基于知识图谱双向特征的推荐算法研究
这是一篇关于推荐算法,知识图谱,特征向量,知识图谱嵌入,双向特征扩展的论文, 主要内容为传统的推荐系统中存在的用户-物品交互的稀疏性和冷启动问题,会导致推荐的效果不理想,因此众多学者尝试在推荐系统中添加辅助信息来改善推荐的性能。知识图谱作为一类辅助信息被应用于推荐系统中可以有效地缓解以上问题,并且能够提高推荐的准确性、多样性和可解释性。因此,近年来基于知识图谱的推荐算法受到了众多学者的广泛关注。推荐系统中有两个重要的主体分别为用户和物品。知识图谱中包含着丰富的知识信息,可用于表征用户和物品的特征。用户和物品的特征嵌入越丰富,推荐效果就会越好。然而,目前多数基于知识图谱的推荐方法仅考虑将知识图谱用于物品特征嵌入或用户特征嵌入二者之一。为此,本文在已有方法的基础上,提出了利用知识图谱中丰富的结构信息和语义信息同时扩展用户特征和物品特征的方法。本文的主要研究内容如下:(1)提出了基于结构的知识图谱双向特征的推荐方法。该方法的思想是:在利用向外传播法提取用户特征的基础上,添加了利用向内聚合法提取物品特征的过程。该模型能够利用知识图谱的结构信息同时扩展用户特征和物品特征。(2)提出了基于结构和特征混合的知识图谱双向特征的推荐方法。该方法的思想是:在利用关联模块和知识图谱嵌入提取物品特征的基础上,添加了利用基于结构的方法中的向外传播法来提取用户特征的过程,该模型通过同时利用知识图谱的特征信息和结构信息分别扩展了物品特征和用户特征。提出的方法通过充分地利用知识图谱的结构信息以及特征信息,不仅缓解了稀疏性和冷启动问题,而且实现了推荐系统双向特征扩展的目的,进而准确地预测用户点击物品的概率。将两种方法应用于电影、图书、音乐三个场景的数据集上,计算预测的AUC(Area Under ROC Curve)和准确率(Accuracy,ACC),并将点击率预测结果与几个先进的基准进行对比,结果表明本文提出的模型的性能优于先进的基准。
基于知识图谱双向特征的推荐算法研究
这是一篇关于推荐算法,知识图谱,特征向量,知识图谱嵌入,双向特征扩展的论文, 主要内容为传统的推荐系统中存在的用户-物品交互的稀疏性和冷启动问题,会导致推荐的效果不理想,因此众多学者尝试在推荐系统中添加辅助信息来改善推荐的性能。知识图谱作为一类辅助信息被应用于推荐系统中可以有效地缓解以上问题,并且能够提高推荐的准确性、多样性和可解释性。因此,近年来基于知识图谱的推荐算法受到了众多学者的广泛关注。推荐系统中有两个重要的主体分别为用户和物品。知识图谱中包含着丰富的知识信息,可用于表征用户和物品的特征。用户和物品的特征嵌入越丰富,推荐效果就会越好。然而,目前多数基于知识图谱的推荐方法仅考虑将知识图谱用于物品特征嵌入或用户特征嵌入二者之一。为此,本文在已有方法的基础上,提出了利用知识图谱中丰富的结构信息和语义信息同时扩展用户特征和物品特征的方法。本文的主要研究内容如下:(1)提出了基于结构的知识图谱双向特征的推荐方法。该方法的思想是:在利用向外传播法提取用户特征的基础上,添加了利用向内聚合法提取物品特征的过程。该模型能够利用知识图谱的结构信息同时扩展用户特征和物品特征。(2)提出了基于结构和特征混合的知识图谱双向特征的推荐方法。该方法的思想是:在利用关联模块和知识图谱嵌入提取物品特征的基础上,添加了利用基于结构的方法中的向外传播法来提取用户特征的过程,该模型通过同时利用知识图谱的特征信息和结构信息分别扩展了物品特征和用户特征。提出的方法通过充分地利用知识图谱的结构信息以及特征信息,不仅缓解了稀疏性和冷启动问题,而且实现了推荐系统双向特征扩展的目的,进而准确地预测用户点击物品的概率。将两种方法应用于电影、图书、音乐三个场景的数据集上,计算预测的AUC(Area Under ROC Curve)和准确率(Accuracy,ACC),并将点击率预测结果与几个先进的基准进行对比,结果表明本文提出的模型的性能优于先进的基准。
