8篇关于异构信息网络的计算机毕业论文

今天分享的是关于异构信息网络的8篇计算机毕业论文范文, 如果你的论文涉及到异构信息网络等主题,本文能够帮助到你 基于异构信息网络的推荐系统研究 这是一篇关于推荐系统

今天分享的是关于异构信息网络的8篇计算机毕业论文范文, 如果你的论文涉及到异构信息网络等主题,本文能够帮助到你

基于异构信息网络的推荐系统研究

这是一篇关于推荐系统,异构信息网络,时间卷积网络,多嵌入融合,注意力机制的论文, 主要内容为随着在线信息的爆炸式增长,各网络平台都面临信息过载等问题。推荐系统能够准确地捕捉用户的偏好,并建议用户可能感兴趣的项目,从而可以提高用户对平台的满意度,因此受到了广泛的关注。异构信息网络可以将复杂的对象和连接分别建模成图的不同类型的节点和边,不同的节点序列即元路径代表不同的语义信息。基于元路径,各节点之间的关系可以被准确捕获。因此,元路径包含了丰富的语义信息和结构信息。在此背景下,涌现出了许多基于异构信息网络的推荐系统。但是,该类模型仍存在诸多问题,例如大都未充分考虑时间维度信息以及多嵌入融合的方式等。为进一步增强推荐系统的性能,满足当今时代对信息匹配的高需求,本文围绕基于异构信息网络的推荐系统展开了研究,主要内容与创新如下:(1)介绍了推荐系统以及异构信息网络的发展概况以及经典模型,包括Herec、HAN、NIRec和MCRec,着重叙述了这几种模型的网络结构、原理和优缺点。(2)针对现有的基于异构信息网络的推荐系统大都只关注结构信息而忽略时间维度信息的问题,提出了一种基于时序增强的推荐(temporal enhancement for recommendation,TMRec)模型。该模型引入了时间卷积网络、长短期记忆网络和自注意力机制模块,整个模型分为用户、项目和元路径的嵌入学习三部分。在元路径嵌入学习中,引入了时间卷积网络模块,以捕捉序列上不同类型节点之间的时间关系。并且采用L2归一化来处理此模块中单个元路径的嵌入,以避免过拟合。此外,还在用户和项目嵌入学习时,利用长短期记忆模块和自注意机制模块来突出路径上相同类型节点的时间关系和交互,从而增强其嵌入表示。最后,在Last FM、Movielens和Yelp三个数据集上进行了消融实验和对比实验,结果验证了提出的TMRec模型的优越性。(3)针对现有的基于异构信息网络的推荐系统大都未充分考虑多嵌入融合的方式以及各嵌入在学习过程中各节点存在局部特征放大与交互的问题,提出了一种基于多嵌入融合的推荐(multi-embeddings fusion for recommendation,MFRec)模型。首先,针对未充分考虑多嵌入融合方式的问题,该模型引入了全新的多嵌入融合模块即特征重要性选择与双线性特征交互网络,采用压缩激励网络动态学习各特征的重要性,以及采用双线性交互函数来更好地建模交叉特征,更细粒度地进行了嵌入之间的交互,并强调了各特征的不同程度重要性,增强了最终的嵌入表示。另外,针对各嵌入在学习过程中各节点存在未强调局部特征放大与交互的问题,在用户和项目的嵌入学习部分,该模型采用了对象上下文网络,增强同类型节点的特征放大与交互,再经过互注意力机制进行嵌入的改善;此外,在元路径嵌入学习部分,该模型还引入了空洞卷积和空间金字塔池化,来获取多尺度信息并增强元路径的节点表示。最后,在Last FM、Movielens和Yelp三个数据集上进行了消融实验和对比实验,结果验证了提出的MFRec模型的优越性。

