7篇关于长短期兴趣的计算机毕业论文

今天分享的是关于长短期兴趣的7篇计算机毕业论文范文, 如果你的论文涉及到长短期兴趣等主题,本文能够帮助到你

基于社交网络的信任推荐算法研究

这是一篇关于图神经网络,注意力机制,Node2vec,长短期兴趣,信任推荐的论文, 主要内容为近年来,互联网高速发展,网络信息数量爆炸性增长,造成了信息过载的问题。为了在大量信息中帮助用户快速获取感兴趣或有价值的内容,推荐系统应运而生。传统推荐算法通常根据用户历史行为挖掘用户兴趣进行推荐,但由于网络信息越发复杂,仅利用历史行为数据的推荐算法已无法满足用户需求。随着社交网络的兴起,将社交网络中的用户信任关系引入推荐系统中,并利用网络结构挖掘用户社交特征,有效提高了推荐准确性,成为近年来推荐系统领域的重要研究方向之一。但是,大多数社交推荐算法仅关注用户历史行为和用户间的单向信任关系,考虑因素过于单一。此外,用户的动态兴趣变化问题也为社交推荐算法带来挑战。针对大多数社交信任推荐算法常常忽略物品自身因素影响的问题,本文提出结合物品相似性的社交信任推荐算法。首先,引入用户间双向信任关系,构建社交信任网络图和评分图,利用图神经网络进行训练,得到用户特征和项目特征。然后,考虑了项目本身性质对项目特征的影响,构建“物品-物品”相似网络图,利用Node2vec算法改进后的有偏随机游走模型在相似网络图上有概率地游走以生成相似序列,再利用Skip-gram模型对序列进行训练得到相似性向量用于约束项目特征,有效提高了推荐系统效果。在真实场景中,用户的兴趣并非一成不变,而大部分社交推荐算法仅考虑了用户基于信任关系的长期兴趣,忽略了用户短期的兴趣变化。为解决用户短期内兴趣变化对社交推荐算法造成影响的问题,本文提出结合序列与长短期兴趣的社交信任推荐算法。首先,利用SASRec模型对用户近期的交互序列数据进行训练,得到用户短期兴趣特征。接着,通过图神经网络学习在社交网络图上训练,得到用户基于信任关系的长期兴趣特征。最后,使用特征金字塔的方式将用户的长短期兴趣特征融合从而进行评分预测,提高预测的准确性。为验证提出算法的有效性,在公开数据集Epinions和Ciao上进行了大量实验和参数分析,并与其他算法进行对比。实验结果表明提出的两个算法的评分预测误差普遍小于其他对比算法,在Epinions数据集上两个算法的平均绝对误差比最优的GraphRec算法分别降低了2.8%和2.9%,证明了提出算法能有效提高推荐精度。