基于动态关联计算的个性化推荐系统的研究
这是一篇关于个性化推荐,动态关联,果盘模型,特征向量的论文, 主要内容为互联网的飞速发展使得网络中的数据量急剧增加,帮助用户快速获取所需信息,推荐给用户有用的信息成为重要的研究课题。个性化推荐服务就是针对上述问题而提出的,能够为不同背景、不同需求的用户提供不同的服务,以满足用户不同的需求,通过用户有限的用户行为,预测用户感兴趣的信息并推荐给用户。 本文介绍了当前主流推荐技术的发展情况,分析了基于协同和基于内容推荐策略的特点、优缺点,在此基础上,提出了通过动态关联计算,结合两种推荐策略构建基于动态关联计算的推荐系统模型。该系统通过动态关联算法协调协同推荐的结果和基于果盘模型的内容推荐的结果而产生推荐列表,提出冷启动推荐列表解决整个系统冷启动的问题,并给出了整个系统的推荐策略及算法描述,确定了动态关联计算的参数设置。在基于果盘模型的内容推荐中,针对本文讨论的推荐项目即电影,分析了视频类数据的特点,建立了其内容特征向量的模型和用户兴趣模型,提出了使用TF-IDF算法更新用户兴趣模型的方法,给出了基于果盘模型的内容推荐算法。在协同推荐中,深入分析了协同推荐的稀疏性问题、冷启动问题,分别给出了稀疏性和冷启动的解决方案,明确了协同推荐策略和算法描述。 在实验中,选取平均绝对偏差指标MAE衡量推荐质量,在同一用户模型在不同系统状态下,同一系统状态下不同用户模型的推荐场景下,对比本文提出的基于动态关联计算的推荐系统和基于协同的推荐系统的推荐质量。实验证明,基于动态关联计算的推荐系统的推荐质量优于基于协同的推荐系统,可以提供更好的用户体验。
基于知识图谱双向特征的推荐算法研究
这是一篇关于推荐算法,知识图谱,特征向量,知识图谱嵌入,双向特征扩展的论文, 主要内容为传统的推荐系统中存在的用户-物品交互的稀疏性和冷启动问题,会导致推荐的效果不理想,因此众多学者尝试在推荐系统中添加辅助信息来改善推荐的性能。知识图谱作为一类辅助信息被应用于推荐系统中可以有效地缓解以上问题,并且能够提高推荐的准确性、多样性和可解释性。因此,近年来基于知识图谱的推荐算法受到了众多学者的广泛关注。推荐系统中有两个重要的主体分别为用户和物品。知识图谱中包含着丰富的知识信息,可用于表征用户和物品的特征。用户和物品的特征嵌入越丰富,推荐效果就会越好。然而,目前多数基于知识图谱的推荐方法仅考虑将知识图谱用于物品特征嵌入或用户特征嵌入二者之一。为此,本文在已有方法的基础上,提出了利用知识图谱中丰富的结构信息和语义信息同时扩展用户特征和物品特征的方法。本文的主要研究内容如下:(1)提出了基于结构的知识图谱双向特征的推荐方法。该方法的思想是:在利用向外传播法提取用户特征的基础上,添加了利用向内聚合法提取物品特征的过程。该模型能够利用知识图谱的结构信息同时扩展用户特征和物品特征。(2)提出了基于结构和特征混合的知识图谱双向特征的推荐方法。该方法的思想是:在利用关联模块和知识图谱嵌入提取物品特征的基础上,添加了利用基于结构的方法中的向外传播法来提取用户特征的过程,该模型通过同时利用知识图谱的特征信息和结构信息分别扩展了物品特征和用户特征。提出的方法通过充分地利用知识图谱的结构信息以及特征信息,不仅缓解了稀疏性和冷启动问题,而且实现了推荐系统双向特征扩展的目的,进而准确地预测用户点击物品的概率。将两种方法应用于电影、图书、音乐三个场景的数据集上,计算预测的AUC(Area Under ROC Curve)和准确率(Accuracy,ACC),并将点击率预测结果与几个先进的基准进行对比,结果表明本文提出的模型的性能优于先进的基准。
基于知识图谱双向特征的推荐算法研究
