基于图神经网络的多兴趣推荐系统研究
这是一篇关于推荐,多兴趣,图卷积神经网络,聚类,子图的论文, 主要内容为随着人工智能的迅速发展,智能产品已经进入了家家户户,并逐渐渗透到了人们的工作学习、休息娱乐、社交互动、工业生产等各个领域。网络以其智能化、个性化的特征为人类提供了巨大的方便,人类交流沟通手段变得丰富多元。与此同时,随着互联网的信息数据呈喷涌式增加,导致人们的日常生活中充斥着形形色色的数据,使得人们所真正需要的、真正关心的东西湮没在数据的海洋里,由此带来巨大的信息超载现象。推荐技术超越早期的搜索引擎作为一种不可或缺的数据筛选手段,其极大地促进了电子商务等领域的发展。因此,如何提高推荐系统的性能已然成为当下的研究热点。近年来,图神经网络在处理图结构数据方面展现了极大的优越性,并已广泛运用于推荐系统领域。通过图神经网络深度挖掘潜在信息有利于提高推荐的精确性,然而基于图神经网络的推荐系统仍然存在一些不足。传统的协同过滤推荐模型中由于目标节点缺少交互信息导致节点的最终表征不准确,即数据稀疏问题。同时,大多数模型仅考虑到不断获取深层次的信息,而忽略了信息的两面性,不加以区分地聚合高阶信息最终导致推荐结果出现偏差。为解决这些问题,本文提出了一种基于用户聚类的多兴趣推荐模型来执行推荐任务。另外,借助图神经网络技术实现的模型在层数增加的过程中会出现过平滑现象,这种现象在一定程度上限制了推荐系统的性能。并且传统的推荐模型过度专注于推荐的精准性而忽略了用户具有多兴趣性。本文进一步提出了一个基于邻域交互的多兴趣推荐模型。本文的研究内容和创新工作如下:(1)深入研究基于图神经网络的多兴趣推荐原理本文首先对推荐系统的相关理论作出叙述,然后归纳了一些关于传统推荐算法研究所面临的挑战以及对现有的基于图神经网络的推荐模型进行了研究,并分析了其中的不足。基于此,本文提出了基于图神经网络的多兴趣推荐系统研究,并叙述了研究工作中运用的关键技术。(2)提出基于用户聚类的多兴趣推荐模型(CMI-GCN)针对目前传统协同过滤的推荐系统出现推荐效果不佳现象的影响因素之一数据稀疏问题,将用户聚类融入推荐系统。为解决数据稀疏问题以及无法深入挖掘用户信息导致的用户的特征表示难以准确学习的问题,本文提出了基于用户聚类的多兴趣推荐模型(CMI-GCN)。该模型在进行协同过滤推荐之前首先采用聚类方法将用户进行聚类,选定目标用户特征学习的信息检索空间,然后利用图卷积神经网络深度探索目标用户特征学习受到的全局影响。对比实验证实,CMI-GCN模型可以有效缓解传统推荐算法存在的问题,并明显提升了推荐性能。(3)提出基于邻域交互的多兴趣推荐模型(MI-GCN)当下大部分的基于图卷积神经网络的模型都是通过增加卷积层来获得最好的性能,然而在持续地增加层数的过程中,各个节点的特征表示将逐渐达到近似相同的状态,导致推荐结果不准确。同时,直接引用高阶信息会产生高阶噪声,使节点表征的学习出现偏差。因此,本文提出了基于邻域交互的多兴趣推荐模型(MI-GCN)。在该模型中设计了子图生成机制,利用三种不同的方法将用户划分,并借助用户特征以及其交互的项目,结合用户-项目二部图生成子图,从而使具有多兴趣性的用户可以归属不同的子图,通过聚合子图中的信息以获得更精准的用户特征表示。实验结果表明,MI-GCN模型能够有效缓解过平滑问题和高阶噪声问题,从而提高推荐结果的准确性。
基于用户兴趣和时间信息的序列推荐的研究与实现
这是一篇关于推荐系统,序列推荐,多兴趣,深度学习,时间信息的论文, 主要内容为随着科技的发展,网络的普及,网络资源呈指数增加,信息过载的现象日益严重。人们可以轻易的从网络上获取各种各样的资源,但是如何提供符合用户需求的信息成为了困扰人们的问题,推荐系统因此应运而生。早期的推荐系统主要使用协同过滤,矩阵分解,统计学分析等方法。近年来,由于机器学习的快速发展,神经网络已被广泛用于推荐系统中,并且基于神经网络的推荐系统的性能通常优于传统的推荐方法。我们将电子商务推荐系统可以看作为一个序列推荐的问题,目的是预测用户可能与其交互的下一个项目。但是近期的关于序列推荐的研究通常忽略了两个非常重要的信息。第一,在基于深度神经网络的推荐系统研究中,人们通常把用户的行为序列作为一个整体的嵌入。但是,一个统一的用户嵌入并不能反映用户在一段时间内的多种兴趣。第二,现有的方法大多是将行为的时间信息简化为行为序列,以便后序进行基于循环神经网络(RNN)的建模。但以这种简单的方式进行序列推荐,关键的时间信息在很大程度上被忽略了。