8篇关于社交推荐的计算机毕业论文

今天分享的是关于社交推荐的8篇计算机毕业论文范文, 如果你的论文涉及到社交推荐等主题,本文能够帮助到你

融合社会信息的差分隐私推荐算法

这是一篇关于差分隐私,推荐系统,矩阵分解,冷启动,社交推荐的论文, 主要内容为互联网技术飞速发展,在如今的网络环境中产生的信息往往巨大且复杂的,人们被大量的信息所吞没,在面对这些令人眼花缭乱的海量数据时,用户已经无法直接便利地获得其所需要的有效信息。如何高效为人们提供需要的信息是当今互联网环境的关键,针对这样的信息过载问题,目前最有效的方法便是推荐系统,它根据用户的历史信息分析其潜在的兴趣爱好帮助用户发现其可能需要的信息节省用户找搜索信息的时间。尽管推荐系统可以帮助缓解信息过载问题,但是仍然还有一些问题有待解决。因为推荐过程是基于已有的用户信息下进行的,在面对用户信息缺失的情况下会面临推荐准确性差的问题;另外,由于推荐系统要掌握用户与系统的交互行为信息,必然会给用户的个人信息泄露带来极大威胁。这两个问题产生的原因相互矛盾,如何同时解决数据缺失和用户隐私问题值得深入探讨。本文首先对推荐系统的研究背景作出阐述指明本文的研究意义,对国内外研究现状进行总结,归纳当前常用的推荐模型及隐私保护方法的优缺点。然后,详述流行的推荐算法的工作原理和差分隐私的基本定义,以结合辅助信息和差分隐私为出发点提出相应的解决方案,本文具体的研究内容有:(1)为提高对冷启动项目的推荐能力并保护用户隐私,结合用户标签信息,提出一种结合差分隐私与标签信息的矩阵分解推荐模型。该模型首先将标签信息加入到项目相似度的计算过程,随后融入到矩阵分解推荐模型中提高推荐精度,最后运用随机梯度下降法求解模型最优值。为解决用户隐私问题,将拉普拉斯噪声划分成两部分,分别加入项目相似度与梯度求解过程中,使得整个推荐过程满足?-差分隐私,并在MovieLens数据集上分析验证算法的性能。实验表明,提出的方法能在确保用户隐私的情况下,仍具有较高的推荐准确度。(2)为了提高对缺少评分用户的推荐能力,考虑社交网络用户之间的联系,提出一种差分隐私间接社交关系推荐算法。首先社交关系矩阵由用户与社交网络中的间接朋友之间的联系填充,社交关系矩阵加入用户评分矩阵的分解模型中同步分解评分矩阵和社交关系矩阵将用户特征向量共享。为保护用户隐私,将拉普拉斯噪声分别加入用户评分和用户社交关系中同时保护用户敏感评分和社交关系实现差分隐私目标函数扰乱机制。在实验中证明本文算法在获得较好的推荐性能下能够保护用户隐私。