这是一篇关于推荐算法,知识图谱,特征向量,知识图谱嵌入,双向特征扩展的论文, 主要内容为传统的推荐系统中存在的用户-物品交互的稀疏性和冷启动问题,会导致推荐的效果不理想,因此众多学者尝试在推荐系统中添加辅助信息来改善推荐的性能。知识图谱作为一类辅助信息被应用于推荐系统中可以有效地缓解以上问题,并且能够提高推荐的准确性、多样性和可解释性。因此,近年来基于知识图谱的推荐算法受到了众多学者的广泛关注。推荐系统中有两个重要的主体分别为用户和物品。知识图谱中包含着丰富的知识信息,可用于表征用户和物品的特征。用户和物品的特征嵌入越丰富,推荐效果就会越好。然而,目前多数基于知识图谱的推荐方法仅考虑将知识图谱用于物品特征嵌入或用户特征嵌入二者之一。为此,本文在已有方法的基础上,提出了利用知识图谱中丰富的结构信息和语义信息同时扩展用户特征和物品特征的方法。本文的主要研究内容如下:(1)提出了基于结构的知识图谱双向特征的推荐方法。该方法的思想是:在利用向外传播法提取用户特征的基础上,添加了利用向内聚合法提取物品特征的过程。该模型能够利用知识图谱的结构信息同时扩展用户特征和物品特征。(2)提出了基于结构和特征混合的知识图谱双向特征的推荐方法。该方法的思想是:在利用关联模块和知识图谱嵌入提取物品特征的基础上,添加了利用基于结构的方法中的向外传播法来提取用户特征的过程,该模型通过同时利用知识图谱的特征信息和结构信息分别扩展了物品特征和用户特征。提出的方法通过充分地利用知识图谱的结构信息以及特征信息,不仅缓解了稀疏性和冷启动问题,而且实现了推荐系统双向特征扩展的目的,进而准确地预测用户点击物品的概率。将两种方法应用于电影、图书、音乐三个场景的数据集上,计算预测的AUC(Area Under ROC Curve)和准确率(Accuracy,ACC),并将点击率预测结果与几个先进的基准进行对比,结果表明本文提出的模型的性能优于先进的基准。
基于知识图谱双向特征的推荐算法研究
这是一篇关于推荐算法,知识图谱,特征向量,知识图谱嵌入,双向特征扩展的论文, 主要内容为传统的推荐系统中存在的用户-物品交互的稀疏性和冷启动问题,会导致推荐的效果不理想,因此众多学者尝试在推荐系统中添加辅助信息来改善推荐的性能。知识图谱作为一类辅助信息被应用于推荐系统中可以有效地缓解以上问题,并且能够提高推荐的准确性、多样性和可解释性。因此,近年来基于知识图谱的推荐算法受到了众多学者的广泛关注。推荐系统中有两个重要的主体分别为用户和物品。知识图谱中包含着丰富的知识信息,可用于表征用户和物品的特征。用户和物品的特征嵌入越丰富,推荐效果就会越好。然而,目前多数基于知识图谱的推荐方法仅考虑将知识图谱用于物品特征嵌入或用户特征嵌入二者之一。为此,本文在已有方法的基础上,提出了利用知识图谱中丰富的结构信息和语义信息同时扩展用户特征和物品特征的方法。本文的主要研究内容如下:(1)提出了基于结构的知识图谱双向特征的推荐方法。该方法的思想是:在利用向外传播法提取用户特征的基础上,添加了利用向内聚合法提取物品特征的过程。该模型能够利用知识图谱的结构信息同时扩展用户特征和物品特征。(2)提出了基于结构和特征混合的知识图谱双向特征的推荐方法。该方法的思想是:在利用关联模块和知识图谱嵌入提取物品特征的基础上,添加了利用基于结构的方法中的向外传播法来提取用户特征的过程,该模型通过同时利用知识图谱的特征信息和结构信息分别扩展了物品特征和用户特征。提出的方法通过充分地利用知识图谱的结构信息以及特征信息,不仅缓解了稀疏性和冷启动问题,而且实现了推荐系统双向特征扩展的目的,进而准确地预测用户点击物品的概率。将两种方法应用于电影、图书、音乐三个场景的数据集上,计算预测的AUC(Area Under ROC Curve)和准确率(Accuracy,ACC),并将点击率预测结果与几个先进的基准进行对比,结果表明本文提出的模型的性能优于先进的基准。
基于动态关联计算的个性化推荐系统的研究
