7篇关于Top-N推荐的计算机毕业论文

今天分享的是关于Top-N推荐的7篇计算机毕业论文范文, 如果你的论文涉及到Top-N推荐等主题,本文能够帮助到你

基于深度强化学习的Top-N推荐模型研究

这是一篇关于Top-N推荐,深度强化学习,知识蒸馏的论文, 主要内容为随着大数据时代的到来以及互联网规模的不断扩大,用户需要提取有用的信息进行决策。为了能够在合适的场景下满足用户的信息需求,推荐系统也因此应运而生。通常情况下,推荐系统会分析当前用户的偏好,根据用户的历史交互数据,从大量的信息中找出用户可能感兴趣的信息对象,并对其进行排序,最终以列表的形式呈现给用户。目前,大多数的推荐模型将推荐的过程当做是一个静态的过程,其在推荐时遵循着一个固定的推荐策略,当用户的偏好发生动态的变化时,推荐模型并不能有效的捕捉到这种改变,从而导致了不满意的推荐结果。本文根据上述推荐模型存在的局限,提出使用基于深度强化学习的方法进行推荐,具体的研究内容如下。首先,使用深度强化学习的方法引入马尔科夫决策过程对Top-N推荐任务、Top-N推荐过程进行定义。引入知识蒸馏的思想,提出一个基于值改进的融入知识蒸馏的Top-N推荐模型,该模型由老师模型和学生模型两个模块构成。利用老师模型中的知识进一步引导学生模型的学习,进而提高学生模型在Top-N推荐任务上的表现。其次,考虑到在使用基于值的深度强化学习方法进行推荐时存在着策略退化以及无法处理连续动作空间的局限,提出一个基于策略改进的融入知识蒸馏的Top-N推荐模型。利用一种基于策略的深度强化学习方法对学生模型进行改进,使其能够学习出一种更有效的推荐策略。最后,本文在3个真实的数据集上进行了相关的实验,将所提出的模型与对比模型进行比较并对提出的模型进行全面的分析,验证本文所提出模型的可行性和有效性。

融合社交信息的推荐算法研究

这是一篇关于社交网络信息,协同过滤,Top-N推荐,时间信息的论文, 主要内容为随着互联网的普及和大数据的快速发展,人们从海量数据中获取有效信息的难度越来越大,因此对个性化推荐的需求也越来越高。基于主流社交媒体的发展和用户的动态的兴趣偏好,本文针对推荐系统中数据稀疏性问题进行研究和分析,并提出解决方案:本文通过引入用户行为的时间信息和跨系统的社交信息,提出了融合社交信息和时间效应的协同过滤推荐模型(STCF)。首先利用LSTM网络对用户的短期兴趣偏好进行建模,整合用户长、短期兴趣偏好作为用户真实兴趣偏好与用户属性结合提取用户特征,利用项目属性提取项目特征。然后采用基于图的半监督学习方法对社交信息建模,实现用户特征表示在社交网络上沿着社交关系传播,将更新后的用户表示作为基于推荐模型的下一次训练的输入,最终得到用户与项目的交互预测评分,生成推荐列表。为防止训练过程出现过拟合现象,本文提出一种全局损失函数正则化方法,构建了融合用户嵌入正则项、物品嵌入正则项、属性嵌入正则项的三重约束损失函数求解模型。实验在两个不同领域的自建数据集Twitter-Trip和豆瓣-微博上进行,根据对实验结果的分析,本文模型在旅游和书籍领域对于解决数据稀疏性问题上具有可行性和有效性。通过与其他流行推荐模型进行对比实验,相较于基于动态图卷积注意力机制的推荐模型,本文模型的AUC,召回率,准确率三个指标分别提升[2.3%,20.1%,22.8%]和[1.9%,16.5%,12.1%],验证了本文模型在利用跨系统社交信息进行推荐领域具有一定的改进能力。

