5个研究背景和意义示例,教你写计算机LightGCN论文

今天分享的是关于LightGCN的5篇计算机毕业论文范文, 如果你的论文涉及到LightGCN等主题,本文能够帮助到你

基于协同过滤的宠物用品在线购物系统的设计与实现

这是一篇关于图卷积网络,协同过滤,LightGCN,SSM的论文, 主要内容为宠物在人们生活中一直扮演着重要角色,随着社会经济的发展,养宠人数大幅提升,宠物用品消费也随之增加。由于线下宠物用品门店鱼龙混杂,价格不透明,且营业时间有限,使得网上宠物用品购物平台更受欢迎。互联网技术的快速发展使得网上购物变得更加方便快捷,但是随着商品数量和种类的不断增长,各种各样的商品信息充斥了用户的视野,导致用户难以选择,浪费了用户的时间。为了让用户能够在大量数据中快速获取自己所需要的商品,基于个性化推荐的在线购物系统应运而生,成为有效的解决方案。论文设计和实现了基于协同过滤推荐算法的宠物用品在线购物系统。协同过滤推荐算法是基于用户与物品的交互来计算用户之间的相似度,并基于此来预测用户可能感兴趣的其他物品。在当前的一些研究中,将图卷积网络引入模型,测量用户之间的相似度,并获得了良好的结果。但是,图卷积网络中的特征转换和非线性激活对协同过滤的性能贡献很小。并且,在模型中包含他们增加了训练的难度,降低了推荐的效果。因此,本文引入了Light GCN(light graph convolution network)图卷积网络模型实现协同过滤推荐,通过对用户-物品交互矩阵进行轻量图卷积和层组运算,生成用户和物品的特性表示并进行内积运算,得到用户对物品的预测分数,生成最终推荐列表,并在公开数据集Movielens上进行了训练。在Movielens数据集上,该模型召回率达到61.26%,NDCG达到59.42%,符合预期。本系统主要分为前台子系统和后台子系统两个部分,其中前台子系统包括四个模块,个人中心模块、在线商城模块、社区互动模块、养宠知识模块,后台子系统包括后台管理模块。软件前端使用JSP、Java Script、CSS技术,后端采用Spring MVC、Spring、My Batis技术即SSM框架。目前,本系统已经完成了设计和开发,并完成了相关测试工作。

融入评论文本的图卷积网络茶产品推荐研究

这是一篇关于茶产品,图卷积网络,推荐系统,评论文本,BERT,LightGCN的论文, 主要内容为随着网络购物的兴起,电子商务得以飞速发展,越来越多的农副产品也从线下销售平台走入线上电商销售平台。其中,茶叶作为我国的一种传统饮用品在京东、天猫等电商平台都有销售,然而大量的茶产品信息造成用户意图模糊。推荐系统主要通过挖掘用户偏好,主动向用户推荐其可能感兴趣的信息,使得用户不必在海量信息中自己搜索,是解决信息过载问题的必要工具。推荐系统发展至今,衍生出多种推荐算法,传统的推荐算法主要利用协同过滤等技术,经过复杂的运算找到用户感兴趣的商品或信息,而深度学习的出现,为推荐模型的效果带来了大幅的提升。图卷积网络的出现使得非欧空间的图结构数据得以被更好的利用,实际推荐中的用户物品关系与图结构最为相似,因此利用图卷积网络构建推荐模型成为当今推荐技术发展的新趋势。针对简化的图卷积网络利用信息形式单一的问题,本文提出一种融入评论文本的图卷积网络茶产品推荐模型BERT-LightGCN(BERT-Light Graph Convolution Network)。利用用户对茶产品的评论文本来辅助图卷积网络学习用户和茶产品的特征,进而分析用户偏好,以提升茶产品推荐模型的推荐效果。本文的具体工作如下:(1)针对传统推荐模型面临的数据稀疏和遗失结构信息等问题,利用一种基于深度学习的图卷积网络处理用户—茶产品交互图中的交互信息。通过使用LightGCN中提出的一种简化的图卷积方式,在交互图上传播用户及茶产品节点的特征信息,对用户和茶产品的特征进行更加细致全面的刻画,从而提升推荐效果。(2)针对多数推荐模型只注重用户—物品的交互信息,而忽略其它有效可用信息的问题。通过使用BERT模型来处理用户关于茶产品的评论文本,从中提取目标茶产品和目标用户的语义特征,用于辅助图神经网络学习节点特征,以提升模型的鲁棒性。(3)在京东真实数据集上进行了相关实验,验证了BERT-LightGCN模型的有效性,并通过大量实验探究了不同超参数对模型的最终影响效果。最后,对比了传统的推荐方法、基于深度学习的推荐方法和BERT-LightGCN的优劣性,实验结果表明,本文提出的模型在茶产品的推荐效果上有显著的优势。