I和第一跳的继承连接集合Lu1,通过将项目I与头实体hi和关系实体ri进行比较,为Lu1中的每个三元组分配一个隐性偏好继承概率。在获得相关结点继承概率后将Su1中的尾实体与隐性关联概率和显性关联概率相乘得到从用户历史交互项目沿着知识图谱传播一跳的传播向量。以此递归计算得到最后的用户嵌入u,最后通过用户嵌入和项目嵌入计算得到用户对项目的点击率预测。2.本文基于SSM开发框架设计并开发了个性化电影推荐系统。首先对系统进行需求分析,确定推荐系统的整体框架,然后结合实际场景设计实现功能板块和业务逻辑,最后对该系统进行了系统功能测试,验证该系统是否符合我们的预期要求。
基于知识图谱融合用户显隐性偏好的个性化推荐方法研究
这是一篇关于个性化推荐,协同过滤,知识图谱技术,稀疏性问题,属性偏好的论文, 主要内容为随着科技发展脚步地加快,大数据时代的到来在给人们带来便利的同时也伴随着数据冗余的问题,用户面对海量数据无法做出正确且适合自己的选择。搜索引擎通过用户明确目的搜索解决了部分的数据冗余问题,但是并没有能力处理用户的个性化需求问题,因此推荐系统应运而生。个性化的推荐系统通过筛除无用数据专门为用户提供最合适的数据信息。但是用户评分数据的稀疏和系统的冷启动问题一直限制着推荐系统的性能表现。因此,大量研究者通过引入辅助信息作为数据填充到推荐系统中来提升推荐系统的性能,例如将知识图谱、项目属性等信息结合到推荐系统中。本文将引入知识图谱到推荐系统中,利用知识图谱的网络边结构信息挖掘用户的隐性属性偏好,对传统基于项目属性偏好的协同过滤算法进行改进得到CFUEP算法。在知识图谱上通过对显性偏好和隐性偏好的融合,解决了数据稀疏的问题,提高了推荐的性能、增强了推荐系统的可解释性。最后基于SSM框架使用Java语言开发了一套个性化电影推荐系统。本文主要创新点与工作内容如下:1.本文利用知识图谱的网络边结构信息挖掘用户的隐性属性偏好,从用户的历史项目记录出发,将用户和项目的ID嵌入作为原始输入,通过对项目I在d维空间上的嵌入,表示每个项目I与项目嵌入i∈Rd在向量空间中相关联,给定项目嵌入I和第一跳的继承连接集合Lu1,通过将项目I与头实体hi和关系实体ri进行比较,为Lu1中的每个三元组分配一个隐性偏好继承概率。在获得相关结点继承概率后将Su1中的尾实体与隐性关联概率和显性关联概率相乘得到从用户历史交互项目沿着知识图谱传播一跳的传播向量。以此递归计算得到最后的用户嵌入u,最后通过用户嵌入和项目嵌入计算得到用户对项目的点击率预测。2.本文基于SSM开发框架设计并开发了个性化电影推荐系统。首先对系统进行需求分析,确定推荐系统的整体框架,然后结合实际场景设计实现功能板块和业务逻辑,最后对该系统进行了系统功能测试,验证该系统是否符合我们的预期要求。
基于知识图谱融合用户显隐性偏好的个性化推荐方法研究
这是一篇关于个性化推荐,协同过滤,知识图谱技术,稀疏性问题,属性偏好的论文, 主要内容为随着科技发展脚步地加快,大数据时代的到来在给人们带来便利的同时也伴随着数据冗余的问题,用户面对海量数据无法做出正确且适合自己的选择。搜索引擎通过用户明确目的搜索解决了部分的数据冗余问题,但是并没有能力处理用户的个性化需求问题,因此推荐系统应运而生。个性化的推荐系统通过筛除无用数据专门为用户提供最合适的数据信息。但是用户评分数据的稀疏和系统的冷启动问题一直限制着推荐系统的性能表现。因此,大量研究者通过引入辅助信息作为数据填充到推荐系统中来提升推荐系统的性能,例如将知识图谱、项目属性等信息结合到推荐系统中。本文将引入知识图谱到推荐系统中,利用知识图谱的网络边结构信息挖掘用户的隐性属性偏好,对传统基于项目属性偏好的协同过滤算法进行改进得到CFUEP算法。在知识图谱上通过对显性偏好和隐性偏好的融合,解决了数据稀疏的问题,提高了推荐的性能、增强了推荐系统的可解释性。最后基于SSM框架使用Java语言开发了一套个性化电影推荐系统。本文主要创新点与工作内容如下:1.本文利用知识图谱的网络边结构信息挖掘用户的隐性属性偏好,从用户的历史项目记录出发,将用户和项目的ID嵌入作为原始输入,通过对项目I在d维空间上的嵌入,表示每个项目I与项目嵌入i∈Rd在向量空间中相关联,给定项目嵌入I和第一跳的继承连接集合Lu1,通过将项目I与头实体hi和关系实体ri进行比较,为Lu1中的每个三元组分配一个隐性偏好继承概率。在获得相关结点继承概率后将Su1中的尾实体与隐性关联概率和显性关联概率相乘得到从用户历史交互项目沿着知识图谱传播一跳的传播向量。以此递归计算得到最后的用户嵌入u,最后通过用户嵌入和项目嵌入计算得到用户对项目的点击率预测。2.本文基于SSM开发框架设计并开发了个性化电影推荐系统。首先对系统进行需求分析,确定推荐系统的整体框架,然后结合实际场景设计实现功能板块和业务逻辑,最后对该系统进行了系统功能测试,验证该系统是否符合我们的预期要求。