基于栈式自编码器的推荐算法研究

这是一篇关于个性化推荐,推荐系统,自编码器,Top-N推荐的论文, 主要内容为大数据时代的浪潮已然来袭,个性化推荐作为解决信息过载问题的有效手段,已应用于社会生活各个领域,其市场前景日趋广阔。然而,挑战与机遇并存,特别是随着数据收集能力不断提升、范围不断拓展、规模不断增加,传统推荐算法在信息融合能力方面瓶颈凸显。近年来,深度学习在图像处理、自然语言处理与语音识别等领域取得的巨大成功,其卓越的数据处理能力得到广泛认可。鉴于此,基于深度学习的个性化推荐算法研究成为新的热点。已有研究表明,采用深度学习模型中的栈式自编码器,能够有效融合用户和产品侧信息,有利于缓解个性化推荐的冷启动和数据稀疏性问题。对此,本文围绕基于栈式自编码器的推荐算法开展研究,以进一步提高其Top-N推荐能力,并针对用户行为中的时效问题给出解决方案。首先,针对Top-N推荐问题,提出了基于栈式去噪自编码器的Top-N推荐模型。传统的推荐度量标准旨在减少预测的用户评分与实际评分之间的差距,Top-N推荐关注的是用户实际选择与推荐产品集合之间的契合度,更符合应用需求。本模型利用自编码器的解码功能来重构用户的评分向量,并根据重构后的评分向量对用户进行Top-N推荐。此外,模型融入了用户的侧信息以缓解冷启动和稀疏性问题,并验证了缺失值处理策略对推荐效果的影响。实验表明,本模型在召回率上要优于已有模型。其次,针对用户行为时效问题,首次提出了面向用户行为时效特性的松耦合推荐框架。时效问题是指用户的兴趣往往随着时间推移而变化或波动,一概而论的基于用户历史行为进行判断会损害推荐效果。传统的时效特性处理策略与推荐算法紧耦合,若直接应用于基于深度学习的推荐算法,会使模型的网络结构趋于复杂。对此,本框架首次从数据预处理的角度来处理时效问题,包含时效预处理、推荐单元及推荐综合三个模块。其中,时效预处理模块用于解析用户行为的时效特性,针对阶段性设计了基于异常检测的“面孔”隔离策略。推荐单元直接选用已有推荐算法,无需修改。实验表明,采用“面孔”隔离策略,该框架能够增强原有推荐算法的应用效果。

基于用户兴趣模型的强化推荐系统研究

这是一篇关于推荐系统,强化学习,用户兴趣,点击率预估,Top-N推荐的论文, 主要内容为随着互联网技术的迅速发展,电子商务领域蓬勃兴起,涌现出众多拥有海量商品的电商平台,但平台用户面对海量商品时却难以挑选出符合个人兴趣的商品。因此目前电商平台存在以下问题:一方面,用户很难找到感兴趣的商品,寻找过程需要耗费大量时间和精力,用户体验欠佳;另一方面,平台交易量低迷,造成平台交易提成收益无法上升。而推荐系统可以通过特定的策略为平台用户推送个性化的商品,加速商品成交率,提升交易额,促进交易各方增加收益。传统的推荐系统多使用协同过滤思想获得推荐结果,但对于复杂特征的拟合能力不足,从而造成推荐结果精度不高。因此,本文以电商平台的商品推荐问题作为研究对象,以用户兴趣提取为基础,结合强化学习理论设计了更加高效的推荐方法,分别提出了基于行为延时和共享网络的点击率预估模型和基于强化学习的Top-N推荐方法。本文首先通过改进循环神经网络结构,引入时间特征来明确上下文时刻应该保留多少用户兴趣信息,并且为了提高系统解释性,使得用户和商品向量映射到统一空间,提出了共享参数的多层感知机结构,结合以上两点设计并实现了点击率预估模型,通过实验对所提模型的点击率预估表现及其各部分影响进行了分析;其次,在强化学习框架Actor-Critic的基础上,利用改进循环网络和共享网络重构了底层网络,减少了模型的参数量,并提出了Top-N推荐列表生成算法将Actor输出的连续动作值转换为离散商品ID,利用混合奖励函数实现推荐商品准确度和多样性之间的平衡,实现了列表级商品推荐,通过实验验证了强化推荐系统的推荐性能,证明了其推荐结果在准确度和多样性指标上的优异性。