融合室内位置大数据与知识图谱的个性化POI推荐
这是一篇关于室内位置大数据,语义轨迹,POI知识图谱,RippleNet,个性化推荐的论文, 主要内容为在城市生活中,人类87%的时间在室内空间。随着大型室内场所的不断增加和智能信息服务的快速增长,室内物品、信息、资源呈现多元化、复杂化的特点,信息过载现象日益严重,人们难以从中选择自己需要的信息,因此构建室内推荐系统,为人们提供个性化的服务具有非常重要的意义。随着智能手机和定位技术的快速发展,基于位置服务(Location Based Service,LBS)在世界各地都被广泛于日常生活领域,使得解决这一问题成为可能。本文通过分析海量的定位数据与室内复杂的空间环境的特征,利用分布式计算框架高效挖掘用户轨迹数据与室内兴趣点(Point of Interest,POI)之间的关联,提取用户语义轨迹;融合社交媒体数据与场所模型构建室内POI知识图谱;并将知识图谱作为辅助信息引入推荐系统中,搭建个性化偏好模型,完成个性化推荐。本文的主要研究内容如下:(1)基于Spark的室内语义轨迹提取。本文主要基于Spark分布式计算框架首先对室内移动对象定位数据进行异常点检测与中值滤波的数据清洗过滤噪声,其次通过设定时间与空间阈值对轨迹数据进行事件提取与语义增强,实现室内语义轨迹提取。(2)融合社交媒体数据与场所模型的室内POI知识图谱构建。本文首先基于场所模型的概念,从场所的功能属性、场所空间位置与场所情感三个方面对室内POI知识图谱进行本体构建,构建室内POI知识图谱模式层;其次通过网页抽取与正则表达式从开源社交媒体网页中获取到对应POI的结构化与非结构化知识作为知识图谱的数据层;在此基础上,从POI的属性特征和细粒度情感分析模型两个层面提取出室内POI的细粒度场所情感模型,进一步补充室内POI知识图谱的实体关系;从而建立室内POI知识图谱。(3)融合室内空间特征与知识图谱的个性化POI推荐模型。以室内地图为数据源,利用Voronoi图建立室内POI的空间邻近图,以室内位置大数据,采用滑动窗口算法生成室内POI流图,在此基础上,生成POI异构图;以图嵌入算法Node2vec对POI空间邻近图与POI运动流图同时进行随机游走采样,生成随机序列;通过skip-gram模型处理随机序列生成室内POI空间向量,计算POI向量间的余弦相似度建立室内POI空间相似度矩阵,将室内空间相似度矩阵融入到兴趣扩散POI-RippleNet中建立室内POI的个性化推荐框架。
融合室内位置大数据与知识图谱的个性化POI推荐
这是一篇关于室内位置大数据,语义轨迹,POI知识图谱,RippleNet,个性化推荐的论文, 主要内容为在城市生活中,人类87%的时间在室内空间。随着大型室内场所的不断增加和智能信息服务的快速增长,室内物品、信息、资源呈现多元化、复杂化的特点,信息过载现象日益严重,人们难以从中选择自己需要的信息,因此构建室内推荐系统,为人们提供个性化的服务具有非常重要的意义。随着智能手机和定位技术的快速发展,基于位置服务(Location Based Service,LBS)在世界各地都被广泛于日常生活领域,使得解决这一问题成为可能。本文通过分析海量的定位数据与室内复杂的空间环境的特征,利用分布式计算框架高效挖掘用户轨迹数据与室内兴趣点(Point of Interest,POI)之间的关联,提取用户语义轨迹;融合社交媒体数据与场所模型构建室内POI知识图谱;并将知识图谱作为辅助信息引入推荐系统中,搭建个性化偏好模型,完成个性化推荐。本文的主要研究内容如下:(1)基于Spark的室内语义轨迹提取。本文主要基于Spark分布式计算框架首先对室内移动对象定位数据进行异常点检测与中值滤波的数据清洗过滤噪声,其次通过设定时间与空间阈值对轨迹数据进行事件提取与语义增强,实现室内语义轨迹提取。(2)融合社交媒体数据与场所模型的室内POI知识图谱构建。本文首先基于场所模型的概念,从场所的功能属性、场所空间位置与场所情感三个方面对室内POI知识图谱进行本体构建,构建室内POI知识图谱模式层;其次通过网页抽取与正则表达式从开源社交媒体网页中获取到对应POI的结构化与非结构化知识作为知识图谱的数据层;在此基础上,从POI的属性特征和细粒度情感分析模型两个层面提取出室内POI的细粒度场所情感模型,进一步补充室内POI知识图谱的实体关系;从而建立室内POI知识图谱。