基于深度学习的多源信息融合餐馆推荐系统研究
这是一篇关于餐馆推荐,深度学习,多源信息,矩阵分解,卷积神经网络的论文, 主要内容为目前,推荐系统在人们的生活中应用广泛,尤其是餐饮业,给用户带来便利的同时更带来巨大的商业价值。用户使用相关的餐饮APP时,产生相应的就餐信息,包括消费者注册产生的用户属性信息、对消费餐馆的评分信息、评论信息、就餐时间等。餐馆经营者上线餐馆产生的餐馆属性信息,如地址、营业时间、环境、口味等。如何利用这些信息,实现对用户的精准推荐,已成为众多推荐系统研究者研究的重点。本文通过融合用户评论信息、用户社交信息和地理信息,构建出个性化餐馆推荐模型,为用户提供更精准的餐馆推荐。具体内容如下:(1)通过构建网络爬虫,抓取国内某知名网站的餐馆数据,包括餐馆信息、用户评论信息等,经过数据清洗,构建出一个可供使用的中文数据集Restaurant。其中包括21653个用户、27861个商家和510785条用户评论信息,数据集稀疏度为99.916%。同时,对国外公开数据集Yelp进行预处理,获得餐馆类数据,包括200435个用户、24071个商家和1773483条用户评论信息,数据集稀疏度为99.963%。这两个数据集经过清洗与处理,能够很好的被本文的模型使用。(2)对卷积矩阵分解模型ConvMF进行了深入的研究,并对模型提出适当的改进。首先在原模型的卷积神经网络模块中的卷积层后再增加一个跨通道卷积层,增强卷积神经网络模块对文本信息的特征提取能力。随后尝试在原模型中使用矩阵分解技术融入其他辅助信息,通过对用户社交信息、地理信息分别建模,最终成功构建改进模型MIFConvMF。最后选取PMF、CTR、CDL和ConvMF等主流模型作为对比模型,并分别在公开数据集Yelp和本文构建的中文数据集Restaurant上进行对比实验。结果表明,本文提出的改进模型MIFConvMF相较于其他对比模型,推荐性能得到明显提升。(3)使用SSM+Spark+MySql框架构建了一个可视化的web餐馆推荐平台。此平台前后端分离,包括前端页面展示、后端逻辑处理模块,其中推荐模块由Spark框架完成。最终本平台在Windows10操作系统下部署的tomcat服务器上顺利运行。
基于深度学习的多源信息融合餐馆推荐系统研究
这是一篇关于餐馆推荐,深度学习,多源信息,矩阵分解,卷积神经网络的论文, 主要内容为目前,推荐系统在人们的生活中应用广泛,尤其是餐饮业,给用户带来便利的同时更带来巨大的商业价值。用户使用相关的餐饮APP时,产生相应的就餐信息,包括消费者注册产生的用户属性信息、对消费餐馆的评分信息、评论信息、就餐时间等。餐馆经营者上线餐馆产生的餐馆属性信息,如地址、营业时间、环境、口味等。如何利用这些信息,实现对用户的精准推荐,已成为众多推荐系统研究者研究的重点。本文通过融合用户评论信息、用户社交信息和地理信息,构建出个性化餐馆推荐模型,为用户提供更精准的餐馆推荐。具体内容如下:(1)通过构建网络爬虫,抓取国内某知名网站的餐馆数据,包括餐馆信息、用户评论信息等,经过数据清洗,构建出一个可供使用的中文数据集Restaurant。其中包括21653个用户、27861个商家和510785条用户评论信息,数据集稀疏度为99.916%。同时,对国外公开数据集Yelp进行预处理,获得餐馆类数据,包括200435个用户、24071个商家和1773483条用户评论信息,数据集稀疏度为99.963%。这两个数据集经过清洗与处理,能够很好的被本文的模型使用。(2)对卷积矩阵分解模型ConvMF进行了深入的研究,并对模型提出适当的改进。首先在原模型的卷积神经网络模块中的卷积层后再增加一个跨通道卷积层,增强卷积神经网络模块对文本信息的特征提取能力。随后尝试在原模型中使用矩阵分解技术融入其他辅助信息,通过对用户社交信息、地理信息分别建模,最终成功构建改进模型MIFConvMF。最后选取PMF、CTR、CDL和ConvMF等主流模型作为对比模型,并分别在公开数据集Yelp和本文构建的中文数据集Restaurant上进行对比实验。结果表明,本文提出的改进模型MIFConvMF相较于其他对比模型,推荐性能得到明显提升。(3)使用SSM+Spark+MySql框架构建了一个可视化的web餐馆推荐平台。此平台前后端分离,包括前端页面展示、后端逻辑处理模块,其中推荐模块由Spark框架完成。最终本平台在Windows10操作系统下部署的tomcat服务器上顺利运行。