基于图卷积的异构信息网络推荐算法研究

这是一篇关于数据挖掘,推荐系统,矩阵分解,异构信息网络,图卷积神经网络的论文, 主要内容为随着互联网的普及,人们面临的信息过载问题愈发凸显,推荐系统已成为各大电商平台提高用户体验的重要途径。基于用户对物品的评分矩阵,挖掘用户偏好,从而进行新物品的推荐是推荐领域的一个经典问题,基于矩阵分解的协同过滤算法是解决这一问题的经典算法。为了缓解数据稀疏和冷启动问题,并改进模型效果,越来越多研究引入额外数据,如社交网络、商品属性等信息。为了更好地将各种信息整合到一个模型中,构建异构信息网络是其中一个重要的研究方向。近年来,图卷积神经网络被广泛应用于网络数据的挖掘,对异构网络图卷积的研究多用于节点分类任务,为了更好地将其迁移到推荐任务中来,本文设计了注意力交互机制,充分利用节点的多阶近邻信息,挖掘用户与物品之间复杂的交互关系,从而构建了一个基于异构图卷积的推荐系统模型。本文将模型在Amazon,Yelp,DoubanMovie三个数据集上进行实验,发现异构图卷积和注意力交互机制的结合在评分预测任务中,可以优于经典的矩阵分解算法和许多近年来的相关研究。后续本文对图卷积的深度进行了探索,发现模型深度对评分预测结果有一定的影响,但MAE与RMSE呈反向变动,深层模型可以降低MAE但提高RMSE,这说明更深的模型对误差较小的样本预测效果较好,而对误差较大的样本预测效果相对较差。为了探究注意力交互机制的稳健性,本文尝试了多种图卷积网络结构,发现注意力交互机制有较强的稳健性,分别与多种图卷积结构结合时都可以带来较好的预测效果。因此,该注意力交互机制可以与更多的图表示学习模型结合,将图节点分类任务的模型应用到推荐系统评分预测的任务中来。

基于异构信息网络的众包项目团队组建问题研究

这是一篇关于众包,项目团队组建,异构信息网络,元路径的论文, 主要内容为互联网中有大量且分散的天赋与创意,存在巨大的生产潜力。与此同时人口老龄化,人才竞争等使得企业人力成本攀升。在这样的背景下,众包模式得到了快速发展。众包具体是指一个公司或机构把过去由员工执行的工作任务,以自由自愿的形式外包给非特定的(而且通常是大型的)大众网络的做法[1]。根据众包项目类型和形式的不同,众包可以分为简单众包和复杂众包。简单众包任务一般由单个工人独立完成,强调员工的个人能力,复杂众包任务更为复杂化、规模化和系统化,需要多人以团队的形式进行协同,其最终的绩效输出与团队内部的协同效率密切相关。由于众包项目团队沟通障碍多,众包人员质量层次不齐,发包方对接包方了解不够全面等问题,发包方很难从众多接包方候选人中选择合适的团队成员,因此复杂众包的发展缓慢。本文对众包团队组建问题展开研究,探讨如何有效利用众包平台拥有的接包方数据、项目经历等数据,辅助发包方在众包平台上选择合适的人员,组建出高绩效的团队。主要研究工作与成果如下:首先,本文结合已有的项目团队组建研究成果和众包项目团队特点,分析了众包项目团队组建过程中需要考虑的重点,并确立了人岗技能匹配度与团队成员沟通效率为众包项目团队组建问题的优化目标。接着,为了合理量化人岗技术匹配度与团队成员沟通效率这两个较为抽象的概念。本文提出了一种基于异构信息网络技术,从多维度度量团队沟通效率与人岗技术匹配度的新方法,该方法有效解决了众包模式下接包方之间彼此陌生所产生的社交网络数据稀疏问题。能够从技术背景、时空差异、语言文化差异以及历史合作经历与社会交集等方面刻画出接包方之间的沟通关系,以及接包方与岗位之间的技能匹配度。进一步,为验证该度量方法的有效性,本文利用真实的众包项目团队数据进行实证分析。回归分析结果表明,基于众包社区异构信息网络计算的团队沟通效率与人岗匹配度与最终团队绩效呈显著正相关关系。最后,在给出指标结算方法后,为帮助团队组建者或推荐系统能够应用于实践,本文对应的给出众包项目团队进行成员选择的简要的从确定项目团队结构到最终团队组建的流程与方法。

