基于深度学习和矩阵分解的个性化推荐算法研究
这是一篇关于深度学习,概率矩阵分解,注意力机制,社会化推荐,多层感知机的论文, 主要内容为在网络技术和大数据技术快速发展的今天,互联网上出现形式多样的在线服务,在给用户带来便利的同时,也导致了数据量的激增。面对纷乱复杂的数据,推荐系统能够通过信息检索和信息过滤,为用户提供其感兴趣的内容和项目,在众多互联网领域得到快速发展和应用。然而,目前推荐系统仍然面临数据稀疏、推荐准确性偏低的问题。如何进行信息过滤、分析用户数据,从而为用户提供更有效的推荐项目,是当今个性化推荐算法的重要研究方向。本文聚焦于推荐算法研究中的重要技术及应用,通过引入用户社交网络信息缓解数据稀疏问题,同时挖掘项目相似关系和用户信任关系,得到融入更丰富信息的推荐算法以提高推荐准确度。本文主要研究内容如下:1、针对现有方法未能考虑用户潜在社交网络关系、项目相似性在面对不同项目时不能自适应变化的问题,提出一种融合社交网络和项目相似度的算法PMFSNIS。该方法基于融合社交网络的概率矩阵分解,利用评分数据构建潜在社交网络关系矩阵,对潜在社交关系矩阵进行分解,学习到表示用户潜在社交网络关系的低维潜在特征矩阵;利用数据集中的项目属性,构建项目属性相似性关系;最终将用户隐性社交关系、项目属性相似度关系集成到融合社交网络的概率矩阵分解模型中。在数据集Epinions上的实验表明,该算法的推荐性能相较于经典的协同过滤和只融入社交网络的算法有较大幅度提高。2、针对现有推荐方法未能挖掘项目深层的历史交互信息、难以获取用户受其信任朋友的影响力大小的问题,提出一种新的融合注意力机制和用户信任机制的深度推荐算法DRAAT。首先利用注意力机制定义了新的项目的属性偏好向量和项目的交互偏好向量,确定各自的权重系数后计算得出项目综合特征;其次构建用户信任机制并通过注意力机制融合用户信任关系和用户特征向量,获得用户综合特征;最后利用多层感知机将用户的综合特征、项目的综合特征、用户和项目的原始信息三者融合,得到融入丰富信息的评分预测算法。在数据集film trust和数据集Ciao上的实验表明,该算法拥有较为优越的推荐性能。
基于社交网络的推荐算法研究
这是一篇关于推荐算法,社会化推荐,隐语义朋友,冷启动的论文, 主要内容为由于互联网和电子商务的迅猛发展,物品信息量正以惊人的速度增长,信息过载问题严重地影响着人们的日常生活。如何能够快速便捷地为用户提供想要的物品已经成为这个时代热点解决问题之一。推荐系统可以克服信息过载,帮助用户提供选择。经过相关研究人员的不断研究与应用,推荐系统得到了长足的发展。21世纪随着电子科学技术的更新、发展,数据量已经进入一个新的阶段,整体数据呈现一个产生时间急、传播速度快、更新周期短的形式。传统的推荐技术已经不能满足当下的需求,因而暴露出较多问题,其中较为典型的问题有冷启动,数据稀疏,缺乏推荐的多样性等,这些问题均严重影响了推荐结果的质量。针对上述问题,本文主要工作分为如下三个部分:(1)概述了本课题选题的背景、意义以及该研究方向的发展现状;具体阐述了推荐系统的基本定义,个性化推荐系统的工作流程;具体介绍了几种经典推荐算法,和两种社会化推荐算法模型;分析了不同推荐算法评价指标和它们的应用场景。(2)提出一种基于用户评分偏好的社会化推荐算法模型。首先,本文依据用户个人的评分偏好为置信度设置动态度量方法,不仅考虑了用户给出评分的置信程度,而且还考虑了不同用户评分偏好。其次,拓展社会信任关系,从中推导出间接相关朋友,即隐语义朋友,来提升社会信任信息在推荐算法中的应用。本文将用户评分矩阵映射为用户-物品二值网络,然后通过网络中不同用户与某一物品之间的交互反馈信息,构建协同用户网络,最后从中计算出与目标用户相似的隐语义朋友,以构建相似用户矩阵来预测用户评分。通过在三个电影公开数据集上的实验,证明本节提出的算法相比其它未加用户评分偏好置信度和利用明确的信任关系推荐算法,在评分预测误差上有很大提升。(3)提出一种基于知识图谱的社会化推荐算法模型。将用户-物品交互网络与用户信任网络相结合,构建成异构知识图谱。首先,为随机游走过程设计元路径,收集正、负语料库。其次,从收集到的语料库中推导出与目标用户相关的正隐语义朋友和负隐语义朋友。最终,使得计算得到的隐语义朋友的偏好与目标用户的偏好更加相似。同样在三个公开电影数据集上对提出的算法模型进行验证,相比上节提出的推荐算法,以及其它基于明确信任关系的推荐算法,在评分预测准确度上又有进一步的提升。