社交图增强的神经协同过滤推荐

这是一篇关于推荐系统,多任务,图卷积,社交推荐的论文, 主要内容为伴随着互联网技术的迅速发展,我们迎来了信息爆炸的时代。我们在享受获取信息便利性的同时,同样苦恼于如何从大量的信息数据中快速准确地获得自己真正需要的信息。近年来,推荐系统作为有效解决信息泛滥的手段引起了国内外大量研究人员的关注。其中,协同过滤(Collaborative Filtering,CF)方法通过利用用户的历史交互信息来挖掘用户的兴趣偏好,获得了巨大成功。然而,基于CF的方法通常存在数据稀疏性和冷启动问题。为了解决这些局限性,研究者指出可以在CF中加入一些辅助信息,如社交网络、属性、上下文等。另一方面,现有的研究已经证明,传统的协同过滤方法可能不足以获得到深层的语义丰富的嵌入。针对现有方法的不足之处,本文的研究内容包括:(1)研究了基于多任务的社交推荐模型。针对CF存在的数据稀疏性和冷启动的问题,我们提出了一种融合社交网络和知识图谱的深度学习模型。该模型主要包括两个模块:推荐模块和知识图嵌入模块。其中推荐模块通过共享用户社交特征空间实现用户的点击率预测。知识图谱嵌入核心目标是在将知识图谱中的实体和关系映射到低维向量空间的同时,仍保留其结构信息。采取多任务学习范式,利用两个相关任务中共同包含的有用信息来帮助提高整个模型的泛化性能。通过实验对比分析,证明了本文所提模型与其他基线相比具有更好的性能。(2)研究了基于图卷积的社交推荐模型。针对CF方法不能捕捉到用户-物品之间深层的语义信息,本文提出了一种新颖的基于图卷积的端到端的推荐框架。该推荐模型在重建用户-物品的交互时,显式建模用户-物品、用户社交网络以及物品协同相似网络三者之间的高阶连接性来提高嵌入表示。通过堆叠多层嵌入传播层,有效地捕捉到社交网络和物品协同相似网络中用户的潜在偏好。此外,利用门控机制进行特征融合,可以捕捉到节点的深层语义信息。通过实验对比分析,证明了本文所提模型在实验结果上优于现有的部分模型。(3)设计并开发了一个用于商品推荐的在线平台。平台支持新用户通过注册界面进行个人账号的注册,从而使用账号密码的方式进入并使用该平台。普通用户可以使用平台所提供的社交好友关联服务和商品推荐服务。管理员用户可以调用后台监控功能实时掌握普通用户对系统的使用情况。综上,本文分别从多任务训练和高阶连通性两个角度利用社交关系,并提出了两个基于深度神经网络的推荐模型。实验结果证明了本文所提模型在性能表现上优于其他模型。最后本文基于所提出的模型,开发了一个用于商品推荐的在线商品推荐平台。

基于显隐式关系的超图网络社交推荐算法研究

这是一篇关于社交推荐,显隐式关系,超图学习,自监督学习的论文, 主要内容为在数字经济时代,推荐系统的重要性不言而喻。目前,尽管推荐系统已经成为许多电商的核心功能,仍然存在一些难题需要克服。其中最主要的问题是数据稀疏和冷启动。随着社交网络的发展,研究者提出结合社交关系改善推荐系统的问题。但是,大多数社交推荐仍没有达到预期效果。问题大致是由于社交关系利用不够合理,因为大多数社交推荐算法依据社交同质性理论,认为朋友间的偏好是相似的,只关注用户的显式关系,即在社交网络中与之相连的用户,来推测用户本身的偏好。然而显式关系只利用信任关系,单一的信任关系存在大量噪声数据,例如,用户与其朋友并不一定有相似兴趣,直接利用显式关系不利于挖掘用户可靠的偏好。而且显式社交关系的获取需要时间的积累,因此仍会存在数据稀疏的问题,导致推荐效果十分有限。针对这些问题,本文进行了以下研究:(1)第三章提出了一种融合显隐式关系超图网络和对比学习的推荐框架。该推荐模型从与用户有相似兴趣的陌生人中挖掘用户之间的潜在联系,该关系称为隐式关系,进而与显式关系进行融合推荐。该框架包括两部分,一部分是基于超图网络的推荐主任务,利用超图搭建显隐式关系图,通过超图卷积神经网络建模来捕捉用户之间的高阶关系,形成可靠的用户嵌入;另一部分是自监督对比学习的辅助任务,通过对比学习增加监督数据,用来缓解推荐系统中用户-项目交互数据稀疏的问题。为了验证模型的有效性,选择在两个公开数据集上进行了实验,实验结果表明,该模型可以在社交密度高的数据集上表现优异,且自监督对比学习能够提高推荐性能。(2)针对第三章提出的融合显隐式关系的社交推荐模型没有考虑不同社交密度的数据集对模型的影响,以及该模型采用结构扰动的对比学习复杂度高的问题,于是提出一种基于无图增强的超图对比学习的社交推荐框架。该框架包括两部分,一部分是采用显隐式关系图编码不同角度的用户嵌入,同时考虑不同子图对推荐的贡献,采用自注意机制的聚合方式生成全面的用户表示,以此来解决数据集对模型的影响;另一部分是采用无图增强的自监督对比学习的辅助任务,通过在嵌入空间加入均匀噪声进行对比学习,从而缓解数据稀疏的问题。为了验证该模型的有效性,选择在三个公开数据集上进行了实验,实验结果表明,该模型能够保证推荐可靠性的同时保证更高效地运行,此外能够缓解冷启动问题和长尾现象。(3)为了更加形象地验证模型在真实场景中的有效性,本文基于需求分析设计并实现了一个电影推荐系统,详细介绍系统的总体框架和功能设计步骤,最终通过图形化的方式展示了本平台支持的各种功能。

