异质信息网络中融合多源信息的推荐算法研究
这是一篇关于异质信息网络,多源信息,社交信息,图注意力网络,多行为数据的论文, 主要内容为随着信息资源爆炸式的增长,推荐系统在缓解信息过载方面发挥着举足轻重的作用,已被电子商务、网络新闻、社交媒体等众多服务广泛采用。推荐系统的理论依据是根据用户的兴趣偏好、需求、行为等信息为用户推荐最可能感兴趣的项目。协同过滤是推荐系统中运用最广泛且最成功的核心推荐技术,然而在应对数据稀疏、冷启动等问题表现欠佳。为了克服这些问题,本文在现有协同过滤算法的基础上研究异质信息网络中融合多源信息的推荐算法,利用社交信息和多行为信息构建异质信息网络,挖掘用户和项目的潜在特征,为用户推荐可能感兴趣的项目。本文的主要工作如下:第一,提出了融合社交信息的贝叶斯个性化推荐方法,通过精心整合用户对项目的反馈信息和用户之间的社交信息来提高协同过滤推荐的性能。与基于用户直接朋友偏好信息的推荐方法不同,本方法可以充分地挖掘用户之间的隐式关联,捕获社交网络中隐含的潜在信息,此外还可以有效地区别用户直接/间接社交朋友的项目反馈与社交影响。由于用户同时存在于用户-项目交互网络和用户-用户社交网络中,对目标用户的表示一方面基于项目排名,另一方面基于用户排名。最终结合项目排名和用户排名构建贝叶斯个性化排名函数,挖掘社交关系和用户行为相互依赖的事实,学习潜在的用户/项目表示。此外使用有效的负采样策略提高负采样实例的质量,进一步提高推荐性能。第二,提出了基于双重图注意力网络的多行为推荐方法,通过构造具有不同行为的多关系图来捕获用户-项目多行为数据中的隐藏关系。已有的单一行为的推荐方法只利用用户的目标行为预测用户偏好,而本方法可以融合用户的不同类型的行为,从而丰富用户偏好和项目特征的语义信息。具体来说,节点级注意力用来捕获不同邻居在特定行为下的重要性,而行为级注意力用来捕获不同行为的语义强度。此外,还通过建模目标用户和目标项目之间的依赖关系学习目标用户和目标项目的动态特征。在两个真实数据集上的实验验证了模型中关键组件的有效性。结果表明,与其他先进的推荐方法相比,所提出的模型在推荐精度上有了提高。
基于深度学习的融合多源异构数据的推荐算法研究
这是一篇关于推荐系统,协同过滤,深度学习,矩阵分解,多源信息的论文, 主要内容为随着科技的进步,与互联网有关的各种新兴的技术急速发展,互联网上各式各样的信息也越发的纷繁复杂,并且引发了严重的信息过载问题。通过深度学习对大量的多源异构数据进行整合,并将其与推荐系统进行深度融合,使推荐模型更加贴合用户的需求,从而提高推荐算法的性能,成为目前融合深度学习的推荐算法的一项十分重要的任务。在实际应用中,由于用户和物品的交互数据十分稀疏,算法无法高效地获取新用户和新项目的重要特征,降低了推荐系统的性能。目前,通过融合相关的辅助数据,如物品的文本描述和标签信息、用户间的信任关系、用户标签数据和其他的用户反馈信息等,来缓解上述问题的一个重要解决方案。这些数据的来源和结构都具有多样性,需要在推荐算法中设置合理的机制,才能将其有效融合,最终提高推荐结果的个性化和准确性。本论文在总结传统的机器学习的推荐算法和目前已有的可用于推荐系统的深度学习方法的基础上,针对存在的问题,建立深度学习模型。(1)融合用户信任关系的非对称深度矩阵分解推荐模型(Asymmetric Depth Matrix Factorization Recommendation Model Based on User Trust Relationship,ADMFT)。模型在深度矩阵分解模型的基础上,融合了用户间的信任关系并针对用户和项目数量的差异进行模型结构的优化。使用了添加社交正则化约束的交叉熵损失函数进行训练。实验结果表明ADMFT模型缓解了协同过滤算法的数据稀疏性和可扩展性等局限性问题,提升了推荐算法的精准度。