基于知识图谱嵌入的混合推荐模型研究
这是一篇关于知识图谱,推荐系统,深度学习,可解释性推荐的论文, 主要内容为为了解决各种在线应用中的信息爆炸问题,提高用户体验,推荐系统被提出来进行用户偏好建模。尽管人们为实现更个性化的推荐做出了很多努力,但推荐系统仍然面临着数据稀疏和冷启动等挑战。近年来,将知识图谱作为辅助信息生成推荐引起了人们的极大兴趣。这种方法不仅减轻了上述问题,提供了更准确的建议,而且解释了推荐的项目。本文在现有研究工作基础上,针对目前知识图谱推荐模型存在的不足,对基于知识图谱嵌入推荐技术开展研究,通过利用深度学习技术和用户的历史交互数据构造知识图谱来挖掘用户偏好,从而实现对用户的兴趣推荐。最后,通过在现有公开的数据集验证了本文在知识图谱推荐方面理论研究的有效性和可靠性。本文主要工作及创新体现在以下三个方面:1.针对当前知识图推荐模型没有充分注意在多知识图形式下传播过程中的消息交互,忽略用户潜在意图变化的特征,本文提出了一种协同知识图感知交互推荐模型CIKN。该模型利用辅助知识图谱探索传播交互策略,挖掘用户与项目交互背后的用户潜在意图。本文设计了一个包含项目端和用户端知识图谱的协同传播交互层,以显式地对协同信号进行编码。在这一层,通过构造用户端知识图谱以表示用户的意图;然后,将此意图表示抽取到项目端知识图谱中以共同学习用户和项目表征。2.在协同知识图感知交互推荐模型丰富用户和项目表征的基础上,本文提出深度域感知交互推荐模型DeepFIM,解决了特征域内的特征“短表达”问题,更好地捕捉多密集特征交互。通过提出特征“层次结构表达式”设计了一个交互层来识别域内和域间特征相互作用,并使用注意力机制来区分不同特征的重要性。特别地,本文采用了两种嵌入模式进行域感知的嵌入查询,这将更有利于学习域间和域内特征。此外,本文还引入了动态双池层来增强高阶特征的获取,从而最大限度地保留信息,这有利于深度神经网络的后续学习。3.使用音乐,书籍,电影和餐厅推荐等公开的数据集,对本文所提出的基于知识图谱嵌入推荐模型的研究理论进行了实验与分析。实验结果表明:本文提出的推荐模型在推荐效果上较现有的方法有了较大的提升,表明模型可靠、有效。
基于知识图谱嵌入的混合推荐模型研究
这是一篇关于知识图谱,推荐系统,深度学习,可解释性推荐的论文, 主要内容为为了解决各种在线应用中的信息爆炸问题,提高用户体验,推荐系统被提出来进行用户偏好建模。尽管人们为实现更个性化的推荐做出了很多努力,但推荐系统仍然面临着数据稀疏和冷启动等挑战。近年来,将知识图谱作为辅助信息生成推荐引起了人们的极大兴趣。这种方法不仅减轻了上述问题,提供了更准确的建议,而且解释了推荐的项目。本文在现有研究工作基础上,针对目前知识图谱推荐模型存在的不足,对基于知识图谱嵌入推荐技术开展研究,通过利用深度学习技术和用户的历史交互数据构造知识图谱来挖掘用户偏好,从而实现对用户的兴趣推荐。最后,通过在现有公开的数据集验证了本文在知识图谱推荐方面理论研究的有效性和可靠性。本文主要工作及创新体现在以下三个方面:1.针对当前知识图推荐模型没有充分注意在多知识图形式下传播过程中的消息交互,忽略用户潜在意图变化的特征,本文提出了一种协同知识图感知交互推荐模型CIKN。该模型利用辅助知识图谱探索传播交互策略,挖掘用户与项目交互背后的用户潜在意图。本文设计了一个包含项目端和用户端知识图谱的协同传播交互层,以显式地对协同信号进行编码。在这一层,通过构造用户端知识图谱以表示用户的意图;然后,将此意图表示抽取到项目端知识图谱中以共同学习用户和项目表征。2.在协同知识图感知交互推荐模型丰富用户和项目表征的基础上,本文提出深度域感知交互推荐模型DeepFIM,解决了特征域内的特征“短表达”问题,更好地捕捉多密集特征交互。通过提出特征“层次结构表达式”设计了一个交互层来识别域内和域间特征相互作用,并使用注意力机制来区分不同特征的重要性。特别地,本文采用了两种嵌入模式进行域感知的嵌入查询,这将更有利于学习域间和域内特征。此外,本文还引入了动态双池层来增强高阶特征的获取,从而最大限度地保留信息,这有利于深度神经网络的后续学习。3.使用音乐,书籍,电影和餐厅推荐等公开的数据集,对本文所提出的基于知识图谱嵌入推荐模型的研究理论进行了实验与分析。实验结果表明:本文提出的推荐模型在推荐效果上较现有的方法有了较大的提升,表明模型可靠、有效。
面向稀疏数据的可解释性推荐方法研究
