基于知识图谱注意力网络的推荐系统
这是一篇关于推荐系统,知识图谱,注意力网络,可解释推荐的论文, 主要内容为近年,在大数据背景下,推荐系统通常利用协同过滤和深度学习技术从海量数据中挖掘有效信息,以提升推荐表现。但是,协同过滤技术仅利用了用户-项目的交互数据进行推荐,而没有利用辅助信息,无法深入挖掘用户与项目之间的联系,面临着数据稀疏性和冷启动问题。同时基于深度学习的推荐模型大多不具备可解释性,导致推荐系统无法提供合理的推荐解释,用户体验较差。为了缓解这些问题,目前主流的解决思路是在推荐系统中引入辅助信息。而知识图谱作为一种语义化知识库,能够包含丰富的辅助信息,基于知识图谱的推荐系统逐渐成为研究热点。然而,目前基于知识图谱的推荐系统在研究和应用中仍面临着诸多问题:(1)针对推荐数据集构建的知识图谱存在干扰信息;(2)推荐模型未能有效结合知识图谱的语义信息与用户-项目交互数据蕴含的协同信息;(3)推荐系统无法提供推荐解释、推荐模型本身不具备可解释性;(4)用于推荐的深度学习模型结构复杂、训练时间过长,不适合实际应用场景。针对以上问题,本文提出并实现了一种基于知识图谱注意力网络的推荐系统,该系统利用知识图谱增强用户与项目之间的联系,以实现更准确的推荐服务,并结合注意力网络和推荐解释生成算法使推荐系统具备可解释性。本文的主要研究工作包括:(1)针对传统的知识图谱构建方法工作量太大、构建的知识图谱存在干扰信息等问题,提出了一种联系增强的知识图谱构建方法,利用推荐数据集与开放领域知识库之间的链接将开放领域知识库中的辅助信息引入推荐系统,以增强用户与项目之间的联系。(2)针对基于深度学习的推荐模型缺乏可解释性、训练时间过长且没有结合语义信息和协同信息的问题,提出了一种用于推荐预测的协同多视角注意力网络(Collaborative Multi-View Attention Network,CMVAN)推荐模型,从用户、项目两个视角整合知识图谱中有效的辅助信息,并实现协同信息与语义信息的有效结合,从而深入挖掘用户与项目之间的联系,以提升模型的推荐表现。通过在三个推荐领域的公开数据集上的对比实验,验证CMVAN模型在准确率和训练成本方面的有效性。(3)针对推荐系统不具备模型固有的可解释性,或无法提供推荐解释的问题,本文在CMVAN推荐模型的基础上,提出了一种推荐解释生成算法,将注意力网络权重与知识图谱的关系相结合,定位用户感兴趣的关键实体,生成文本形式的推荐解释,实现推荐系统的可解释性。(4)基于以上推荐模型和解释生成算法,设计并实现了一个基于知识图谱的可解释推荐系统,验证本文提出的推荐模型和解释生成算法在实际应用场景下的有效性。
基于图神经网络的可解释推荐算法研究
这是一篇关于推荐系统,数据挖掘,图神经网络,可解释推荐的论文, 主要内容为网络购物和社交媒体行业的快速发展,推荐系统成为了互联网的重要工具之一。在购物平台上的推荐购买、音乐平台的推荐歌曲、社交平台的推荐好友等都是推荐系统的用途。根据用户的点击、观看、阅读和购买等行为准确建模用户偏好是有效推荐系统的核心。在目前的信息爆炸时代,推荐模型旨在为用户推荐感兴趣的项目,解决信息过载问题。图神经网络(Graph Neural Network GNN)由于具有特征结构化和协同推荐项目和特征的能力,在许多预测任务和推荐任务中应用广泛。然而,随着网络层次的增加,图神经网络产生严重的过平滑问题影响推荐性能。同时目前的推荐模型大多采用深度学习范式,它们会引起对推荐的可解释性的迫切需求。可解释推荐的重点不仅是产生准确的推荐结果,还是要对如何以及为什么向特定用户推荐该项目产生有说服力的解释。现有的基于评论的可解释推荐方法大多采用静态独立的方法提取用户和物品评论的潜在特征表示,将用户的偏好表示为静态特征向量,而用户在与不同的物品交互时通常表现出不同的偏好。