基于超图神经网络的协同过滤推荐系统设计与实现
这是一篇关于超图,推荐系统,图神经网络,自监督学习的论文, 主要内容为随着互联网的发展,其为用户提供的服务越来越多样,产生的数据量也愈加庞大。在海量的信息中,用户无法及时有效的获取所需信息。一方面,用户面临大量的信息时会束手无策,另一方面,服务方也无法与用户取得及时的联系,不能与用户建立良好的服务与被服务关系。在这种背景下推荐系统应运而生,它根据用户的历史行为推荐符合用户兴趣爱好的物品,从而受到广大平台的青睐。目前,基于协同过滤的推荐需要根据已有的大量数据计算用户之间的协同信息,随着对推荐算法研究的进一步深入,现有的基于图神经网络的协同过滤推荐遭遇了严重的数据稀疏问题,与此同时图结构对愈加复杂的关系的建模也难以为继。基于此,本论文研究了基于超图卷积的双通道协同过滤推荐算法以及基于注意力机制的用户多行为自监督推荐算法,对上述存在的问题进行了探索。具体内容和成果如下:(1)提出了基于超图神经网络的双通道推荐算法模型,相较于现有的基于超图卷积的推荐算法,该算法构造图卷积和超图卷积两个不同通道,可以有效学习用户群体共性特征和兴趣个性特征,同时也加强了对物品多样性特征的学习。最后通过实验验证了该方法的有效性。(2)提出了一种基于注意力机制的用户多行为自监督推荐算法模型,该模型基于超图的网络结构,融合超图注意力以及自监督学习,使模型关注超边中有益的行为语义信息。相较于以往的基于图的推荐算法,该方法中节点和超边、超边和图之间的特征都根据注意力分配了不同权重,能更有效地利用行为信息,达到更好的推荐效果。(3)实现了一个实时推荐原型系统。本论文基于Web开发了前端页面和后端系统,向用户提供了电影浏览、评分以及个性化推荐等功能。同时,该系统还集成了多种不同的推荐算法模型,旨在为用户提供更好的推荐服务。
基于用户长短期兴趣的自监督序列推荐算法研究
这是一篇关于序列推荐,超图,自监督学习的论文, 主要内容为近年来,深度神经网络因其在捕捉、建模用户偏好方面的有效性而被广泛应用于推荐系统中。同时,超图与自监督学习也在推荐系统领域逐渐进入人们的视野之中,且已取得不错的成就。针对下一项的推荐任务,本文对目前已有工作存在的问题进行以下总结:(1)以往人们利用用户的长期兴趣和短期兴趣间的互补关系进行推荐,但本文发现二者拥有相同的推荐目标,故也存在制约关系。(2)用户在当前会话中的顺序行为会对推荐有一定贡献。(3)用户的短期兴趣在下一个项目预测、推荐中起着重要作用。本文针对以上问题将做出以下改进:(1)本文为充分发挥用户长短期兴趣间的互补与制约关系,创新性地将自监督学习应用到用户长短期兴趣的利用上,使用户长短期兴趣间的互信息最大化以建模更准确的用户兴趣表征。(2)考虑到近期超图卷积在用户短期兴趣建模上取得的成就,本文将超图卷积应用到用户的短期兴趣建模上,同时,本文也首次在构建超图时考虑了交互序列中的顺序关系。综上,本文提出了一种结合用户长短期兴趣的自监督推荐网络(Self-supervised Recommendation Network with users’Long and Short-term interests,SRNLS)来解决上述问题。SRNLS主要由三个主要的组件组成,具体为:(1)通过GRU来捕获用户的长期序列上的兴趣演进。(2)通过超图卷积与软注意力对用户的短期兴趣进行建模,表现为超图卷积更新短期序列上的项目表示,之后通过软注意力机制建模用户短期兴趣。(3)提出了长短期兴趣自监督学习组件(Self-Supervised Learning,SSL),此组件通过对用户长短期兴趣的自监督学习,能更好地发挥用户长期兴趣与短期兴趣间的制约关系。在常见的电影数据集MovieLens-100K和MovieLens-1M上进行了大量实验,结果表明SRNLS在捕获用户偏好方面明显优于先进基线。
基于超图神经网络的协同过滤推荐系统设计与实现