基于知识增强和偏好融合的个性化新闻推荐研究

这是一篇关于推荐系统,新闻推荐,知识图谱,图神经网络,长短期兴趣的论文, 主要内容为互联网中的新闻数据更新速度非常的快,面对互联网中海量的新闻,如何快速且准确的向用户推送他们感兴趣的新闻就成为了新闻推荐亟需解决的问题。在浏览新闻时,新闻标题对用户往往有着较大吸引力,这说明用户对新闻标题比较敏感。同样,新闻标题中的关键词经常能够反映新闻的主题。所以说在个性化新闻推荐中,标题具有重要的研究意义。与一般商品属性不同,新闻包含丰富的文本和事实信息,一定程度上可以对新闻标题中的内容进行补充。因此,如何基于这些可知信息准确地对用户进行推荐成为新闻推荐研究的主要方向。另外,在浏览新闻时,用户对不同新闻类别的兴趣多样性导致兴趣可能发生转变,这会对新闻推荐产生影响。目前大多数新闻推荐模型将用户的历史浏览记录直接视为用户兴趣,但潜在兴趣很难通过显式行为反映出来。此外,用户兴趣是动态变化的,捕捉用户兴趣的动态性对于特征表示很重要。虽然兴趣之间相互影响,但每个兴趣都有自己的进化历程。若不考虑兴趣之间的关联性,会影响用户兴趣的有效表达,从而影响新闻推荐的准确性。为了解决上述问题,本文主要完成了以下工作:(1)基于知识增强和注意力机制的新闻推荐模型研究本文通过改进得到了一个新的模型——基于知识增强和注意力机制的新闻推荐模型(KEAN)。KEAN模型利用知识图谱和图注意力网络来捕捉新闻标题中的实体及其上下文信息,以学习新闻的特征表示。同时,引入多层注意力网络来建模用户的当前兴趣,根据新闻标题处理后的输出,利用注意力机制计算用户点击行为对候选新闻的影响,从而对用户当前的兴趣进行建模。实验证明,本文提出的KEAN模型在Adressa-1week数据集和Adressa-10weeks数据集上均展现了良好的效果,并且与表现最好的基线模型(CVAR)相比在Adressa-1week数据集上,KEAN模型在F1指标提高了1.2%,在AUC指标提高了1.6%;在Adressa-10weeks数据集上,F1指标提高了1.4%,AUC指标提高了1.1%。与近三年的新闻推荐模型相比,F1指标提高了1.1%～2.5%,AUC指标提高了1.2%～2.7%。这也说明该模型中新闻实体的丰富以及用户兴趣的挖掘能够充分提高推荐的准确性。(2)基于增强用户兴趣的新闻推荐模型研究在现有的KEAN模型基础上,为了解决用户兴趣转变和候选新闻高阶表示的问题,本文通过改进得到了一种新的新闻推荐模型,即基于增强用户兴趣的新闻推荐模型(News EUI)。为了充分利用用户与新闻的交互信息,并获取完整的用户浏览信息和候选新闻的高阶编码,本文首先构建了用户-新闻交互图,显式地表示新闻与用户之间的连接性。接着,采用多层的图卷积网络(GCN)在图结构上进行学习,从而得到稳定且长期的用户兴趣表示以及具有高阶表示的候选新闻。此外,考虑到用户兴趣的变化对推荐结果的影响,本文引入了门控循环网络(GRU)和带有自注意力更新门的门控循环网络(SAUGRU),用于提取用户的短期兴趣,从而丰富模型在数据稀疏情况下对用户偏好的表示,并提高推荐结果的可解释性。通过在Adressa-1week数据集和Adressa-10weeks数据集上的实验证明,News EUI模型在性能上优于KEAN模型。特别是在数据量较少的情况下,该模型的性能提升更为明显,从而验证了通过使用交互图可以有效解决数据稀疏问题。与其他近三年的先进新闻推荐模型相比,在Adressa-1week数据集上,F1指标的提升幅度为1.07%～3.79%,AUC指标的提高幅度为1.37%～3.72%;在Adressa-10weeks数据集上,F1指标的提升幅度为1.33%～4.92%,AUC指标上的提升幅度为1.31%～2.74%。

基于图神经网络的长短期序列推荐模型

这是一篇关于序列推荐,图神经网络,门控机制,长短期兴趣的论文, 主要内容为近年来,随着大数据时代的到来,推荐系统作为解决信息过载问题的有效技术手段之一,能够帮助用户在海量的数据中获取感兴趣的信息,已经成为研究领域热点问题。其中,序列推荐在推荐系统中具有重要研究意义,它是根据用户的历史交互数据建模用户兴趣,从而向用户提供符合其偏好的推荐列表。在现实生活中,根据用户历史交互序列的交互时间,可以把用户交互的序列划分成长期交互序列和最近交互的短期序列。现在序列推荐系统存在以下问题:(1)在捕获用户长期兴趣和短期偏好方面还存在着不足,并且未能考虑用户丰富历史交互行为中存在的噪声对于用户兴趣建模的影响。(2)用户的偏好通常会随着时间的推移而变化,因此很难在其历史序列中捕获用户当前偏好。针对以上存在的问题,本文提出了全新的基于图神经网络的长短期序列推荐模型——GLS-SR,主要研究内容包括:(1)根据交互时间将用户交互序列划分成用户长期历史交互序列和最近交互的短期序列。在长期历史交互序列上依据度量学习构建紧凑的项目-项目图,利用用户嵌入来区分出有噪声的序列。通过图神经网络更新图中项目信息,然后利用图池化技术在保持图原有结构的基础上对图进行粗化。最后采用聚合函数得到用户长期兴趣,提高推荐的合理性。(2)采用滑动窗口策略划分用户最近交互的短期序列,运用两层门控网络捕获与用户当前偏好相关项目特征。最后,使用聚合函数得到用户的短期偏好,提高推荐的准确性。(3)采用门控网络来自适应地控制用户长期兴趣与短期偏好的贡献度。在短期序列上,采用双线性模型来捕获用户交互序列中存在的项目共现模式。最后,验证实验在三个真实的用户交互行为数据集——Amazons数据集、MovieLens数据集和GoodReads数据集上进行,评估指标为召回率和归一化折损累计增益,在相同实验环境下完成了基线模型对比、消融实验和超参实验,证明GLS-SR的准确性与合理性。