基于显隐式关系的超图网络社交推荐算法研究

基于多维度社交影响的个性化推荐算法研究与实现

这是一篇关于社交推荐,多维度,图神经网络,胶囊网络,注意力机制的论文, 主要内容为近年来,社交关系这一新颖的数据类型为推荐系统的发展注入了新的活力,从而衍生出社交推荐这一的研究方向。社交推荐模型旨在最大程度地发挥社交信息的辅助作用,建立准确度更高的推荐系统。它们大多基于同质性和社会影响理论,即假设用户偏好与其朋友相似或受其影响。然而,这种来自朋友的社交影响本身具有强弱之分,且影响强度针对不同的推荐上下文呈现多维度性和动态性。现有研究中大多仅仅考虑了社交影响的强弱,而没有深入思考它的其他特性。因此,如何在推荐模型中兼容社交影响的多种特性,为用户提供更加个性化的推荐体验仍然存在着广阔的探索空间。基于此背景,本文以个性化的社交推荐算法为主要研究内容,重点对社交影响的多维度性和动态性进行了研究探索,主要的工作有:(1)提出并实现了一种基于多维度社交影响的推荐模型(CapsRecⅠ)。该模型基于胶囊网络,利用动态路由方法自适应地从用户的社交关系中提取出多个维度的社交影响向量,针对具体的推荐上下文,根据物品特性动态匹配最佳维度上的社交影响。(2)在上一模型的基础上,融合了对用户行为信息的建模,提出并实现了一种新的改进版模型(CapsRecⅡ)。该模型使用图注意力网络对用户和物品进行了单独建模,且从偏置影响和邻居节点相互作用这两个角度,对原有的图节点特征聚合方式进行了改进。(3)设计并实现了一个面向开源代码仓库领域的推荐系统,使用本文提出的算法模型为用户推荐可能喜欢的开源代码仓库。为验证本文所提出模型的有效性,我们在公开数据集上进行了实验,实验结果表明,本文提出的模型效果理想,与多个对比模型相比都有明显的提升。此外,经实际测试,本文设计并实现的代码仓库推荐系统运行效果良好,进一步验证了本文所提出模型在实际场景中的应用价值。

基于图神经网络和实体关系的评分预测个性化推荐研究

这是一篇关于图神经网络,社交推荐,实体关系,信息增强,长短期推荐的论文, 主要内容为随着数据科学的飞速发展,推荐系统已被证明是解决数据爆炸的主要技术。其中,实体社交关系信息作为目前推荐研究的主要辅助信息,在隐藏信息的挖掘、推荐模型的完善及推荐评分准确率的提高等多方面都有巨大优势。此外,图神经网络的飞速发展为实现实体间多对多的关系提供了新的方法和思路,同时也为推荐系统的发展带来了更多的机遇。近年来,人们受到网络社交的影响逐渐提高,特别是人与人之间的复杂实体关系会相互影响,有的实体关系可能会对推荐结果带来负面影响,导致一些无效信息对学习的效果产生干扰,容易产生冷启动及过拟合等问题。另外,目前实体社交推荐中基本都是利用用户在社交关系中的长期偏好建模,缺少对物品短期偏好信息的融合。仅使用长期偏好建模并不能完整构建用户偏好模型,特别是某些针对即时选择项目的领域,短期偏好更具有代表性。为了解决以上两个问题,本文构建以下两个模型:(1)基于增强实体关系感知的社交推荐模型研究本文构建了一个新的社交推荐模型——基于增强实体关系感知的社交推荐模型研究(Sim-Graph Rec),以解决上述无效信息的影响。模型通过用户与项目的真实交互和数据集中朋友信任关系对邻居关系的有效性进行判断,达到增强邻居感知的作用。另外为了增加推荐精准性,本文加入了亲密度指标和映射,筛选出真正具有可靠性的邻居。然后采用注意力机制对增强后的社会关系特征进行聚合,达到增强邻居交互感知信息的效果。最后,本研究根据对偶性建立项目社交空间并与用户社交空间融合,能更准确的预测出评分。此外,本文在Epinions和Ciao两个公开数据集上进行实验,与其余基线模型相比,在MAE和RMSE两个评价指标上分别提升了0.81%-1.09%,1.15%-1.41%,证明了该框架的有效性。(2)基于卷积门控和图注意力的长短期社交推荐模型研究通过进一步研究发现,在短视频推荐、新闻推荐等领域,用户实体的偏好经常会随着时事热点的变化而变化,因此针对社交推荐在上述领域中,对短期偏好研究不足的问题,本文设计了第二个模型——基于卷积门控和图注意力的长短期社交推荐模型(CGA-Graph Rec),通过构建卷积门控注意力网络(CNN-GRUATT)对实体的时序特征进行提取。具体的,首先,针对精确提取实体特征问题,构建CNN网络提取更高层、更抽象的自身特征,将高维数据转化为低维数据;其次,针对社交时序性问题,采用门控单元能有效提高运行效率;最后针对社交关系聚合,利用图注意力网络来聚合实体的社会关系信息,构成用户和项目的最终特征表示。特别地,在构建项目实体的社交信息时,采用修正余弦相似度,减小数据不敏感带来的误差,从而得出预测评分。本研究在两个公开数据集(Epinions和Ciao)上进行仿真实验。结果证明所提出的CGA-Graph Rec模型比其他基线模型有优势,在MAE和RMSE两个评价指标上分别提高了1.06%-1.33%和1.19%-1.37%。证明了模型创新的有效性。