(3)融合室内空间特征与知识图谱的个性化POI推荐模型。以室内地图为数据源,利用Voronoi图建立室内POI的空间邻近图,以室内位置大数据,采用滑动窗口算法生成室内POI流图,在此基础上,生成POI异构图;以图嵌入算法Node2vec对POI空间邻近图与POI运动流图同时进行随机游走采样,生成随机序列;通过skip-gram模型处理随机序列生成室内POI空间向量,计算POI向量间的余弦相似度建立室内POI空间相似度矩阵,将室内空间相似度矩阵融入到兴趣扩散POI-RippleNet中建立室内POI的个性化推荐框架。
基于深度学习与知识增强的新闻推荐方法研究
这是一篇关于新闻推荐,知识图谱,可信度,RippleNet,实体入度的论文, 主要内容为随着信息技术的快速发展,现如今的社会对推荐系统的要求也越来越高,特别是在推荐的精度方面,如何更加精准的将一个项目推荐给合适的用户是推荐系统的核心要求。然而新闻推荐具有不同于电影,旅游等项目推荐的独特性,在这些推荐领域,推荐系统已经相当完善,要想继续追求更高的精度会产生过高的边际效用,新闻推荐的一大特点就是它具有很高的时效性,一篇新闻文章在一周内的热度会呈指数型下降,如何保证能在新闻文章保持高热度的情况下进行精准推荐是一个热点研究方向。传统的推荐方法在新闻推荐上的成效不容乐观,为了进一步的提高新闻推荐的精度,大量的知识图谱应用于新闻推荐当中,知识图谱的各节点与边能较好的表示文章中各个实体间关系,相较于传统的推荐方法能更好的解决数据稀疏性与冷启动的问题。近年来越来越多的人对新闻推荐有着巨大的研究兴趣,通过对国内外相关研究与参考文献的分析总结,得出目前新闻推荐主要分为非神经网络学习与神经网络学习两种方法,而非神经网络学习的方法基本上是对相似性度量和加权方法的创新,个性化程度低,创新方法简单。在神经网络推荐方法中使用知识图谱进行推荐又是一大热门方向,然而在知识图谱中很少有考虑到关系实体对文章的影响,和在Ripple Net模型中同一层实体的重要性程度问题,而为了解决上述问题,本文使用知识图谱,引入了实体加权与可信度概念来提升新闻推荐的性能。本文的主要贡献体现在以下两方面:(1)提出了一种基于知识增强和可信度识别的新型新闻推荐方法,将新闻文章的知识图谱通过Trans-E方法嵌入至向量空间中,通过实体表示层、上下文嵌入层、信息蒸馏层这三层知识增强模型得到知识增强后的文章向量,然后与用户向量进行链接推荐。在实体表示层引入了可信度概念,通过关系实体可信度识别模型(RTD)将判别出对文章影响近乎为零的,或是可能曲解文章大义的关系实体,将低于可信度阈值的关系实体剔除,从而提升新闻推荐的性能,最后通过实验结果验证出模型的可行性与有效性。使用KRED提供的微软新闻数据集与其他基准模型进行实验对比,验证了RTD模型在新闻推荐上的有效性。(2)提出了一种基于Ripple Net的实体加权新闻推荐模型(R-EW),以用户爱好为原点通过水波模型一层一层向外扩张,构建出一张由用户偏好为原点的知识图谱,提出Ripple Net中每一层实体的重要程度不同的理念,突出了个别实体的重要性,利用Ripple Net的有向边的特性,引入了实体入度的权重计算,得到最终的文章向量与用户向量进行新闻推荐,最后通过实验结果验证出模型的可行性与有效性。通过使用Bing-news数据集验证,与其他基准模型进行实验对比,表明了本文模型在新闻推荐任务中有着优秀的性能,证明了其可行性与有效性。
基于深度学习与知识增强的新闻推荐方法研究