基于异构信息网络的兴趣点推荐研究

这是一篇关于基于位置的社交网络,兴趣点推荐,异构信息网络,用户签到行为,上下文感知的论文, 主要内容为近年来,随着互联网技术的高速发展和移动设备的日益普及,基于位置的社交网络(Location-Based Social Network,LBSN)服务逐渐兴起。用户通过LBSN服务提供的“签到”行为探索他们喜欢的兴趣点(Point-of-Interest,POI),例如图书馆、餐厅等。个性化兴趣点推荐服务旨在通过签到行为数据来挖掘用户的偏好,帮助用户探索新的兴趣点,以此来提高基于位置的社交网络服务体验。然而,现有的兴趣点推荐系统面临着原始数据稀疏、用户行为缺少负反馈并受多种上下文信息影响等问题。本文针对以上问题展开研究,深入分析用户行为的影响因素,并对两类不同的应用场景提出相应的推荐算法。本文的主要工作体现在如下方面:(1)为了精确捕获用户的行为特征,本文使用异构信息网络(Heterogeneous Information Network,HIN)来建模LBSN中的复杂关系,设计并使用元路径来表示不同的用户行为语义。此外,本文通过分析建模用户签到行为的上下文影响因素来提高兴趣点推荐系统的精度和可解释性。(2)针对一般场景的兴趣点推荐问题,本文提出一种基于用户行为语义的兴趣点推荐算法。该算法首先使用基于元路径的计数关联度构建用户-兴趣点语义关联度矩阵。其次,在加权矩阵分解模型中考虑地理位置距离的影响,从多条元路径产生的用户-兴趣点语义关联度矩阵中获取用户语义偏好。最后,针对用户行为隐式反馈的问题,提出一个基于排序学习的融合方法,将不同元路径求得的用户语义偏好统一起来作为最终偏好来给用户推荐兴趣点。实验结果表明,该算法相较于其它现有的兴趣点推荐算法有更好的推荐效果。(3)针对特定上下文情境下的兴趣点推荐问题,本文提出一种上下文感知的兴趣点推荐算法。该算法首先提出基于元路径的双向影响语义关联度来提取用户行为语义特征,并通过上下文平滑方法缓解数据稀疏问题。其次,基于考虑上下文流行度的加权随机采样方法构建训练样本,并通过因子分解机模型融合不同的特征,进而预测用户偏好。实验结果表明,该算法能有效感知特定上下文情境下的用户行为偏好,从而为用户推荐合适的兴趣点。

基于网络表示学习的推荐算法研究

这是一篇关于推荐系统,网络表示学习,共现关系,异构信息网络的论文, 主要内容为近年来,随着大数据、云计算、移动互联网等新一代信息技术的快速发展,数据规模迅猛发展、数据类型多种多样、数据产生速度越来越快,我们进入以信息爆炸为特征的“大数据”时代。大数据中蕴含着丰富的信息,具有广泛的应用前景和巨大的知识价值,但同时也为人们带来了严重的“信息过载”问题。推荐系统,是有效解决“信息过载”问题的一个重要方法,受到学术界和工业界的广泛关注。尽管已经有大量振奋人心的研究成果,但是已有的推荐方法往往面临数据稀疏性高、可扩展性差、数据利用率低等问题。为解决上述问题,本文提出了一种基于同构共现网络表示学习的推荐方法和一种融合矩阵分解与异构网络表示学习的推荐方法。具体来说,包括以下两个方面的工作:(1)当前的推荐算法往往具有数据稀疏性高和扩展性差的问题,为了解决上述问题,本文提出一个基于同构共现网络表示学习的推荐算法(ISRMNE)。首先,我们构建用户-物品共现网络来反映用户的偏好信息和物品之间的共现关系。其次,我们发掘该网络中的两种结构相似性:紧凑性和结构等价性,通过对这两种结构相似性的探索可以映射出推荐系统中的四种关系:用户偏好、物品共现关系、用户潜在偏好、用户相似性。最后,我们使用两种采样策略得到网络中的节点序列并使用网络表示学习方法得到用户和物品的网络嵌入向量,从而可以通过向量计算得到推荐结果。我们将提出的基于同构共现网络表示学习的推荐方法ISRMNE在真实数据集上进行实验并与已有方法进行比较,结果表明,ISRMNE算法大大提高了推荐的准确性,同时,有效地解决了推荐系统中的数据稀疏性大及可扩展性差问题。(2)现实推荐场景中的数据是复杂且异构的,如何利用辅助信息来提供推荐的性能是一个值得研究的问题,然而,已有的研究只关注一种辅助信息,这导致用户和物品之间的潜在关系得不到充分的挖掘。为解决上述问题,本文采用异构信息网络来刻画推荐系统中的辅助信息的异构性和复杂性,提出了基于异构信息网络表示学习的推荐算法(HNMF)。首先,我们从基于推荐场景的异构信息网络中提取出多种共现关系构成异构共现网络。其次,我们使用网络表示学习得到用户和物品的多种类型的嵌入向量,并通过融合算法将这些嵌入向量融合成一种向量表示。最后我们将得到的嵌入向量与矩阵分解结合,使推荐过程参考更多潜在的辅助信息。我们将提出的HNMF方法在真实数据集上进行实验并与五种代表性方法进行比较,实验结果表明,HNMF方法大大提高了推荐系统的性能。