这是一篇关于个性化推荐,动态关联,果盘模型,特征向量的论文, 主要内容为互联网的飞速发展使得网络中的数据量急剧增加,帮助用户快速获取所需信息,推荐给用户有用的信息成为重要的研究课题。个性化推荐服务就是针对上述问题而提出的,能够为不同背景、不同需求的用户提供不同的服务,以满足用户不同的需求,通过用户有限的用户行为,预测用户感兴趣的信息并推荐给用户。 本文介绍了当前主流推荐技术的发展情况,分析了基于协同和基于内容推荐策略的特点、优缺点,在此基础上,提出了通过动态关联计算,结合两种推荐策略构建基于动态关联计算的推荐系统模型。该系统通过动态关联算法协调协同推荐的结果和基于果盘模型的内容推荐的结果而产生推荐列表,提出冷启动推荐列表解决整个系统冷启动的问题,并给出了整个系统的推荐策略及算法描述,确定了动态关联计算的参数设置。在基于果盘模型的内容推荐中,针对本文讨论的推荐项目即电影,分析了视频类数据的特点,建立了其内容特征向量的模型和用户兴趣模型,提出了使用TF-IDF算法更新用户兴趣模型的方法,给出了基于果盘模型的内容推荐算法。在协同推荐中,深入分析了协同推荐的稀疏性问题、冷启动问题,分别给出了稀疏性和冷启动的解决方案,明确了协同推荐策略和算法描述。 在实验中,选取平均绝对偏差指标MAE衡量推荐质量,在同一用户模型在不同系统状态下,同一系统状态下不同用户模型的推荐场景下,对比本文提出的基于动态关联计算的推荐系统和基于协同的推荐系统的推荐质量。实验证明,基于动态关联计算的推荐系统的推荐质量优于基于协同的推荐系统,可以提供更好的用户体验。
基于知识图谱的个性化推荐系统研究与应用
这是一篇关于个性化推荐,知识图谱,知识嵌入,特征向量的论文, 主要内容为随着大数据时代的到来,人们在享受互联网便利性的同时,也面临着信息过载的问题。面对互联网中海量的数据,人们不能够快速、清晰的区分冗杂的数据和感兴趣的模块,而推荐系统由于能够满足用户个性化定制的需求,并且能够呈现出最符合用户兴趣的信息,因此推荐系统成为了最佳解决办法。传统的推荐系统存在稀疏性问题以及冷启动问题,导致推荐质量不高。推荐系统通过引用辅助信息,如上下文信息、用户或物品属性特征,就能够解决传统推荐系统存在的稀疏性和冷启动问题。知识图谱也作为一种辅助信息,因此本文利用知识图谱,通过知识图谱与推荐系统融合的方式,来增强推荐性能。本文设计了知识图谱与推荐系统融合的模型(KG-RS模型),将推荐模块和知识图谱嵌入模块通过连接模块连接,在连接模块中共同学习项目和实体特征,增强了物品语义信息,提高了推荐任务性能;本文根据用户功能需求,使用java语言设计并实现了个性化电影推荐系统页面的前后端。本文的主要研究工作如下:(1)分析了推荐系统和知识图谱的研究现状,对本文涉及的相关技术做出了详细阐述,包括推荐系统常用算法的原理,知识图谱构建技术方法,以及推荐算法相似度计算,同时对推荐系统评价指标AUC、准确率、精确率及召回率计算方法做出了简要介绍。(2)针对推荐系统数据稀疏性问题,推荐精度不高,本文提出了基于知识图谱的推荐系统模型(KG-RS模型),该模型是基于常用推荐算法的广义框架。模型分为三个部分,由推荐模块,知识图谱嵌入模块,以及连接模块组成。KG-RS模型,利用知识图谱嵌入低维向量的功能,将知识图谱嵌入模块的实体和推荐模块的项目在低维空间中共同学习,以此建立实体和项目连接,然后将特征学习后的项目和实体分别映射回推荐模块和知识图谱嵌入模块,最后在推荐模块和知识图谱嵌入模块中,通过多层神经网络计算出用户预测值。本文将KG-RS模型在MovieLens-1M数据集上,与其它模型对比,实验结果显示KG-RS模型可以提高推荐精度,并且在其它推荐评价指标也表现最佳。(3)基于本文提出的模型,设计并实现了一套个性化电影推荐系统,系统采用三层结构,其前端和后端涉及mybatis,spring,springmvc,easyui等相关技术,系统设计并实现了电影网站首页、登录注册、电影评分收藏、电影搜索、个性化电影推荐、网站管理六大模块。
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：代码助手 ，原文地址：https://m.bishedaima.com/lunwen/50443.html