这是一篇关于新闻推荐,知识图谱,可信度,RippleNet,实体入度的论文, 主要内容为随着信息技术的快速发展,现如今的社会对推荐系统的要求也越来越高,特别是在推荐的精度方面,如何更加精准的将一个项目推荐给合适的用户是推荐系统的核心要求。然而新闻推荐具有不同于电影,旅游等项目推荐的独特性,在这些推荐领域,推荐系统已经相当完善,要想继续追求更高的精度会产生过高的边际效用,新闻推荐的一大特点就是它具有很高的时效性,一篇新闻文章在一周内的热度会呈指数型下降,如何保证能在新闻文章保持高热度的情况下进行精准推荐是一个热点研究方向。传统的推荐方法在新闻推荐上的成效不容乐观,为了进一步的提高新闻推荐的精度,大量的知识图谱应用于新闻推荐当中,知识图谱的各节点与边能较好的表示文章中各个实体间关系,相较于传统的推荐方法能更好的解决数据稀疏性与冷启动的问题。近年来越来越多的人对新闻推荐有着巨大的研究兴趣,通过对国内外相关研究与参考文献的分析总结,得出目前新闻推荐主要分为非神经网络学习与神经网络学习两种方法,而非神经网络学习的方法基本上是对相似性度量和加权方法的创新,个性化程度低,创新方法简单。在神经网络推荐方法中使用知识图谱进行推荐又是一大热门方向,然而在知识图谱中很少有考虑到关系实体对文章的影响,和在Ripple Net模型中同一层实体的重要性程度问题,而为了解决上述问题,本文使用知识图谱,引入了实体加权与可信度概念来提升新闻推荐的性能。本文的主要贡献体现在以下两方面:(1)提出了一种基于知识增强和可信度识别的新型新闻推荐方法,将新闻文章的知识图谱通过Trans-E方法嵌入至向量空间中,通过实体表示层、上下文嵌入层、信息蒸馏层这三层知识增强模型得到知识增强后的文章向量,然后与用户向量进行链接推荐。在实体表示层引入了可信度概念,通过关系实体可信度识别模型(RTD)将判别出对文章影响近乎为零的,或是可能曲解文章大义的关系实体,将低于可信度阈值的关系实体剔除,从而提升新闻推荐的性能,最后通过实验结果验证出模型的可行性与有效性。使用KRED提供的微软新闻数据集与其他基准模型进行实验对比,验证了RTD模型在新闻推荐上的有效性。(2)提出了一种基于Ripple Net的实体加权新闻推荐模型(R-EW),以用户爱好为原点通过水波模型一层一层向外扩张,构建出一张由用户偏好为原点的知识图谱,提出Ripple Net中每一层实体的重要程度不同的理念,突出了个别实体的重要性,利用Ripple Net的有向边的特性,引入了实体入度的权重计算,得到最终的文章向量与用户向量进行新闻推荐,最后通过实验结果验证出模型的可行性与有效性。通过使用Bing-news数据集验证,与其他基准模型进行实验对比,表明了本文模型在新闻推荐任务中有着优秀的性能,证明了其可行性与有效性。
基于深度学习与知识增强的新闻推荐方法研究
这是一篇关于新闻推荐,知识图谱,可信度,RippleNet,实体入度的论文, 主要内容为随着信息技术的快速发展,现如今的社会对推荐系统的要求也越来越高,特别是在推荐的精度方面,如何更加精准的将一个项目推荐给合适的用户是推荐系统的核心要求。然而新闻推荐具有不同于电影,旅游等项目推荐的独特性,在这些推荐领域,推荐系统已经相当完善,要想继续追求更高的精度会产生过高的边际效用,新闻推荐的一大特点就是它具有很高的时效性,一篇新闻文章在一周内的热度会呈指数型下降,如何保证能在新闻文章保持高热度的情况下进行精准推荐是一个热点研究方向。传统的推荐方法在新闻推荐上的成效不容乐观,为了进一步的提高新闻推荐的精度,大量的知识图谱应用于新闻推荐当中,知识图谱的各节点与边能较好的表示文章中各个实体间关系,相较于传统的推荐方法能更好的解决数据稀疏性与冷启动的问题。近年来越来越多的人对新闻推荐有着巨大的研究兴趣,通过对国内外相关研究与参考文献的分析总结,得出目前新闻推荐主要分为非神经网络学习与神经网络学习两种方法,而非神经网络学习的方法基本上是对相似性度量和加权方法的创新,个性化程度低,创新方法简单。在神经网络推荐方法中使用知识图谱进行推荐又是一大热门方向,然而在知识图谱中很少有考虑到关系实体对文章的影响,和在Ripple Net模型中同一层实体的重要性程度问题,而为了解决上述问题,本文使用知识图谱,引入了实体加权与可信度概念来提升新闻推荐的性能。本文的主要贡献体现在以下两方面:(1)提出了一种基于知识增强和可信度识别的新型新闻推荐方法,将新闻文章的知识图谱通过Trans-E方法嵌入至向量空间中,通过实体表示层、上下文嵌入层、信息蒸馏层这三层知识增强模型得到知识增强后的文章向量,然后与用户向量进行链接推荐。