这是一篇关于超图,推荐系统,图神经网络,自监督学习的论文, 主要内容为随着互联网的发展,其为用户提供的服务越来越多样,产生的数据量也愈加庞大。在海量的信息中,用户无法及时有效的获取所需信息。一方面,用户面临大量的信息时会束手无策,另一方面,服务方也无法与用户取得及时的联系,不能与用户建立良好的服务与被服务关系。在这种背景下推荐系统应运而生,它根据用户的历史行为推荐符合用户兴趣爱好的物品,从而受到广大平台的青睐。目前,基于协同过滤的推荐需要根据已有的大量数据计算用户之间的协同信息,随着对推荐算法研究的进一步深入,现有的基于图神经网络的协同过滤推荐遭遇了严重的数据稀疏问题,与此同时图结构对愈加复杂的关系的建模也难以为继。基于此,本论文研究了基于超图卷积的双通道协同过滤推荐算法以及基于注意力机制的用户多行为自监督推荐算法,对上述存在的问题进行了探索。具体内容和成果如下:(1)提出了基于超图神经网络的双通道推荐算法模型,相较于现有的基于超图卷积的推荐算法,该算法构造图卷积和超图卷积两个不同通道,可以有效学习用户群体共性特征和兴趣个性特征,同时也加强了对物品多样性特征的学习。最后通过实验验证了该方法的有效性。(2)提出了一种基于注意力机制的用户多行为自监督推荐算法模型,该模型基于超图的网络结构,融合超图注意力以及自监督学习,使模型关注超边中有益的行为语义信息。相较于以往的基于图的推荐算法,该方法中节点和超边、超边和图之间的特征都根据注意力分配了不同权重,能更有效地利用行为信息,达到更好的推荐效果。(3)实现了一个实时推荐原型系统。本论文基于Web开发了前端页面和后端系统,向用户提供了电影浏览、评分以及个性化推荐等功能。同时,该系统还集成了多种不同的推荐算法模型,旨在为用户提供更好的推荐服务。
基于用户长短期兴趣的自监督序列推荐算法研究
这是一篇关于序列推荐,超图,自监督学习的论文, 主要内容为近年来,深度神经网络因其在捕捉、建模用户偏好方面的有效性而被广泛应用于推荐系统中。同时,超图与自监督学习也在推荐系统领域逐渐进入人们的视野之中,且已取得不错的成就。针对下一项的推荐任务,本文对目前已有工作存在的问题进行以下总结:(1)以往人们利用用户的长期兴趣和短期兴趣间的互补关系进行推荐,但本文发现二者拥有相同的推荐目标,故也存在制约关系。(2)用户在当前会话中的顺序行为会对推荐有一定贡献。(3)用户的短期兴趣在下一个项目预测、推荐中起着重要作用。本文针对以上问题将做出以下改进:(1)本文为充分发挥用户长短期兴趣间的互补与制约关系,创新性地将自监督学习应用到用户长短期兴趣的利用上,使用户长短期兴趣间的互信息最大化以建模更准确的用户兴趣表征。(2)考虑到近期超图卷积在用户短期兴趣建模上取得的成就,本文将超图卷积应用到用户的短期兴趣建模上,同时,本文也首次在构建超图时考虑了交互序列中的顺序关系。综上,本文提出了一种结合用户长短期兴趣的自监督推荐网络(Self-supervised Recommendation Network with users’Long and Short-term interests,SRNLS)来解决上述问题。SRNLS主要由三个主要的组件组成,具体为:(1)通过GRU来捕获用户的长期序列上的兴趣演进。(2)通过超图卷积与软注意力对用户的短期兴趣进行建模,表现为超图卷积更新短期序列上的项目表示,之后通过软注意力机制建模用户短期兴趣。(3)提出了长短期兴趣自监督学习组件(Self-Supervised Learning,SSL),此组件通过对用户长短期兴趣的自监督学习,能更好地发挥用户长期兴趣与短期兴趣间的制约关系。在常见的电影数据集MovieLens-100K和MovieLens-1M上进行了大量实验,结果表明SRNLS在捕获用户偏好方面明显优于先进基线。
基于图神经网络的协同过滤算法研究