基于兴趣漂移的用户动态推荐模型研究

这是一篇关于兴趣漂移,动态推荐,长短期兴趣,矩阵分解,隐式反馈的论文, 主要内容为“信息迷航”和“信息过载”问题由来已久,推荐系统能够帮助用户在海量的产品空间中进行筛选。但是传统的推荐算法以静态算法为主,其基本假设是用户兴趣是静止不变的。这种假设与事实不符,导致面对现实数据时,传统算法存在推荐准确性差、算法可解释性差等诸多问题。事实上用户兴趣不仅不断变化,而且具有一定的规律。在目前用户兴趣建模的研究成果梳理中发现,考虑用户兴趣动态变化的研究往往将用户兴趣衰减同等对待,较少为用户兴趣类型进行区分,即使有部分研究考虑到长短期兴趣问题,也仅从时间因子识别方面加以分析,没有从用户对项目属性关注的数量、用户活跃度、项目流行度等考虑,使长短期兴趣信息表述不够完整,用户兴趣刻画不够全面。另外,推荐领域的绝大多数文献都侧重于处理显式数据,然而在许多实际情况下,特别是在电子商务领域需要处理隐式反馈数据。本文基于隐性反馈数据提出了融合长短期兴趣和矩阵分解协同过滤的混合推荐模型LSIMF(Long-term and Short-term Interest and Matrix Factorization for Collaborative Filtering),主要贡献有:(1)本文构建的混合模型对数据稀疏、用户兴趣刻画不细致以及传统应对兴趣漂移的算法过于注重时间因素而忽略主动探索用户的新兴趣等问题提出了解决方案。通过将用户—项目偏好矩阵换为用户—属性偏好矩阵,降低了矩阵稀疏性。通过用户偏好建模以及用户兴趣模式的细分,得到用户偏好文档和用户兴趣分布。通过融合矩阵分解的协同过滤,主动探索了用户的新兴趣。(2)实验结果表明,与遗忘曲线、时间窗口和基于矩阵分解的协同过滤算法对比,本文提出的混合推荐模型LSIMF在精准率、召回率、F1-Score评价指标上有较明显的提高。(3)本文计算用户兴趣偏好时,优化了推荐中随时间变化的兴趣漂移问题,提取了用户长短期兴趣集合、用户活跃度、项目流行度等相关指标,可为用户自动打标签,为后续研究用户兴趣的动态演化过程或者网站功能扩展提供更多选择。