(2)针对数据稀疏和冷启动问题,提出了融合多源异构信息的矩阵分解模型(Matrix Factorization Model Combining Multi-sourse Information,MFCMI)。该模型融合了用户的个人信息和项目的辅助文本信息。首先,将项目的文本信息的词向量和上下文信息融合,对句子进行充分的表示后,再通过带有门控机制的卷积神经网络对文本特征进行精确的深层次特征提取,使用多层感知机(MLP,Multi-Layer Perceptron)实现个人信息数据的特征提取。然后,根据评分数据,通过矩阵分解模型学习到项目和用户的隐特征,将用户和项目的特征与隐特征融合进行推荐。实验证明MFCMI模型借助对多源信息的融合实现了推荐算法优化和准确率的提升。
面向中文知识图谱的知识推理算法研究与应用
这是一篇关于知识图谱,知识推理,多源信息,神经张量网络,表示学习的论文, 主要内容为知识推理作为完善知识图谱的重要手段,在构建知识图谱过程中发挥了关键作用。中文领域的知识图谱普遍存在数据稀疏、质量参差不齐等问题。同时,由于中文文本的特点会导致知识推理容易受分词错误的影响,并且现有可用的中文领域训练集较少,给中文知识推理模型训练造成了一定的影响。目前,知识推理模型多是基于神经网络、分布式知识表示学习和逻辑规则的方法。这些模型在提取特征构造特征向量的过程中存在着明显的信息损失,导致提取出的特征向量质量较差,同时推理结果具有较低的可解释性。为了提高模型推理效果,本文从编码实体特征向量的方式、模型推理的可解释性两个方面出发,做了相应改进。(1)为了减少编码实体描述信息造成的语义损失,本文通过深度神经网络结合翻译模型设计了一种新的实体描述信息编码器。首先使用双向长短期记忆网络获取实体描述信息完整的上下文,避免了DKRL只是使用描述信息中的部分高频词造成的语义损失,然后通过注意力机制重点关注描述信息中的局部特征词,最后结合翻译模型进行联合训练得到实体描述向量。(2)基于神经网络进行知识推理的模型没有充分考虑与实体关联的描述信息和类型信息中包含的丰富语义。本文使用上述的实体描述编码器和TKRL算法分别融合实体描述信息和实体类型信息,然后利用神经张量网络对知识图谱进行建模完成知识推理,通过融合多源信息提升模型推理效果。(3)针对基于复杂路径推理的知识表示学习模型在路径向量表示方面存在较低的解释性,本文引入逻辑规则和关系加权两种形式的路径表示方法对其进行优化。通过利用AMIE+算法挖掘Horn规则辅助路径建模,提高模型推理的可解释性。(4)将模型付诸于工程应用,设计并构建了一个知识推理系统。本文针对提出的改进思路设置了相应的对比实验。通过融合实体描述信息以及实体类型信息,模型在三元组分类任务中的准确率提升了4.06%。在链接预测任务中的MRR和Hits@10指标分别达到了72.43%和81.93%,说明了多源信息融合的有效性。利用规则指导路径表示学习,在链接预测任务中的Hits@10指标可以达到82.15%,说明利用规则指导路径表示的方式在提高可解释性的同时,也显著提升了推理效果。
基于深度学习的多源信息融合餐馆推荐系统研究
这是一篇关于餐馆推荐,深度学习,多源信息,矩阵分解,卷积神经网络的论文, 主要内容为目前,推荐系统在人们的生活中应用广泛,尤其是餐饮业,给用户带来便利的同时更带来巨大的商业价值。用户使用相关的餐饮APP时,产生相应的就餐信息,包括消费者注册产生的用户属性信息、对消费餐馆的评分信息、评论信息、就餐时间等。餐馆经营者上线餐馆产生的餐馆属性信息,如地址、营业时间、环境、口味等。如何利用这些信息,实现对用户的精准推荐,已成为众多推荐系统研究者研究的重点。本文通过融合用户评论信息、用户社交信息和地理信息,构建出个性化餐馆推荐模型,为用户提供更精准的餐馆推荐。