异构信息网络中融合LDA与元路径的用户相关性度量方法研究

这是一篇关于异构信息网络,知识图谱,链路预测,用户相关性,LDA,元路径,度量的论文, 主要内容为随着社交网络、新媒体网络、文献网络等由多种类型、相互关联的对象组成的大规模异构网络的急剧发展,异构信息网络(Heterogeneous Information Networks,HIN)分析已经成为数据挖掘中一个重要且热门的研究方向。相关性搜索作为异构网络挖掘中重要研究方向之一,受到越来越多学者的关注。相关性搜索旨在从大规模异构信息网络中挖掘出相关的对等实体,从而为异构网络研究提供依据,尤其是为相关用户推荐工作打下了基础。然而,面对异构信息网络的数据量呈指数级增长的现状,用户往往难以从大量的数据中挖掘出感兴趣的信息,这就是所谓的“信息过载”问题。此问题大大降低了信息的使用效率。通过不同的元路径可以定义对象之间的不同关系,因此基于元路径的实体相关性度量方法应运而生,该方法可以从大量的数据集中发现与查询对象最为相关的对象信息,并且作为开展异构信息网络相关研究的基础与核心,现已在许多实际场景中得到了广泛的应用。目前在基于元路径的相关性方法研究中主要存在两个问题:一是在大规模复杂异构信息网络中,由于节点数目众多、边的类型复杂,无法定义或枚举所有的元路径,使其实体相关性的度量计算效率及准确率都受到了很大的挑战。二是现有的用户相关性度量方法由于未充分开展多维度分析和链路分析,其准确性尚存在提升空间。针对上述问题,本文提出了一种异构信息网络中融合LDA与元路径的用户相关性度量方法,一方面,在复杂的异构网络中自动获取重要元路径;另一方面,在获得的元路径集中挖掘节点语义信息,以此来提高基于元路径的用户度量精确性。主要工作分为以下两部分:(1)提出基于扩展树的元路径自动生成算法(Extended Tree based Meta Path Generation,ETMPG)。首先,将知识图谱建模成一个异构信息网络;然后,根据节点连接概率的大小顺序自动从架构丰富的HIN中提取出元路径;最后,利用对数极大似然函数的权重学习方法训练元路径权重,选取最重要的元路径集合。(2)提出了一种融合LDA与元路径分析的用户相关性度量方法(User Relevance Measure Method Combining LDA and Meta Path Analysis,LPUSim)。该方法首先利用LDA进行主题建模,通过分析网络中节点内容计算节点的相关性;然后,引入元路径来刻画节点间关系类型,通过关联度量(DPRel)方法对重要元路径中的用户进行相关性测量;最后,将节点的相关性融入到用户相关性度量计算中,全面考虑节点语义信息,从而提高用户相关性度量精确性。本文通过在Yago数据库和IMDB电影数据集上开展了充分的实验,对本文所提出异构信息网络中融合LDA与元路径的用户相关性度量方法进行了详细评估。在知识图谱上的链路预测实验和在电影数据集上的用户相关性度量实验结果表明,此方法相较目前主流方法,元路径挖掘的时间效率和精确度都有显著提升,并且能够克服数据稀疏性弊端,从而提高用户相关性度量的准确性。通过对实验结果的分析可以得出本文所提方法具有更为高效与稳定的优势。