基于辅助邻居采样和用户长短期兴趣的电影推荐方法研究

这是一篇关于电影推荐,图卷积网络,知识图谱,个性化服务,长短期兴趣的论文, 主要内容为近几年来,随着电影工业的迅速发展和流媒体时代的到来,全世界每年都在产生大量可供在线观看的电影。但是,海量的电影资源使得人们从中进行选择变得十分困难。推荐系统的出现正是为了解决这种困难,它利用推荐方法来从大量的电影资源中挑选出用户可能感兴趣的电影,提升用户的体验。知识图谱因为含有实体和实体间的丰富语义联系,被作为辅助信息应用于电影推荐系统中,提升了推荐效果。基于传播学习的知识图谱推荐方法是知识图谱推荐的一个重要研究方向并得到广泛应用。现有的基于传播学习的知识图谱推荐方法中,在聚合邻居节点的时候普遍采用随机采样的处理模式选择要聚合的邻居节点,导致引入了许多不相关的节点,因此带来了许多噪声。另外,现有的基于传播学习的知识图谱推荐方法对用户端表示不够精确,未考虑到用户的长短期兴趣,无法捕捉到用户近期的关注点和长期的兴趣点。针对上述问题,本文对电影推荐开展研究,提出基于辅助邻居采样和用户长短期兴趣的电影推荐方法,分为基于辅助邻居采样的电影邻居聚合和基于长短期兴趣的用户表示两个部分,两部分的结果输入到内积函数中进行计算便可得到用户对电影感兴趣的概率,进而为用户推荐感兴趣概率高的电影。现将两部分分别介绍如下:1.针对现有方法中邻居采样随机性导致的电影项目表示不精确的问题,本文提出了基于辅助邻居采样的电影邻居聚合方法。首先,本文利用互联网电影资料库IMDb数据辅助邻居采样,将IMDb上的排名信息作为采样参考,有目的性地筛选出了电影实体周围较为重要的邻居。然后,将筛选后的邻居向量使用Trans R方法表示出来,并将之聚合到中心节点的向量上,生成单层电影项目表示。最后,将单层电影项目表示扩展到多层电影项目表示,将每一层内节点周围的邻居节点也都聚合到当前层节点之上,实现电影项目节点的精确表示。2.针对现有的基于传播学习的推荐方法中用户端表示不够精确的问题,本文提出了基于长短期兴趣的用户表示方法。首先用辅助邻居采样方法对用户历史交互电影的邻居节点进行采样并聚合。然后,针对用户短期交互过的电影,将这些电影的表示向量输入到自注意力网络中得到这些电影各自的注意力加权表示并对用户近期交互的电影进行聚合;针对用户长期交互过的电影,将这些电影的表示向量的邻居节点进行均值聚合。最后,将用户的短期交互聚合结果和长期交互聚合结果进行聚合,便得到用户端的精确用户表示。本文通过在公开的Movie Lens-20M和Movie Lens-1M数据集上通过ClickThrough rate(CTR)预测实验和Top-K实验来验证本文所提方法的有效性。通过与现有方法进行对比实验证明,本文所提方法在AUC、F1值和召回率指标上表现优异,并在最后通过两组消融实验来验证本文所提方法中各个部分的优势。

基于用户长短期兴趣的推荐算法研究与实现

这是一篇关于推荐算法,矩阵分解,长短期兴趣,序列推荐的论文, 主要内容为随着信息科学技术的发展,互联网上聚集着大量的信息,这也带来了信息过载的问题。如何精确的给用户推荐他们感兴趣的内容变得越来越重要。面对这个的问题,推荐系统的重要性不言而喻,尤其是用户面对的内容越来越多,选择越来困难。本文对推荐系统中的召回和排序进行研究,并建模用户长短期兴趣,主要完成了以下三个工作:(1)针对召回阶段用户长短期兴趣的建模,提出了基于LHUC和AM-Softmax的LSLM召回算法。LSLM基于因子分解机(FM)让用户静态特征互相交叉,挖掘和利用丰富的用户画像信息,细致刻画了用户的长期兴趣。针对用户的短期兴趣,采用Transformer结构进行建模,并将LHUC引入到神经网络中,建模用户的个性化偏置。同时,利用门控机制将用户短期兴趣和用户长期兴趣进行动态融合。通过利用AM-Softmax损失函数,LSLM实现了分类和排序的一致性。LSLM在 MovieLens 数据集上的 HR@50 和 MRR 达到了 0.5465 和 0.1468。实验结果表明LSTM模型的相比于其他召回模型具有更大的用户兴趣覆盖度。(2)针对排序阶段用户长短期兴趣的建模,提出了基于BERT和广义矩阵分解的BERTMF模型。BERTMF通过广义矩阵分解模型建模用户的长期兴趣。广义矩阵分解基于用户和物品的全局共现性,使得模型能够很好表征用户的长期偏好。BERTMF利用BERT模型建模用户近期的行为序列,并通过mask机制得到用户当前的偏好表达。为了避免用户短期兴趣发散和漂移,设计了一个融合层和注意力层,建模用户的融合兴趣偏好。BERTMF在Electronics数据集上AUC高达0.7714。实验结果表明BERTMF在多个公开数据集上的AUC都高于其他模型。(3)基于Django框架构建了一个用户个性化电影推荐系统。该系统采用LSLM算法和BERTMF算法作为基础模型进行个性化推荐。