为了解决上文提出的目前研究中容易忽略的这两方面的重要信息,本文以电子商务平台为背景,提出了一个基于自编码器(Auto-Encoder)和自注意力机制(SelfAttention)的神经网络模型用来捕获和利用用户的多兴趣和复杂时间信息,并且在多个真实世界的数据集上进行实验,与经典和先进的序列推荐模型进行对比,证明了本文方法的有效性。本文的主要的工作如下:(1)对序列推荐进行了深入的研究,阐述了其发展趋势和研究意义。对两类序列推荐方法(基于传统推荐算法和基于深度神经网络)的优缺点进行了总结和分析。(2)基于现有的大量数据进行分析,发现了用户潜在的多种兴趣信息和行为序列中的复杂时间模式。为推荐系统更好的建模用户交互序列,提出了一个综合的深度学习模型,将多兴趣模块和复杂时间模块集成到一个统一的推荐系统中。(3)将本文所提出的模型与几个经典和先进的序列推荐模型在多个真实数据集上进行了大量的实验,本文的模型在几个通用的指标上与之进行对比都取得了最好的效果,证明了本文的研究在序列推荐上的有效性。(4)设计实现了包含序列推荐功能的原型系统。该系统实现了本文提出的利用用户多兴趣和复杂时间信息进行个性化推荐的方法。
基于用户多兴趣的推荐系统研究与实现
这是一篇关于推荐系统,深度学习,序列推荐,多兴趣,特征交互的论文, 主要内容为随着互联网时代的高速发展,用户难以在海量信息中快速筛选出感兴趣的内容,面临信息过载问题,推荐系统应运而生。推荐系统根据用户历史行为、个人信息等数据计算出用户可能感兴趣的物品集,为每个人实现个性化推荐。多兴趣个性化推荐系统对于每一个用户,算法能够学习到用户的多种不同的兴趣偏好,从个性化推荐的“千人千面”效果升级为“千人万面”。目前推荐系统在新闻资讯、旅游、电子商务等领域都有了广泛的应用,然而目前基于用户多兴趣的推荐系统依旧存在许多问题:(1)目前主流的多兴趣推荐系统只考虑了用户短期历史记录,忽视了用户长期历史记录中蕴含的丰富信息;(2)当前主流的推荐系统点击率预估算法忽视了用户和物品特征中的高阶特征交互信息或对高阶特征交叉信息挖掘不充分;(3)个性化推荐系统在科技资源领域落地应用较少,实践应用经验不足。针对上述问题,本文研究并实现一个基于用户多兴趣的推荐系统,主要研究工作包含:(1)设计并实现了一种基于用户长短期历史的多兴趣召回算法,通过不同的神经网络模型结构分别建模用户长短期兴趣偏好,并通过门控融合网络融合用户长短期兴趣偏好最终得到用户多个兴趣偏好。在MovieLens数据集上于HR@50指标较先前最优模型提升了 4.49%,Taobao数据集上于HR@100指标较先前最优模型提升了 8.55%,实现了个性化推荐召回。(2)研究并实现了一种基于子空间投影神经网络的点击率预估算法,通过子空间投影机制在不同的子空间中实现不同的高阶交互特征,并通过堆叠子空间投影层实现复杂特征交互,在公开数据集Criteo和Avazu上优于先前最优模型,并通过可视化展现了各个特征的重要度,实现了个性化推荐排序。(3)基于以上研究内容,面向科技资源领域设计并实现了一套个性化推荐系统,实现了页面交互、模型训练部署、账户管理和详情页展示等功能,为用户个性化推荐科技资源,在实际应用中验证了上述两个算法的有效性。
基于图神经网络的多兴趣推荐系统研究
这是一篇关于推荐,多兴趣,图卷积神经网络,聚类,子图的论文, 主要内容为随着人工智能的迅速发展,智能产品已经进入了家家户户,并逐渐渗透到了人们的工作学习、休息娱乐、社交互动、工业生产等各个领域。网络以其智能化、个性化的特征为人类提供了巨大的方便,人类交流沟通手段变得丰富多元。与此同时,随着互联网的信息数据呈喷涌式增加,导致人们的日常生活中充斥着形形色色的数据,使得人们所真正需要的、真正关心的东西湮没在数据的海洋里,由此带来巨大的信息超载现象。推荐技术超越早期的搜索引擎作为一种不可或缺的数据筛选手段,其极大地促进了电子商务等领域的发展。因此,如何提高推荐系统的性能已然成为当下的研究热点。近年来,图神经网络在处理图结构数据方面展现了极大的优越性,并已广泛运用于推荐系统领域。通过图神经网络深度挖掘潜在信息有利于提高推荐的精确性,然而基于图神经网络的推荐系统仍然存在一些不足。传统的协同过滤推荐模型中由于目标节点缺少交互信息导致节点的最终表征不准确,即数据稀疏问题。同时,大多数模型仅考虑到不断获取深层次的信息,而忽略了信息的两面性,不加以区分地聚合高阶信息最终导致推荐结果出现偏差。为解决这些问题,本文提出了一种基于用户聚类的多兴趣推荐模型来执行推荐任务。另外,借助图神经网络技术实现的模型在层数增加的过程中会出现过平滑现象,这种现象在一定程度上限制了推荐系统的性能。