具体内容如下:(1)通过构建网络爬虫,抓取国内某知名网站的餐馆数据,包括餐馆信息、用户评论信息等,经过数据清洗,构建出一个可供使用的中文数据集Restaurant。其中包括21653个用户、27861个商家和510785条用户评论信息,数据集稀疏度为99.916%。同时,对国外公开数据集Yelp进行预处理,获得餐馆类数据,包括200435个用户、24071个商家和1773483条用户评论信息,数据集稀疏度为99.963%。这两个数据集经过清洗与处理,能够很好的被本文的模型使用。(2)对卷积矩阵分解模型ConvMF进行了深入的研究,并对模型提出适当的改进。首先在原模型的卷积神经网络模块中的卷积层后再增加一个跨通道卷积层,增强卷积神经网络模块对文本信息的特征提取能力。随后尝试在原模型中使用矩阵分解技术融入其他辅助信息,通过对用户社交信息、地理信息分别建模,最终成功构建改进模型MIFConvMF。最后选取PMF、CTR、CDL和ConvMF等主流模型作为对比模型,并分别在公开数据集Yelp和本文构建的中文数据集Restaurant上进行对比实验。结果表明,本文提出的改进模型MIFConvMF相较于其他对比模型,推荐性能得到明显提升。(3)使用SSM+Spark+MySql框架构建了一个可视化的web餐馆推荐平台。此平台前后端分离,包括前端页面展示、后端逻辑处理模块,其中推荐模块由Spark框架完成。最终本平台在Windows10操作系统下部署的tomcat服务器上顺利运行。
基于对比学习的知识图谱关系推理关键技术研究与应用
这是一篇关于关系推理,对比学习,知识图谱,多源信息,知识表示的论文, 主要内容为关系推理是知识图谱领域的重点研究方向,如何有效地利用现有的三元组知识,从知识图谱中推理出关系事实,使得知识图谱更完备,是近年来知识图谱领域的研究热点。现阶段主流的关系推理方法通常只考虑了知识图谱的结构化信息,且只对同一三元组内部的语义映射单独建模,忽略了丰富的非结构化多源信息和不同三元组中相关实体之间的语义相似性。针对上述问题,本文融合多源信息构建实体、关系表示,并联合对比学习方法来建模相关实体帮助关系推理。本文的主要贡献包括以下三个部分:1.提出了融合多源信息的知识表示关系推理算法(MKRLT),旨在有效利用多源信息提升知识表示的效果。MKRLT首先构建文本关系、实体描述和实体层次类型三种多源信息编码器,用于获取三元组基于多源信息的非结构化知识表示;其次,MKRLT在势能函数中引入了混合项,以辅助学习三元组的结构表示;最后,模型利用三元组的实体、关系向量特征表示进行关系推理。实验结果表明,该算法在关系推理的两个子任务上都取得了较好提升。2.提出了基于对比学习的知识表示关系推理算法(MKRLT-CL),旨在利用对比学习方法来建模不同三元组中的相似实体,以提高关系推理的准确性。在MKRLT的基础上,模型设计了基于实体结构、实体描述和实体层次类型的三种相似实体正负样本选取策略,并提出了基于这三种策略的对比知识表示关系推理模型MKRLT-CL(S,D,Z);模型联合学习实体正负样本的对比损失和三元组负样本的最大语义间隔损失,从而缩小了向量空间中相似实体之间的距离。实验结果表明,该方法能有效建模相似实体,提升知识表示在关系推理任务中的准确性。3.为了满足知识图谱领域自动关系推理的应用需求,本文结合MKRLT和MKRLT-CL算法,设计并实现了知识图谱关系推理原型系统。该系统包含了数据上传与下载、知识图谱展示、关系推理和知识图谱补全四个模块。为了验证系统的可用性,本文爬取网络数据构建了一个电影知识图谱,并利用该系统进行关系推理和图谱补全。
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：源码工坊 ，原文地址：https://m.bishedaima.com/lunwen/48225.html