基于社交网络的推荐算法研究
这是一篇关于推荐算法,社会化推荐,隐语义朋友,冷启动的论文, 主要内容为由于互联网和电子商务的迅猛发展,物品信息量正以惊人的速度增长,信息过载问题严重地影响着人们的日常生活。如何能够快速便捷地为用户提供想要的物品已经成为这个时代热点解决问题之一。推荐系统可以克服信息过载,帮助用户提供选择。经过相关研究人员的不断研究与应用,推荐系统得到了长足的发展。21世纪随着电子科学技术的更新、发展,数据量已经进入一个新的阶段,整体数据呈现一个产生时间急、传播速度快、更新周期短的形式。传统的推荐技术已经不能满足当下的需求,因而暴露出较多问题,其中较为典型的问题有冷启动,数据稀疏,缺乏推荐的多样性等,这些问题均严重影响了推荐结果的质量。针对上述问题,本文主要工作分为如下三个部分:(1)概述了本课题选题的背景、意义以及该研究方向的发展现状;具体阐述了推荐系统的基本定义,个性化推荐系统的工作流程;具体介绍了几种经典推荐算法,和两种社会化推荐算法模型;分析了不同推荐算法评价指标和它们的应用场景。(2)提出一种基于用户评分偏好的社会化推荐算法模型。首先,本文依据用户个人的评分偏好为置信度设置动态度量方法,不仅考虑了用户给出评分的置信程度,而且还考虑了不同用户评分偏好。其次,拓展社会信任关系,从中推导出间接相关朋友,即隐语义朋友,来提升社会信任信息在推荐算法中的应用。本文将用户评分矩阵映射为用户-物品二值网络,然后通过网络中不同用户与某一物品之间的交互反馈信息,构建协同用户网络,最后从中计算出与目标用户相似的隐语义朋友,以构建相似用户矩阵来预测用户评分。通过在三个电影公开数据集上的实验,证明本节提出的算法相比其它未加用户评分偏好置信度和利用明确的信任关系推荐算法,在评分预测误差上有很大提升。(3)提出一种基于知识图谱的社会化推荐算法模型。将用户-物品交互网络与用户信任网络相结合,构建成异构知识图谱。首先,为随机游走过程设计元路径,收集正、负语料库。其次,从收集到的语料库中推导出与目标用户相关的正隐语义朋友和负隐语义朋友。最终,使得计算得到的隐语义朋友的偏好与目标用户的偏好更加相似。同样在三个公开电影数据集上对提出的算法模型进行验证,相比上节提出的推荐算法,以及其它基于明确信任关系的推荐算法,在评分预测准确度上又有进一步的提升。
社会化推荐系统隐私保护研究
这是一篇关于社会化推荐,隐私保护,差分隐私,矩阵分解,联邦学习的论文, 主要内容为在飞速发展的信息化网络互联时代,海量用户和数据由各式各样的科技设备产生,为帮助用户决策和缓解信息过载问题,传统推荐系统基于用户个人的历史评分来给出预测结果。近几年,互联社交网络正处于迅猛发展中,推荐系统逐步选用各用户彼此间交流的社交信息和属性来当作相应的补充信息,以完善传统推荐算法,即社会化推荐系统。社会化推荐系统对社交群体所表现的一系列用户行为,进行了更科学精准的模拟,这能够有效应对用户评分数据相对较少和新用户缺乏用户行为特征的问题。因为国家对法律法规的逐步完善和对公民安全隐私方面意识的加强提醒,人们都开始注重用户数据隐私安全的问题。而在社会化推荐系统中,需要用到更加海量的数据信息,因此用户数据的隐私安全问题也是无法避免的。如果解决了相应的隐私安全问题,不仅是对用户隐私的安全保护,也有利于推荐服务提供商提高服务质量、用户关注度和信任度。