因此围绕以上关键问题,针对目前模型的不足,提出了三个更高效的推荐模型,具体如下:(1)首先针对图神经网络中严重的过平滑问题,提出了一种基于图神经网络的协同过滤推荐算法来提高推荐性能,在使用了图神经网络的基础上增加了协同过滤(Collaborative Filtering CF)的机制,可解决现有的使用图神经网络的推荐算法所面临的平滑问题。算法将初始残差连接和恒等映射引入在构建网络的聚合传播过程中,以确保网络可以进行深度学习,避免了图神经网络经过多次卷积后陷入过平滑现象,以此来提高推荐的精度。(2)其次针对用户和物品评论的潜在特征表示,基于评论的推荐算法更多采用的提取方法是静态独立的方法,以用户的偏好为静态特征向量,而一般情形下,在与不同的物品交互中,用户表现出的偏好是有差异的。所以,提出了一种基于交互注意力的可解释性推荐方法,对用户评论与物品评论间的相关性问题,使用交互注意力进行分析与研究,受长短期记忆人工神经网络(Long Short-Term Memory LSTM)中门控制的启发,模型增加门控层来自适应地合并两边网络提取出的特征向量,利用注意力因子分解机进一步对高阶特征交互进行建模,实现评分预测。通过注意力权重衡量评论信息,提高模型的可解释性和推荐系统的性能。(3)最后,目前大多数推荐系统采用深度学习技术,在可解释性方面比较弱,并且大多数关于可解释推荐系统的研究都是基于知识图谱或来自用户查询和评论的语料库等方法来产生解释,比较依赖于先验的知识,不利于整个模型的通用性,为不同的物品建立专用的网络模型也需要耗费大量的时间和金钱。因此设计了一种新可解释推荐模型,该模型中引入了多源异构图注意力网络,以此对用户行为进行建模,根据建模的结果得到推荐的结果。模型不需要大量的先验知识,基于注意力值进行解释,因此具备了较高的可解释性。另外,为了确保推荐和解释的吻合性,还引入了子图挖掘方法,有助于为用户带来更优质的体验。
基于知识图谱的多模态可解释服装推荐
这是一篇关于服装推荐,多模态数据,知识图谱,图神经网络,可解释推荐的论文, 主要内容为随着近些年来电子商务平台的繁荣发展,存在于互联网上的时尚商品数据总量呈指数级爆炸增长,海量的服装数据虽然提供了更多的选择,但也导致了信息过载现象,这使得用户眼花缭乱,难以有效地从中找到他们心仪的商品。因此,个性化的时尚商品推荐技术受到了研究者们的广泛关注。该类方法旨在根据用户的历史行为以及某些辅助信息来建模用户的个性化偏好,并基于此从大量的服装数据中为用户推荐其最可能感兴趣的商品。与传统的推荐任务,诸如新闻推荐,电影推荐不同,除了用户和商品的交互信息之外,时尚商品推荐或者说服装推荐任务更加重视对服装视觉特征的利用,因为服装的视觉图片不仅蕴含有大量的服装商品信息,同时也是影响用户选择的重要因素之一。有鉴于此,研究者们目前已经提出了诸多视觉增强的服装推荐方法。尽管这些工作已经取得了令人振奋的进展,但是这些工作都存在一些问题,它们或是忽视了视觉图片在对服装商品进行描述上所存在的局限性;或是忽视了引入某些非结构化数据(如用户评论)而导致的数据噪音;更重要的是,它们大多都忽视了知识图谱与图网络模型在利用属性等结构化数据来发掘用户细粒度时尚偏好上的潜力。事实上,知识图谱与图神经网络已经在计算机视觉和推荐系统等诸多领域得到了广泛的应用,包括场景图生成、动作识别、影视推荐等。除此之外,图神经网络在提高推荐模型的可解释性上也有很大的帮助。为此,本文中提出了一种基于知识图谱的多模态可解释推荐算法(Multi-modal Explainable Fashion Recommendation based on Knowledge Graph)来解决个性化服装推荐问题,简称MEFR。具体来说,为了应对异构的多模态数据,本文分别引入了面向属性和面向视觉的协作知识图,并设计了 MEFR的三个关键组件:基于属性知识图谱的表示学习、基于视觉的表示学习和多模态增强的偏好预测。为了更好地建模各种关系类型,本文提出了一种新颖的关系感知传播方法,用于自适应地聚合来自邻居节点的信息,以促进用户和服装表示学习。除此以外,为了缓解不均衡的属性分布问题,本文在关系感知置信分配中引入了深度多任务学习策略。在真实世界数据集上进行的大量实验表明了文本所提的方法在个性化服装推荐任务上的有效性。