结合辅助信息的推荐算法的研究与实现

这是一篇关于推荐系统,辅助信息,图推荐算法,异构信息网络,矩阵分解,深度学习的论文, 主要内容为推荐系统从九十年代提出以来就不断地为人民生活带来便利,当前的信息时代正是推荐算法施展作用的大好时机。推荐系统对于电商平台有着重要的意义,它能够帮助平台提升流量、赚取广告费和提高商品销量等,所以各大电商平台基本上都有自己的推荐系统,这些平台中都充斥着大量的可用信息。利用各种辅助数据为推荐系统提高预测性能已经成为一种研究趋势。本文顺应这种趋势,致力于研究如何更好地结合辅助信息来提高电商平台推荐算法的性能。然而随着电商平台的增多,用户的浏览难度也在增加,经常需要切换不同的网站进行对比购物,这对用户来说也是不方便的,所以对于跨平台的电商网站的研发具有现实意义。本文的主要工作包括以下几点:(1)本文提出了一种名为HRNrec的融合推荐模型,该模型分别通过两种构图方法获取用户和物品之间的特征关系,然后将其输入融合的神经网络模型来生成推荐结果。第一种构图方法是构建“买家-产品-类别”三部图,然后通过随机游走算法进行游走概率计算,最后生成融合的推荐模型的第一部分输入。第二种构图法是利用异构信息网络得到元图,通过元路径的计算方法求解元图中用户和物品的相似度矩阵,再通过概率矩阵分解方法得到相关特征向量,从而生成融合的推荐模型的第二部分输入。最终通过相关实验验证了算法性能。(2)本文提出了一种针对电商网站的名为MoTSPR的改进的图推荐算法,该算法包含了一种权重调节策略和概率调节策略,并且该算法可适用于重复推荐场景,最终在真实数据集中验证了算法的有效性。(3)本文设计并实现了跨平台的电商推荐网站“比比看”,该网站为用户提供了商品比价、历史价格查看、降价提醒、个性化推荐服务等功能。同时将(2)中提出的MoTSPR算法应用到了比比看网站中。

融合内容和异构图结构信息的课程推荐方法研究

这是一篇关于课程推荐,BERT,Word2Vec,异构信息网络,强化学习,卷积神经网络的论文, 主要内容为在慕课中,课程推荐是系统地指导用户学习的主要方式。现有的课程推荐方法中,同时考虑文本内容和异构图结构信息的研究很少,而融合多层面特征信息在推荐时往往可以降低仅使用单层面特征信息固有缺陷的影响,实现特征互补。本文基于上述问题重点研究慕课中的课程推荐问题,利用BERT,Word2Vec和异构信息网络从文本内容和异构图结构信息两个层面挖掘用户与课程之间的潜在联系,加强推荐的可解释性并提高推荐的准确性,使用户的在线学习更加便捷高效。首先,为了从异构图结构信息中挖掘用户在更细粒度的知识概念层面的兴趣偏好,加强推荐的可解释性,本文提出了一种基于异构图嵌入和强化学习的课程推荐方法(HGE-RL)。该方法使用图注意力网络基于模型自动生成的元路径以端到端的方式学习异构信息网络中的节点表征,利用强化学习算法的奖惩机制不断优化推荐策略,更新异构信息网络中的节点表征,最终在完成课程推荐任务的同时获得含有更丰富语义信息的用户与课程的图嵌入向量。其次,为了融合多层面用户特征和课程特征,让多种特征相互促进,提高推荐的准确性,本文提出了一种融合内容和异构图结构信息的课程推荐方法(CHGCRec)。该方法首先利用BERT和Word2Vec分别对课程介绍和课程标题进行特征提取,得到课程词嵌入向量,进而使用指数衰减法对课程词嵌入向量加权求和得到用户词嵌入向量,然后使用卷积神经网络融合词嵌入向量和HGE-RL方法生成的图嵌入向量,得到特征融合后的用户嵌入和课程嵌入,最终在模型的输出层计算两者的余弦相似度作为用户与课程之间的交互概率。最后,使用从学堂在线(Xuetang X)收集的真实数据集验证本文提出的方法的有效性。大量实验和对比分析表明本文提出的方法有效的利用了多层面用户特征和课程特征,在各项评估指标上与基线方法相比都有较大提升。

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:毕业设计客栈 ,原文地址:https://m.bishedaima.com/lunwen/48209.html

相关推荐

发表回复

登录后才能评论