在实体表示层引入了可信度概念,通过关系实体可信度识别模型(RTD)将判别出对文章影响近乎为零的,或是可能曲解文章大义的关系实体,将低于可信度阈值的关系实体剔除,从而提升新闻推荐的性能,最后通过实验结果验证出模型的可行性与有效性。使用KRED提供的微软新闻数据集与其他基准模型进行实验对比,验证了RTD模型在新闻推荐上的有效性。(2)提出了一种基于Ripple Net的实体加权新闻推荐模型(R-EW),以用户爱好为原点通过水波模型一层一层向外扩张,构建出一张由用户偏好为原点的知识图谱,提出Ripple Net中每一层实体的重要程度不同的理念,突出了个别实体的重要性,利用Ripple Net的有向边的特性,引入了实体入度的权重计算,得到最终的文章向量与用户向量进行新闻推荐,最后通过实验结果验证出模型的可行性与有效性。通过使用Bing-news数据集验证,与其他基准模型进行实验对比,表明了本文模型在新闻推荐任务中有着优秀的性能,证明了其可行性与有效性。
基于深度学习与知识增强的新闻推荐方法研究
这是一篇关于新闻推荐,知识图谱,可信度,RippleNet,实体入度的论文, 主要内容为随着信息技术的快速发展,现如今的社会对推荐系统的要求也越来越高,特别是在推荐的精度方面,如何更加精准的将一个项目推荐给合适的用户是推荐系统的核心要求。然而新闻推荐具有不同于电影,旅游等项目推荐的独特性,在这些推荐领域,推荐系统已经相当完善,要想继续追求更高的精度会产生过高的边际效用,新闻推荐的一大特点就是它具有很高的时效性,一篇新闻文章在一周内的热度会呈指数型下降,如何保证能在新闻文章保持高热度的情况下进行精准推荐是一个热点研究方向。传统的推荐方法在新闻推荐上的成效不容乐观,为了进一步的提高新闻推荐的精度,大量的知识图谱应用于新闻推荐当中,知识图谱的各节点与边能较好的表示文章中各个实体间关系,相较于传统的推荐方法能更好的解决数据稀疏性与冷启动的问题。近年来越来越多的人对新闻推荐有着巨大的研究兴趣,通过对国内外相关研究与参考文献的分析总结,得出目前新闻推荐主要分为非神经网络学习与神经网络学习两种方法,而非神经网络学习的方法基本上是对相似性度量和加权方法的创新,个性化程度低,创新方法简单。在神经网络推荐方法中使用知识图谱进行推荐又是一大热门方向,然而在知识图谱中很少有考虑到关系实体对文章的影响,和在Ripple Net模型中同一层实体的重要性程度问题,而为了解决上述问题,本文使用知识图谱,引入了实体加权与可信度概念来提升新闻推荐的性能。本文的主要贡献体现在以下两方面:(1)提出了一种基于知识增强和可信度识别的新型新闻推荐方法,将新闻文章的知识图谱通过Trans-E方法嵌入至向量空间中,通过实体表示层、上下文嵌入层、信息蒸馏层这三层知识增强模型得到知识增强后的文章向量,然后与用户向量进行链接推荐。在实体表示层引入了可信度概念,通过关系实体可信度识别模型(RTD)将判别出对文章影响近乎为零的,或是可能曲解文章大义的关系实体,将低于可信度阈值的关系实体剔除,从而提升新闻推荐的性能,最后通过实验结果验证出模型的可行性与有效性。使用KRED提供的微软新闻数据集与其他基准模型进行实验对比,验证了RTD模型在新闻推荐上的有效性。(2)提出了一种基于Ripple Net的实体加权新闻推荐模型(R-EW),以用户爱好为原点通过水波模型一层一层向外扩张,构建出一张由用户偏好为原点的知识图谱,提出Ripple Net中每一层实体的重要程度不同的理念,突出了个别实体的重要性,利用Ripple Net的有向边的特性,引入了实体入度的权重计算,得到最终的文章向量与用户向量进行新闻推荐,最后通过实验结果验证出模型的可行性与有效性。通过使用Bing-news数据集验证,与其他基准模型进行实验对比,表明了本文模型在新闻推荐任务中有着优秀的性能,证明了其可行性与有效性。
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：源码码头网 ，原文地址：https://m.bishedaima.com/lunwen/54496.html