基于知识图谱和用户长短期兴趣的餐馆推荐方法研究
这是一篇关于餐馆推荐,知识图谱,长短期兴趣,推荐方法,餐馆属性的论文, 主要内容为互联网智能化发展推动了餐饮电子商务网站和软件应用的快速发展,推荐系统也广泛应用于餐饮服务网站。在推荐系统不断发展过程中,人们对推荐结果的个性化和可解释性等问题的重视程度日益提高。然而,现有餐馆推荐方法大多数是从用户角度考虑推荐相似度(例如评论、情感、评级等),忽略了餐馆本身的属性信息和餐馆间的高阶关系;另一方面,一些传统推荐方法仅仅利用用户对餐馆显式或隐式反馈做出推荐,容易出现数据稀疏性的问题。此外,用户的就餐兴趣具有多样化且不固定的特点,不同用户对餐馆的风格、环境、设施的需求和喜好程度不尽相同。为了获得更符合用户需求的推荐结果,需要充分考虑用户兴趣的动态变化。为了解决上述问题,本文的主要开展了如下研究工作:(1)引入知识图谱作为辅助信息,将用户与餐馆的交互矩阵与知识图谱联系起来,通过对知识图谱三元组的语义结构分析,挖掘蕴含的用户和餐馆之间、餐馆与餐馆之间的高阶联系和语义信息,提高推荐的准确性和可解释性。(2)基于Yelp网站真实就餐数据,筛选并分析餐馆属性,划分属性类型,创建图谱关系,设计并搭建知识图谱模式层和数据层,构建了餐馆知识图谱R-KG用于分析研究;并使用主流图数据库Neo4j进行可视化存储,构建可查询分析的可视化餐馆知识图谱数据库。(3)针对现有推荐算法在用户兴趣动态变化和数据稀疏场景下的性能表现不佳的问题,提出了一种结合知识图谱和用户长短期兴趣的餐馆推荐方法RR-KGLSI。该模型充分考虑用户兴趣变化对用户就餐特征提取的影响,从长期稳定兴趣和短期动态兴趣两方面学习用户就餐偏好,利用知识图谱语义结构和神经网络分别对长短期兴趣进行建模。模型中考虑到区分用户对餐馆各属性的偏好程度,对不同属性进行分类,通过知识图谱语义结构,对不同类别的属性分别计算相关度,以区分用户的偏好重点。(4)考虑到长短期兴趣融合效果对推荐结果的影响,本文设计了一个门控结构来动态获取兴趣分配的权重,即长短期兴趣贡献占比。该结构能够针对不同用户兴趣,自适应地融合用户的长期和短期兴趣,生成混合兴趣表示。此外,本文将此兴趣融合方法与常见的拼接融合方法进行对比实验,性能指标AUC、ACC、F1分别是0.9310、0.8724、0.8773,取得了比MLP、FM、Deep FM、Ripple Net等先进基线模型更好的性能。
基于知识图谱和用户长短期兴趣的餐馆推荐方法研究
这是一篇关于餐馆推荐,知识图谱,长短期兴趣,推荐方法,餐馆属性的论文, 主要内容为互联网智能化发展推动了餐饮电子商务网站和软件应用的快速发展,推荐系统也广泛应用于餐饮服务网站。在推荐系统不断发展过程中,人们对推荐结果的个性化和可解释性等问题的重视程度日益提高。然而,现有餐馆推荐方法大多数是从用户角度考虑推荐相似度(例如评论、情感、评级等),忽略了餐馆本身的属性信息和餐馆间的高阶关系;另一方面,一些传统推荐方法仅仅利用用户对餐馆显式或隐式反馈做出推荐,容易出现数据稀疏性的问题。此外,用户的就餐兴趣具有多样化且不固定的特点,不同用户对餐馆的风格、环境、设施的需求和喜好程度不尽相同。为了获得更符合用户需求的推荐结果,需要充分考虑用户兴趣的动态变化。为了解决上述问题,本文的主要开展了如下研究工作:(1)引入知识图谱作为辅助信息,将用户与餐馆的交互矩阵与知识图谱联系起来,通过对知识图谱三元组的语义结构分析,挖掘蕴含的用户和餐馆之间、餐馆与餐馆之间的高阶联系和语义信息,提高推荐的准确性和可解释性。