基于生成式对抗网络的个性化推荐方法研究

这是一篇关于推荐系统,Top-N推荐,社交推荐,个性化排序,矩阵分解,生成式对抗网络,循环神经网络的论文, 主要内容为互联网技术的发展为人们的生活既带来了便利,也带来了严重的信息过载问题。为解决信息过载问题,个性化推荐系统应运而生。近些年来,深度学习的出现为个性化推荐系统的发展带来了新的契机。作为深度学习领域新兴的算法,生成式对抗网络展现了强大的无监督学习能力,可以很好的解决推荐系统中非线性高维数据分布的拟合问题。同时,生成式对抗网络可以灵活的与其他深度学习模型结合,融合其它模型的优势进行改进。因此本文基于生成式对抗网络提出了三种个性化推荐方法,具体内容如下:1.针对矩阵分解方法非线性数据拟合能力较弱的问题,本文提出一种基于生成式对抗网络的深度矩阵分解方法(Deep Matrix Factorization Based on Generative Adversarial Network,DMF-GAN)。具体来说,首先利用用户的评分信息作为输入数据,使用多层神经网络作为DMF-GAN模型的生成器提取用户特征向量,同时定义一个物品特征矩阵,将用户特征向量和物品特征矩阵的内积作为预测评分。然后DMF-GAN模型的判别器基于重构评分对物品进行离散采样,将采样得到的物品作为判别器输入的负样本,同时将真实物品作为判别器输入的正样本。通过生成器和判别器的动态对抗训练,实现生成器对真实数据样本分布的特征学习。最后,通过在两个公开数据集上进行仿真实验,验证DMF-GAN模型的有效性。2.为了将时间信息融合到评分信息中进一步改善推荐性能,本文提出了一种以生成式对抗网络为基础,融合循环神经网络的推荐方法(Recurrent Adversarial Recommender Network with Time Information,T-RAN)。首先,为了避免物品数量过多带来的维度灾难问题,本文采用词嵌入模型对用户评分信息按照时间顺序进行降维处理;然后,本文采用循环神经网络作为T-RAN模型的生成器提取用户评分的深层特征,通过全连接层预测物品评分。最后,本文采用gumbel-softmax采样方法,以贝叶斯个性化排序模型为判别器,采取逐对训练的方式对生成数据和真实数据进行训练。通过在公开数据集上的仿真实验,证明T-RAN模型可以取得很好的效果。3.为了将社交信息融合到评分信息中,同时解决离散物品采样给对抗训练带来的限制问题,本文提出了一种融合用户社交信息的逐向量推荐方法(Trust-aware Generative Adversarial Network with Recurrent Neural Network for Recommender systems,Tag Rec)。首先,将用户评分数据根据用户信任关系编码为用户信任评分矩阵,对每一个用户计算相似度,从中挑选出与给定用户最相似的多个用户作为输入数据;然后,采用长短期记忆网络作为Tag Rec模型的生成器提取输入数据的深层特征,并使用全连接层预测物品评分;最后,将生成的评分向量和真实评分向量分别作为正负样本送到多层感知机中通过随机梯度下降进行训练。通过在两个公开数据集上的实验结果表明,本文提出的方法优于多个基线方法。