基于图神经网络的可解释推荐算法研究
这是一篇关于推荐系统,数据挖掘,图神经网络,可解释推荐的论文, 主要内容为网络购物和社交媒体行业的快速发展,推荐系统成为了互联网的重要工具之一。在购物平台上的推荐购买、音乐平台的推荐歌曲、社交平台的推荐好友等都是推荐系统的用途。根据用户的点击、观看、阅读和购买等行为准确建模用户偏好是有效推荐系统的核心。在目前的信息爆炸时代,推荐模型旨在为用户推荐感兴趣的项目,解决信息过载问题。图神经网络(Graph Neural Network GNN)由于具有特征结构化和协同推荐项目和特征的能力,在许多预测任务和推荐任务中应用广泛。然而,随着网络层次的增加,图神经网络产生严重的过平滑问题影响推荐性能。同时目前的推荐模型大多采用深度学习范式,它们会引起对推荐的可解释性的迫切需求。可解释推荐的重点不仅是产生准确的推荐结果,还是要对如何以及为什么向特定用户推荐该项目产生有说服力的解释。现有的基于评论的可解释推荐方法大多采用静态独立的方法提取用户和物品评论的潜在特征表示,将用户的偏好表示为静态特征向量,而用户在与不同的物品交互时通常表现出不同的偏好。因此围绕以上关键问题,针对目前模型的不足,提出了三个更高效的推荐模型,具体如下:(1)首先针对图神经网络中严重的过平滑问题,提出了一种基于图神经网络的协同过滤推荐算法来提高推荐性能,在使用了图神经网络的基础上增加了协同过滤(Collaborative Filtering CF)的机制,可解决现有的使用图神经网络的推荐算法所面临的平滑问题。算法将初始残差连接和恒等映射引入在构建网络的聚合传播过程中,以确保网络可以进行深度学习,避免了图神经网络经过多次卷积后陷入过平滑现象,以此来提高推荐的精度。(2)其次针对用户和物品评论的潜在特征表示,基于评论的推荐算法更多采用的提取方法是静态独立的方法,以用户的偏好为静态特征向量,而一般情形下,在与不同的物品交互中,用户表现出的偏好是有差异的。所以,提出了一种基于交互注意力的可解释性推荐方法,对用户评论与物品评论间的相关性问题,使用交互注意力进行分析与研究,受长短期记忆人工神经网络(Long Short-Term Memory LSTM)中门控制的启发,模型增加门控层来自适应地合并两边网络提取出的特征向量,利用注意力因子分解机进一步对高阶特征交互进行建模,实现评分预测。通过注意力权重衡量评论信息,提高模型的可解释性和推荐系统的性能。(3)最后,目前大多数推荐系统采用深度学习技术,在可解释性方面比较弱,并且大多数关于可解释推荐系统的研究都是基于知识图谱或来自用户查询和评论的语料库等方法来产生解释,比较依赖于先验的知识,不利于整个模型的通用性,为不同的物品建立专用的网络模型也需要耗费大量的时间和金钱。因此设计了一种新可解释推荐模型,该模型中引入了多源异构图注意力网络,以此对用户行为进行建模,根据建模的结果得到推荐的结果。模型不需要大量的先验知识,基于注意力值进行解释,因此具备了较高的可解释性。另外,为了确保推荐和解释的吻合性,还引入了子图挖掘方法,有助于为用户带来更优质的体验。
基于多任务学习的可解释推荐系统研究
这是一篇关于可解释推荐,多任务学习,推荐理由生成,评分预测,方面情感分析的论文, 主要内容为互联网时代各行各业迅速发展,线上化进程日新月异,数量巨大的网民群体无时无刻不在产生大量纷杂的数据,为了使用户能够获得自己感兴趣的内容,推荐系统应运而生并被广泛应用在各个领域的互联网平台系统。随着可解释人工智能的发展,可解释推荐系统逐渐成为了新的研究热点,一个可解释性强的推荐系统在给用户推荐物品的同时还要提供推荐理由,推荐理由有助于用户更好地理解推荐结果,给用户决策提供了重要参考意见。本文研究的是挖掘评论文本中用户、物品信息进行可解释推荐,但是现有的这类可解释推荐系统对于用户、物品评论的差异性考虑不足,为用户、物品画像不够精准,导致评分预测结果不够准确,生成的推荐理由个性化不足、内容不够丰富。