针对其中存在且有待解决的问题挑战,本文阐述了社会化推荐的相关技术特点和应用领域,概述了与社会化推荐相关的隐私保护技术的特征,接着以基于差分隐私的社会化推荐和基于联邦学习的社会化推荐展开研究工作。基于以上背景,本文主要研究内容为:1、本文提出了一个基于差分隐私的社会化推荐系统,它可以解决社会化推荐中的隐私保护问题,同时还给出了社会化推荐算法中面临的隐私问题的定义,以及该推荐系统在推荐准确性和隐私保护性上的目标。在该模型中,运用了DP-SR框架和矩阵分解技术来防止用户的机密信息及反馈泄露给不受信任的推荐者和朋友,并保持推荐有效性。并对两个真实数据集进行分析处理,通过实验评估,与现有的多种方案进行对比,证明了该算法模型不仅可以保护用户评分数据和社交信息的安全性,而且还可以很好地保证该系统的推荐性能和预测准确性。2、本文提出了一个基于联邦学习的社会化推荐系统来解决不同的数据方无法交换各自原始数据下的隐私保护问题。给出了一个联邦社会化推荐框架(FG-So R),并结合图神经网络技术。FG-So R使用关系关注和聚合来解决社交推荐异构性问题,然后使用本地数据来猜测用户嵌入并保证个性化,采用伪标签技术和项目抽样来增强训练和保护隐私。最后在三个真实数据集上的实验表明了FG-So R在实现社会化推荐效果和隐私保护方面的有效性。该论文有图25幅,表9个,参考文献123篇。
针对社交群体影响的社会化推荐算法研究
这是一篇关于社会化推荐,社交群体,社交影响,记忆网络,对比学习的论文, 主要内容为社会化推荐算法是在用户-项目交互数据的基础上,通过引入用户的社会属性信息,从而提高推荐系统的性能。在以用户的社交网络数据为主的社会化推荐算法中,其研究重点是如何充分挖掘社交网络给用户带来的社交影响。根据影响的来源,可以将社交网络给用户带来的社交影响分为两方面,一是社交个体对用户的影响,二是社交群体对用户的影响。因此,本文从如何在社交网络中捕获这两方面的影响出发,进行社会化推荐算法的研究。由于用户的社交网络往往是平坦的网状结构,不包含显式的社交群体信息。因此,现有的社会化推荐算法在学习用户在社交网络下的表示时,只考虑了社交网络中社交个体对用户的影响,这导致没有捕获到社交群体对用户的影响。针对这个问题,本文提出了基于记忆网络的社交群体影响的社会化推荐算法(SGIMN),其可以捕获社交网络中社交群体对用户的影响,更加充分地利用了社交网络中的信息来进行用户的表示学习。为了在平坦的社交网络中获得潜在的社交群体,本文使用随机游走算法来生成用户节点周边的子图作为候选的社交群体,随后利用记忆网络的特点,对候选的社交群体进行计算来获得社交网络中主要的潜在社交群体信息。然后,本文使用注意力机制来计算用户在社交群体影响下的表示。最后,用门控机制对用户在社交个体影响下的表示和在社交群体影响下的表示进行选取,得到用户在社交网络影响下的表示向量。虽然SGIMN可以捕获社交网络中社交群体对用户的影响,进而得到用户在社交群体影响下的表示向量。但是从用户的表示学习效果来说,用户在不同视图下的表示向量除了能够相互补充信息外,也应具有更多的共同信息。基于这个动机,本文提出了基于多视图对比学习的社交群体影响的社会化推荐算法(MCLSGI)。在获得用户在社交群体影响下的表示后,结合用户在社交个体影响下的表示和用户的项目偏好表示进行多视图对比学习,进而学习到更加完整和有效的用户表示向量。同时,通过计算与负样本的对比损失,MCLSGI还可以捕获到不同用户之间的表示差异。本文在两个主流的社会化推荐算法数据集上进行了对比实验,结果验证了提出的SGIMN算法和MCLSGI算法的有效性。与其他现有的算法相比,本文的算法能有效建模社交群体对用户的影响,充分利用用户的社交网络信息。
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：代码工坊 ，原文地址：https://m.bishedaima.com/lunwen/49228.html