并且传统的推荐模型过度专注于推荐的精准性而忽略了用户具有多兴趣性。本文进一步提出了一个基于邻域交互的多兴趣推荐模型。本文的研究内容和创新工作如下:(1)深入研究基于图神经网络的多兴趣推荐原理本文首先对推荐系统的相关理论作出叙述,然后归纳了一些关于传统推荐算法研究所面临的挑战以及对现有的基于图神经网络的推荐模型进行了研究,并分析了其中的不足。基于此,本文提出了基于图神经网络的多兴趣推荐系统研究,并叙述了研究工作中运用的关键技术。(2)提出基于用户聚类的多兴趣推荐模型(CMI-GCN)针对目前传统协同过滤的推荐系统出现推荐效果不佳现象的影响因素之一数据稀疏问题,将用户聚类融入推荐系统。为解决数据稀疏问题以及无法深入挖掘用户信息导致的用户的特征表示难以准确学习的问题,本文提出了基于用户聚类的多兴趣推荐模型(CMI-GCN)。该模型在进行协同过滤推荐之前首先采用聚类方法将用户进行聚类,选定目标用户特征学习的信息检索空间,然后利用图卷积神经网络深度探索目标用户特征学习受到的全局影响。对比实验证实,CMI-GCN模型可以有效缓解传统推荐算法存在的问题,并明显提升了推荐性能。(3)提出基于邻域交互的多兴趣推荐模型(MI-GCN)当下大部分的基于图卷积神经网络的模型都是通过增加卷积层来获得最好的性能,然而在持续地增加层数的过程中,各个节点的特征表示将逐渐达到近似相同的状态,导致推荐结果不准确。同时,直接引用高阶信息会产生高阶噪声,使节点表征的学习出现偏差。因此,本文提出了基于邻域交互的多兴趣推荐模型(MI-GCN)。在该模型中设计了子图生成机制,利用三种不同的方法将用户划分,并借助用户特征以及其交互的项目,结合用户-项目二部图生成子图,从而使具有多兴趣性的用户可以归属不同的子图,通过聚合子图中的信息以获得更精准的用户特征表示。实验结果表明,MI-GCN模型能够有效缓解过平滑问题和高阶噪声问题,从而提高推荐结果的准确性。
基于用户兴趣和时间信息的序列推荐的研究与实现
这是一篇关于推荐系统,序列推荐,多兴趣,深度学习,时间信息的论文, 主要内容为随着科技的发展,网络的普及,网络资源呈指数增加,信息过载的现象日益严重。人们可以轻易的从网络上获取各种各样的资源,但是如何提供符合用户需求的信息成为了困扰人们的问题,推荐系统因此应运而生。早期的推荐系统主要使用协同过滤,矩阵分解,统计学分析等方法。近年来,由于机器学习的快速发展,神经网络已被广泛用于推荐系统中,并且基于神经网络的推荐系统的性能通常优于传统的推荐方法。我们将电子商务推荐系统可以看作为一个序列推荐的问题,目的是预测用户可能与其交互的下一个项目。但是近期的关于序列推荐的研究通常忽略了两个非常重要的信息。第一,在基于深度神经网络的推荐系统研究中,人们通常把用户的行为序列作为一个整体的嵌入。但是,一个统一的用户嵌入并不能反映用户在一段时间内的多种兴趣。第二,现有的方法大多是将行为的时间信息简化为行为序列,以便后序进行基于循环神经网络(RNN)的建模。但以这种简单的方式进行序列推荐,关键的时间信息在很大程度上被忽略了。为了解决上文提出的目前研究中容易忽略的这两方面的重要信息,本文以电子商务平台为背景,提出了一个基于自编码器(Auto-Encoder)和自注意力机制(SelfAttention)的神经网络模型用来捕获和利用用户的多兴趣和复杂时间信息,并且在多个真实世界的数据集上进行实验,与经典和先进的序列推荐模型进行对比,证明了本文方法的有效性。本文的主要的工作如下:(1)对序列推荐进行了深入的研究,阐述了其发展趋势和研究意义。对两类序列推荐方法(基于传统推荐算法和基于深度神经网络)的优缺点进行了总结和分析。(2)基于现有的大量数据进行分析,发现了用户潜在的多种兴趣信息和行为序列中的复杂时间模式。为推荐系统更好的建模用户交互序列,提出了一个综合的深度学习模型,将多兴趣模块和复杂时间模块集成到一个统一的推荐系统中。(3)将本文所提出的模型与几个经典和先进的序列推荐模型在多个真实数据集上进行了大量的实验,本文的模型在几个通用的指标上与之进行对比都取得了最好的效果,证明了本文的研究在序列推荐上的有效性。(4)设计实现了包含序列推荐功能的原型系统。该系统实现了本文提出的利用用户多兴趣和复杂时间信息进行个性化推荐的方法。
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：源码客栈 ，原文地址：https://m.bishedaima.com/lunwen/52550.html