为了解决以上问题,本文的主要研究内容如下:(1)在推荐理由生成问题中,为了能够生成个性化强、内容丰富的高质量文本,本文基于Transformer模型提出一种融合方面情感与外部知识的物品推荐理由生成模型,该模型两次使用双向注意力流网络将物品标题、用户偏好的物品方面情感与外部知识融合,从而生成高质量文本。在用户偏好的物品方面情感获取工作中,本文还提出一种融合领域知识二次训练BERT的方法做评论文本的方面级情感分析。在真实公共数据集上的实验结果表明,融合领域知识二次训练后的BERT-DK模型做方面级情感分析是有效的,本文提出的推荐理由生成模型可以为用户生成个性化的、内容丰富的高质量文本。(2)由于用户、物品评论文本存在差异性问题,本文提出了一种改进的非对称注意力层次模型分析评论文本对用户、物品进行精准表示。在将用户、物品精准表示作为共享模块的基础上,本文考虑评分预测任务与推荐理由生成任务之间互有关联,提出了一个多任务学习的可解释推荐模型,该模型联合训练两个子任务,评分预测任务使用Trans FM模型完成,推荐理由生成任务使用本文提出的推荐理由生成模型完成。在多个真实的公共数据集上实验结果表明,本文提出的多任务学习可解释推荐模型评分预测结果准确性高于其他同类推荐模型,可解释性也强于其他同类推荐模型。本文共有图21幅,表15个,参考文献84篇。
融合特征权重与矩阵填充的可解释推荐算法研究
这是一篇关于可解释推荐,特征权重,矩阵填充,注意力机制,贝叶斯个性化排序的论文, 主要内容为随着科技的快速发展,人们已经步入信息化社会,每天需要从海量数据中筛选出自己最关注的信息,推荐系统的存在就显得尤为必要。推荐系统作为解决“信息过载”的有效技术之一,一直是学者们研究的重点。传统推荐算法已经逐渐趋于成熟,广泛应用于各大网站,如:淘宝、京东、唯品会等。但是传统的推荐算法对用户来说具有黑盒的不可解释性,用户并不了解推荐的原因而只能被动的接受推荐。因此,推荐系统的可解释性研究逐渐被学者们广泛关注。可解释推荐可以帮助用户做出明智的选择,提高用户对系统的信任,实现用户与系统的双赢。目前,推荐系统大都通过挖掘历史评分与评论中的有效信息进行推荐,但为用户和商品间相关性建模时忽略了用户和商品不同特征属性的不同重要程度,以及存在评分矩阵数据稀疏等问题。基于以上分析,本文提出融合特征权重和矩阵填充的可解释推荐算法,在提升推荐精度的同时,提供定量的特征级别解释。本文的主要研究工作如下:(1)针对目前推荐算法在为用户商品间相关性建模时未充分考虑用户特征和商品属性重要性的问题,本文提出了基于特征权重的推荐算法。该算法根据在评论中特征或属性出现的频次及其对应的情感程度确定用户和商品的表征,同时采用情感词典和TF-IDF的算法思想确定特征和属性的重要程度,并将特征属性权重加入到相关性建模中。(2)针对评分矩阵的数据稀疏性问题,本文进一步提出融合矩阵填充和贝叶斯排序的稀疏性缓解算法。该算法根据用户特征权重和商品属性权重对评分矩阵中的缺失项进行填充,然后采用潜在因子模型学习用户商品的潜在向量,结合评论中挖掘的表征向量,最后引入贝叶斯个性化排序算法约束用户与不同商品间的偏序关系。(3)针对传统算法的黑盒问题,本文提出特征级别的定量解释。本文通过TF-IDF算法确定特征属性的权重,综合考虑用户特征权重和商品属性权重,将综合权重最大的三个特征作为解释,并给出可视化推荐理由。将本文提出的算法在Amazon和Yelp的四个真实数据集上进行实验,并与目前具有代表性的几种模型进行比较,实验结果表明,本文提出的算法在提供解释的同时,均方根误差相比最优的RMG平均下降了2.5%。
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：毕设客栈 ，原文地址：https://m.bishedaima.com/lunwen/49237.html