这是一篇关于推荐系统,知识图谱,深度学习,数据稀疏性,可解释性推荐的论文, 主要内容为如今,从网上购物、视听娱乐到生活旅游等方面,人们的日常行为和决定越来越多地受到推荐系统的影响。所谓推荐即是根据用户的历史、项目的相关属性进行建模,从海量的信息中,推断出用户的兴趣爱好,帮助用户找到感兴趣的项目。推荐系统的技术核心是如何从巨量信息中为用户挖掘出有效的信息。然而,传统的推荐算法里已有的数据稀疏性问题,会致使推荐质量不太理想,无法更好地提升用户对系统的满意度。再而,因缺少系统给出的推荐结果的解释说明,降低了用户对系统的信任度。现为解决这样的问题,提升推荐系统给用户的体验,本文从推荐系统存在的数据稀疏性问题和不可解释性问题出发,在提升推荐系统的准确性和可解释性两方面展开,通过将知识图谱引入推荐系统,分别提出了推荐概率预测模型和路径级的推荐解释模型。推荐的准确性作为本文的第一个任务,其依然是推荐算法的首要研究点,数据稀疏性问题目前仍是制约推荐质量进一步提高的瓶颈。为缓解推荐算法中数据稀疏的问题,提升推荐的准确性,目前存在的相关工作从不同切入点对用户和项目信息进行分析、处理,以降低数据的稀疏程度,但仍然存在以下不足:1)在传统协同过滤算法中,将附加信息融入推荐以缓解数据稀疏,存在数据间相关性无法捕捉的问题,会限制推荐准确性进一步提升;2)在深度协同过滤算法中,以学习到的特征来缓解数据稀疏,存在对数据深层次理解的问题,因机械式地特征拟合会造成推荐准确度的偏差,且深度学习具有“数据饥饿”的特点。针对推荐准确性任务在现有研究中的不足,本文的主要工作如下:●提出了KGE-CF模型,此模型首先从用户的交互历史项目出发,利用一种多源结构化的数据,即项目之间的知识图谱。该模型首先通过实体间语义依赖关系,来丰富项目数据信息,以缓解稀疏。其次,KGE-CF模型将学习到的用户偏好向量与项目向量结合输入到多层感知机中,充分学习出用户与项目间的高阶交互信息,从而预测用户偏爱项目的概率,此模型具有良好的推荐效果。推荐的可解释性是本文研究的第二个任务,推荐结果的可解释性是提升系统透明度、用户信任度及满意度的关键所在。作为可解释人工智能领域的一个重要分支,可解释推荐系统的研究现已受到金融、医疗等多个领域的关注。推荐系统的可解释性能够进一步增强用户认可度和信任度,并为开发和研究可解释机器学习提供合适的背景。为了使推荐内容更容易被用户所接受,改善用户体验。本文做出的主要工作如下:●提出了KPCRN模型,首先利用深度搜索从知识图谱中提取用户历史交互项目的语义路径,然后通过文本卷积神经网络与循环神经网络对用户与项目的连接路径建模,最后利用权重池化得到用户对项目的偏好概率。对于提取出的路径都能显式推断,从而达到使推荐系统具有路径级推荐解释的目的。通过在真实数据集(Movielens,Book-Crossings,Last.FM和KKBox)上的实验,结果证明了本文提出的基于知识图谱的高阶协同过滤KGE-CF推荐模型能够缓解数据稀疏,提高推荐准确率,具有良好的预测效果;提出的知识路径卷积循环网络KPCRN模型,在提升推荐系统性能的同时,能有效解决推荐结果不可解释的问题,对推荐结果具有路径级的显式解释。
基于深度神经网络融合的协同过滤推荐算法的研究
这是一篇关于推荐算法,神经网络,协同过滤,深度学习,可解释性推荐的论文, 主要内容为当今社会快速发展,数据量激增,产生数据的速率越来越高,信息的迷航和超载的问题越来越突出。对于大众来说,在海量的数据中发现并且快速筛选出符合自己需求的信息比较困难。推荐算法为适应上述改变应运而生并取得快速发展,现在在理论与应用上也已经取得了一定成果。当前推荐算法的主流还是协同过滤算法,但同时协同过滤算法在处理方法的可扩展性和矩阵的稀疏性方面也有所欠缺。人工智能的迅速崛起,获得了大量研究人员的青睐。人工智能中的深度学习领域更是成为解决问题的首选,通过研究人脑的神经系统衍化成深度神经网络,能够将数据中蕴含的复杂抽象特征编码表示为更高级的数据信息,并在其中获取项目与用户之间非线性且有意义的隐含关系。对于非线性且复杂的高维度数据处理具有高效表现,而且特征提取、构造数据复杂结构具有很高的性能。推荐系统通过深度学习的加入弥补了传统推荐模型存在的缺陷,能够实现较高的推荐质量,因此而受到广泛的关注。为了准确获取潜在特征和提高推荐性能,让用户了解推荐结果的由来,便于做出更明智准确的决策。