这是一篇关于推荐系统,协同过滤,图神经网络,超图的论文, 主要内容为随着互联网的高速发展,人们接触到信息量呈爆发式增长,因此人们对信息获取的有效性和针对性的需求随之出现,推荐系统也应运而生。基于协同过滤的推荐算法没有对数据做出过多的假设和限制,而且能够处理大规模和高度稀疏的数据,具有普适性和灵活性等优点,因此被广泛应用于电子商务、社交网络、新闻推荐、电影推荐等领域。基于图神经网络的协同过滤算法有着先进的性能,因此吸引着大量研究人员的注意。通过对研究现状的调查和分析,目前基于图神经网络的协同过滤模型仍存在以下三个问题:(1)基于图卷积的模型的推荐效果并没有随着模型的复杂度的提升而改善:基于图卷积的模型没有针对协作过滤对图卷积网络的结构进行改进,因此与基于矩阵分解的模型相比,虽然模型的复杂度提高了,但性能并没有得到显著的提升;(2)基于图卷积的模型存在过平滑现象:若模型使用多层图卷积提取信息,则相当于对输入信号进行堆叠式的低通滤波操作,限制了模型对高阶信息的表达能力;(3)基于超图的模型缺乏隐式的信息学习且获得的信息较单一:超图模型的超边均为显式构建,只能学习到特定方向的信息。且超图卷积提取的信息多为高阶信息,缺乏低阶信息的补充。针对以上问题,本文进行了以下工作:(1)针对问题1,本文提出基于图卷积的二阶段矩阵分解网络TSNet。首先将图卷积分为自身信息聚合模块、邻域信息聚合模块和关系信息聚合模块三个部分,对其进行消融实验,证明了图卷积中存在冗余结构,然后将图卷积结构与矩阵分解结合,用特化的信息聚合结构替代了了冗余的部分,在降低图卷积复杂度的同时更好地提取信息;(2)针对问题2和问题3,本文提出基于自适应超图的协同过滤网络CFAH。首先通过实验证明了基于图卷积的模型存在过平滑问题,在空域和频域对该问题进行分析,然后构建自适应超图处理协同过滤问题以改善过平滑现象,同时与人为指定的超边相比,不断迭代的超边可以更好地学习到数据中隐藏的联系,最后将超图卷积与传统图卷积结合,使模型可以同时提取高阶信息与低阶信息;(3)在多个数据集上进行实验验证所提方法具备良好的推荐性能,并且通过消融实验验证本文设计的策略的有效性。
融合视觉显著性与超图的图像检索算法研究与实现
这是一篇关于图像检索,超图,视觉显著性,多特征的论文, 主要内容为由于图像数据的爆炸式增长,人们对有效的图像检索算法的需求日益紧迫。基于内容的图像检索技术使用从图像中提取的特征描述来进行检索,不仅节约了人工标注的成本,而且使检索结果更加客观。但是仅仅使用特征的相似性进行检索,没有对图像数据之间的复杂多元关系进行建模,使得图像低级特征和高级语义之间的差异明显,检索结果不如人意。当检索图像背景复杂时,用户更关心的部分容易被忽略,导致检索性能不佳。基于以上分析,本文提出了融合视觉显著性与超图的图像检索算法,主要贡献如下:提出融合视觉显著性与超图的图像检索算法。利用超图结构强大的数据建模能力,拟合数据之间的复杂多元关系,使得检索结果更加准确。视觉显著性算法是对人类视知觉系统的模拟算法,通过视觉显著性的计算,增加显著性区域特征在检索过程中的权重,使检索结果更加符合用户的期望。本文分别构建全局超图和显著性超图,并将问题转化为超图分割问题后,通过对全局超图的图结构损失与显著性超图的图结构损失进行组合权重的相加,实现视觉显著性与超图的融合。为利用每种特征的优势,迭代优化检索图像与数据集中图像的相似性向量和超图融合的权重向量。实验结果表明,融合视觉显著性与超图的图像检索算法在检索准确率上,高于使用特征相似性的算法和只使用超图结构的图像检索算法。由于迭代优化过程处于在线检索阶段,会影响在线检索阶段的计算速度。为加快系统的响应速度,引入多特征融合算法,将多特征的融合过程转移到离线学习阶段,保证了检索系统的性能。实验结果表明,将多特征融合过程转换到离线阶段后,算法保持了较好的检索性能,并且在线检索阶段的检索效率有了很大的提升。最后使用本文提出的融合视觉显著性与超图的图像检索算法,实现了基于B/S架构的图像检索系统。
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：代码客栈 ，原文地址：https://m.bishedaima.com/lunwen/48871.html