基于知识图谱的个性化推荐技术研究
这是一篇关于知识图谱,分布式表示,个性化推荐,协同过滤,稀疏性问题的论文, 主要内容为在当今互联网高速发展与信息爆炸增长的时代下,人们容易出现信息过载等问题,难以获取有效信息并学得知识。为了解决信息过载的问题,个性化推荐系统应运而生。相比搜索引擎,个性化推荐系统更适用于用户需求不明确或无法准确用关键词描述的应用场景,例如我们常见的新闻资讯类、电商类、音乐类等应用。在实际应用中,大多数推荐系统一般采用协同过滤推荐算法,仅输入用户交互数据,存在着稀疏性问题与冷启动问题,在一定程度上限制了推荐效果。从根源上讲,数据的不完善是导致数据稀缺和冷启动问题的根本原因,因此本文引入知识图谱作为辅助信息,重点研究了知识图谱的分布式表示方法、基于知识图谱的个性化推荐算法。本文的主要研究内容如下:首先,对于知识图谱的分布式表示方法,本文介绍了现有图分布式表示方法损失了子图级别高阶相似性的问题。为此,本文提出了一种基于循环神经网络的知识图谱分布式表示模型KG-GRU,利用包含节点与关系的序列,对子图相似性进行建模,将关系与节点表示在相同的嵌入向量空间。此外,本文提出跳转或停留策略JUST,指导随机游走对知识图谱进行数据采样,避免了手动构建元路径以及节点类型分布不平衡的问题。然后,本文提出了两种基于知识图谱的个性化推荐算法:KG-CF和KG-GRU4Rec。基于融合内容的协同过滤算法思想,KG-CF直接将领域知识图谱中物品的分布式表示向量融合进物品相似度计算,即向传统的基于物品的协同过滤算法补充了物品的语义信息,从而提高个性化推荐效果。KG-GRU4Rec改进于本文提出的知识图谱分布式表示模型KG-GRU,实现了一个端到端预测用户评分的模型,避免了KG-CF的评分预测依然依赖用户历史评分数据的问题。最后,在实验阶段,本文以电影推荐为应用场景,选择了个性化推荐领域广泛应用的Movie Lens电影推荐数据集。为评估本文提出的上述算法模型,本文调研并实现了电影领域知识图谱的构建,包括从电影领域本体库的构建,电影相关数据爬取,到知识的抽取与存储。最后,本文通过链接预测实验证明了KG-GRU模型能够学习本文构建的电影领域图谱中实体与关系较为准确的分布式表示,通过Top-N电影推荐实验证明了KG-CF和KG-GRU4Rec推荐算法在命中率和平均倒数排名方面优于对比算法。
基于知识图谱融合用户显隐性偏好的个性化推荐方法研究
这是一篇关于个性化推荐,协同过滤,知识图谱技术,稀疏性问题,属性偏好的论文, 主要内容为随着科技发展脚步地加快,大数据时代的到来在给人们带来便利的同时也伴随着数据冗余的问题,用户面对海量数据无法做出正确且适合自己的选择。搜索引擎通过用户明确目的搜索解决了部分的数据冗余问题,但是并没有能力处理用户的个性化需求问题,因此推荐系统应运而生。个性化的推荐系统通过筛除无用数据专门为用户提供最合适的数据信息。但是用户评分数据的稀疏和系统的冷启动问题一直限制着推荐系统的性能表现。因此,大量研究者通过引入辅助信息作为数据填充到推荐系统中来提升推荐系统的性能,例如将知识图谱、项目属性等信息结合到推荐系统中。本文将引入知识图谱到推荐系统中,利用知识图谱的网络边结构信息挖掘用户的隐性属性偏好,对传统基于项目属性偏好的协同过滤算法进行改进得到CFUEP算法。在知识图谱上通过对显性偏好和隐性偏好的融合,解决了数据稀疏的问题,提高了推荐的性能、增强了推荐系统的可解释性。最后基于SSM框架使用Java语言开发了一套个性化电影推荐系统。本文主要创新点与工作内容如下:1.本文利用知识图谱的网络边结构信息挖掘用户的隐性属性偏好,从用户的历史项目记录出发,将用户和项目的ID嵌入作为原始输入,通过对项目I在d维空间上的嵌入,表示每个项目I与项目嵌入i∈Rd在向量空间中相关联,给定项目嵌入I和第一跳的继承连接集合Lu1,通过将项目I与头实体hi和关系实体ri进行比较,为Lu1中的每个三元组分配一个隐性偏好继承概率。在获得相关结点继承概率后将Su1中的尾实体与隐性关联概率和显性关联概率相乘得到从用户历史交互项目沿着知识图谱传播一跳的传播向量。以此递归计算得到最后的用户嵌入u,最后通过用户嵌入和项目嵌入计算得到用户对项目的点击率预测。2.本文基于SSM开发框架设计并开发了个性化电影推荐系统。首先对系统进行需求分析,确定推荐系统的整体框架,然后结合实际场景设计实现功能板块和业务逻辑,最后对该系统进行了系统功能测试,验证该系统是否符合我们的预期要求。
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/48207.html