(2)基于Yelp网站真实就餐数据,筛选并分析餐馆属性,划分属性类型,创建图谱关系,设计并搭建知识图谱模式层和数据层,构建了餐馆知识图谱R-KG用于分析研究;并使用主流图数据库Neo4j进行可视化存储,构建可查询分析的可视化餐馆知识图谱数据库。(3)针对现有推荐算法在用户兴趣动态变化和数据稀疏场景下的性能表现不佳的问题,提出了一种结合知识图谱和用户长短期兴趣的餐馆推荐方法RR-KGLSI。该模型充分考虑用户兴趣变化对用户就餐特征提取的影响,从长期稳定兴趣和短期动态兴趣两方面学习用户就餐偏好,利用知识图谱语义结构和神经网络分别对长短期兴趣进行建模。模型中考虑到区分用户对餐馆各属性的偏好程度,对不同属性进行分类,通过知识图谱语义结构,对不同类别的属性分别计算相关度,以区分用户的偏好重点。(4)考虑到长短期兴趣融合效果对推荐结果的影响,本文设计了一个门控结构来动态获取兴趣分配的权重,即长短期兴趣贡献占比。该结构能够针对不同用户兴趣,自适应地融合用户的长期和短期兴趣,生成混合兴趣表示。此外,本文将此兴趣融合方法与常见的拼接融合方法进行对比实验,性能指标AUC、ACC、F1分别是0.9310、0.8724、0.8773,取得了比MLP、FM、Deep FM、Ripple Net等先进基线模型更好的性能。
基于知识图谱和用户长短期兴趣的餐馆推荐方法研究
这是一篇关于餐馆推荐,知识图谱,长短期兴趣,推荐方法,餐馆属性的论文, 主要内容为互联网智能化发展推动了餐饮电子商务网站和软件应用的快速发展,推荐系统也广泛应用于餐饮服务网站。在推荐系统不断发展过程中,人们对推荐结果的个性化和可解释性等问题的重视程度日益提高。然而,现有餐馆推荐方法大多数是从用户角度考虑推荐相似度(例如评论、情感、评级等),忽略了餐馆本身的属性信息和餐馆间的高阶关系;另一方面,一些传统推荐方法仅仅利用用户对餐馆显式或隐式反馈做出推荐,容易出现数据稀疏性的问题。此外,用户的就餐兴趣具有多样化且不固定的特点,不同用户对餐馆的风格、环境、设施的需求和喜好程度不尽相同。为了获得更符合用户需求的推荐结果,需要充分考虑用户兴趣的动态变化。为了解决上述问题,本文的主要开展了如下研究工作:(1)引入知识图谱作为辅助信息,将用户与餐馆的交互矩阵与知识图谱联系起来,通过对知识图谱三元组的语义结构分析,挖掘蕴含的用户和餐馆之间、餐馆与餐馆之间的高阶联系和语义信息,提高推荐的准确性和可解释性。(2)基于Yelp网站真实就餐数据,筛选并分析餐馆属性,划分属性类型,创建图谱关系,设计并搭建知识图谱模式层和数据层,构建了餐馆知识图谱R-KG用于分析研究;并使用主流图数据库Neo4j进行可视化存储,构建可查询分析的可视化餐馆知识图谱数据库。(3)针对现有推荐算法在用户兴趣动态变化和数据稀疏场景下的性能表现不佳的问题,提出了一种结合知识图谱和用户长短期兴趣的餐馆推荐方法RR-KGLSI。该模型充分考虑用户兴趣变化对用户就餐特征提取的影响,从长期稳定兴趣和短期动态兴趣两方面学习用户就餐偏好,利用知识图谱语义结构和神经网络分别对长短期兴趣进行建模。模型中考虑到区分用户对餐馆各属性的偏好程度,对不同属性进行分类,通过知识图谱语义结构,对不同类别的属性分别计算相关度,以区分用户的偏好重点。(4)考虑到长短期兴趣融合效果对推荐结果的影响,本文设计了一个门控结构来动态获取兴趣分配的权重,即长短期兴趣贡献占比。该结构能够针对不同用户兴趣,自适应地融合用户的长期和短期兴趣,生成混合兴趣表示。此外,本文将此兴趣融合方法与常见的拼接融合方法进行对比实验,性能指标AUC、ACC、F1分别是0.9310、0.8724、0.8773,取得了比MLP、FM、Deep FM、Ripple Net等先进基线模型更好的性能。
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：代码海岸 ，原文地址：https://m.bishedaima.com/lunwen/53170.html