首先提出一种基于深度神经网络融合的协同过滤推荐算法(Interpretable Collaborative Filtering Algorithm based on Deep Neural Network Fusion,CF-DNNF)。CF-DNNF充分利用数据的隐含属性,通过LSTM网络获取其中的文本属性,通过深度神经网络获取其他潜在特质,达到对数据进行完备的特征提取的目的,将得到的包含属性信息的用户和项目特征矩阵作为DBN深度置信神经网络的初始输入,经过DBN网络输出概率得到预测评分,同时使用特征矩阵与已有评论作为输入。为了验证算法的有效性,分别与PMF、SVD和RBMCF算法在Movie Lens数据集和Amazon product数据集上分别进行预测评分的实验比较,CF-DNNF最好指标RMSE值提高了2.015%,MAE值提高了2.222%,上述结果表明CF-DNNF模型有利于增加预测性能。现代大量的推荐算法试图利用潜在特征来表示用户和条目,有黑匣子来描述深度神经网络内部比较贴切,这可能导致推荐系统缺乏透明度,造成结果不容易预测,而且会影响对算法模型的进一步理解调试。当涉及到电子商务网站时,这种透明问题可能会变得很严重,因为潜在的功能不容易被标记出来。为了在推荐系统与其用户之间建立信任,用解释来补充推荐变得很重要,这样用户就可以理解为什么推荐了某个特定的项目,更信任推荐的结果。基于以上分析,本课题在CF-DNNF基础上提出了可解释性的基于深度神经网络融合的协同过滤推荐算法(Interpretable Collaborative Filtering Algorithm based on Deep Neural Network Fusion,ICF-DNNF),在获得特征矩阵后,将特征及已知评论作为Seq2Seq模型的输入,通过Seq2Seq模型的第一部分Encoder,第二部分Decoder,输出对应预测评分的评论作为解释,在Amazon product数据集上验证性能,与PMF、SVD、RBM-CF算法相比,指标tf-idf是最高的,优于这三种算法。
基于可解释性的序列推荐算法研究
这是一篇关于序列推荐,可解释性推荐,重排序,兴趣网络的论文, 主要内容为随着信息科技的进步,互联网已与我们的日常生活紧密相联。人们每天通过网络进行着各种活动,比如看电影、购物、刷短视频、看新闻和听音乐等,但是当网络上的信息量变得越来越大的时候,人们却很难从中找到最合适自己的信息。推荐系统通过分析用户的历史行为来了解用户的喜好,从而主动为用户推荐其感兴趣的信息,满足用户的个性化推荐需求。序列推荐是近年来备受关注的一个新问题,其通过对用户连续行为、用户与物品的交互关系、用户偏好和物品流行程度等信息的分析与建模,可以更加准确地刻画用户的意图、目标和物品的消费趋势,实现更加精准、个性化和动态的推荐。可解释性推荐是社会媒体、电子商务、内容分享等互联网应用领域的研究热点之一。可解释性推荐是指通过个性化的推荐算法来解决推荐原因的问题,即它不仅为用户提供推荐结果,而且还解释为什么为用户推荐这些项目。它的主要逻辑是,通过一定的形式,将推荐结果产生的原因呈现给用户,比如,用户或产品的相似性,用户对于某种产品或特征的偏好等,这些都可以提升用户对推荐结果的接受度。通过说明向用户推荐某项产品的方式和原因,可以使推荐系统的透明度和解释性更强,这样会帮助用户做出更好和更快的决定。在此基础上,本文拟研究一种基于可解释性的序列推荐算法,旨在为用户提供更准确、更具解释性的下一个项目的推荐。本论文主要共提出了三种改进序列推荐的方法,分别是:(1)本文在嵌入时考虑进用户、项目序列以及项目的多种属性特征,对多种因素进行建模,增加了模型的可解释性。同时,本文中还使用了滤波算法的思想,通过使用可学习的滤波器来自适应地有效地降低数据噪声。(2)本文对用户的历史项目列表以及初始排序列表进行重排序,不仅捕捉项目-项目和项目-用户之间的交互信息,还捕捉了用户-初始排序列表以及用户-历史项目列表之间的交互信息,基于以上几点为用户提供更加准确的推荐。(3)本文将时间因素考虑进模型中,建模用户的长期兴趣以及短期兴趣,将以上两点同时考虑进模型中,进而提高推荐模型的准确性。
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：代码项目助手 ，原文地址：https://m.bishedaima.com/lunwen/49248.html
