给大家推荐5篇关于会话推荐系统的计算机专业论文

今天分享的是关于会话推荐系统的5篇计算机毕业论文范文, 如果你的论文涉及到会话推荐系统等主题,本文能够帮助到你

基于深度学习的会话推荐算法研究

这是一篇关于会话推荐系统,图神经网络,去噪自编码器,注意力机制的论文, 主要内容为在互联网时代,信息过载的问题逐渐凸显。作为一种有效的解决方式,推荐系统在电子商务,广告推荐,短视频等领域扮演了越来越重要的角色。基于会话的推荐是推荐系统中一个较新的分支,不同于其他推荐方向,它能够保护用户的隐私,并且捕捉用户短期的动态的兴趣偏好,这使得模型可以紧随用户兴趣的变化,提高推荐的准确率。当前,针对会话推荐的研究日益增多,主流的且效果最好的为基于图神经网络的会话推荐研究。不同于RNN,GNN能够学习到更加高阶的邻居信息,且没有严格的顺序关系。这些优势提高了模型推荐的效果。虽然GNN取得了较大的进步,但是它依然存在着一些缺点与局限性,本文提出了三个方面的问题并提出了解决方案:(1)会话数据中是存在噪声的。目前主要的解决办法是利用注意力机制来消除噪声,但是它的去噪效果并不够好,因为它是一种软剪枝的去噪方式。基于注意力的软剪枝对于噪声消除不够彻底。本文提出了DGNN模型(Denoising Graph Neural Network)。它包含两点创新,一是提出了Swin Relu函数,实现对于噪声消息的屏蔽。二是提出了Flow Valve,用于构造屏蔽噪声的阈值。这两点的结合实现了自适应阈值硬剪枝的操作,使得噪声的消除更加彻底。(2)在基于会话的推荐研究中,需要将会话提取为一个向量,作为用户的偏好。目前主流的做法是将训练数据中的最后一个交互物品作为用户的短期兴趣,并将其作为QUERY与会话中的物品计算注意力分数,对应物品的加权和作为长期兴趣。长短期兴趣拼接经过一层全连接作为用户的偏好。在这种做法中,由于将短期兴趣作为QUERY,得到的长期兴趣较为单一。而用户的购买行为往往是受到多个兴趣的影响的。其次,与其他的推荐方向不同,会话推荐无法获取用户的完整交互历史,这就使得模型更容易受到数据稀疏的影响。本文提出了DAS-GNN模型(Denoising Autoencoder integrated with Self-supervised learning in Graph Neural Network)。它使用去噪自编码器构造QUERY,用于构造长期兴趣,克服了长期兴趣单一的问题。其次,针对数据稀疏的问题,我们结合自监督学习构造正负样本,使得模型在可观察到的用户交互数据之外,利用到了未观测到的物品信息,缓解了数据稀疏的问题。(3)会话推荐中,普遍的做法是将会话数据的最后一个物品作为标签。在会话数据中,用户可能存在着多个兴趣,标签提供了模型优化的一个目标,而标签只能代表用户的一个兴趣。这就导致一条会话数据中的其他兴趣可能向着错误的梯度优化。本文提出了CGNN模型,它利用数据集中的类别信息,区分用户不同的兴趣,使标签优化对应兴趣的物品,不会影响到用户的其他兴趣。本文对于这三个模型进行了细致的解释和分析,并在多个数据集上进行实验。实验结果表明它们超过了其他先进的模型,验证了它们的优越性。

基于图神经网络和双向长短期记忆网络的会话推荐研究

这是一篇关于会话推荐系统,图神经网络,双向长短期记忆网络的论文, 主要内容为随着互联网的快速发展,信息量与日俱增,推荐系统在缓解用户信息过载,提升用户体验方面发挥着重要作用,目前被广泛应用于电商平台,新闻网站等工业场景。会话推荐系统作为推荐系统下的一个子领域,主要针对用户匿名登录的情况,为用户进行个性化推荐。会话是指用户和系统的一次交互过程,例如从用户打开网站到退出的这段时间称为一次会话。在会话推荐系统中,由于用户匿名登录,系统无法获取用户的个人信息和历史浏览记录,仅能根据用户此次会话过程中浏览的商品为用户进行推荐,因此会话推荐系统是一个更具挑战性的推荐场景。对于会话推荐系统,早期的研究主要是基于矩阵分解和基于商品相似性进行推荐。但是,上述方法不能很好地捕获商品之间的序列依赖关系,推荐的准确性不高。近年来,随着深度学习技术的不断发展,使用神经网络提取商品序列中的时序特征,建模用户兴趣偏好的方法取得了良好的效果。在本论文中,我们提出了一种新颖的会话推荐方法用于进行个性化推荐,方法名为GNN-BLSTM,其核心思想是使用图神经网络建模商品之间复杂的转移关系,为商品生成准确的表征向量;之后基于生成的商品表征,使用双向长短期记忆网络对会话中的商品序列进行特征提取,建模用户的兴趣偏好,得到用户的表征向量;最后,基于商品表征向量和用户表征向量,为每个待推荐商品计算得到一个推荐分数,将分数较高的商品推荐给用户。为验证方法的有效性,我们在公共的Yoochoose1＿64数据集、Yoochoose1＿4数据集和Diginetica数据集上面进行了测试,经过实验证明,本论文提出的方法在会话推荐任务上取得了较高的准确性。

基于双通道的思维导图推荐系统设计与实现

这是一篇关于推荐系统,图神经网络,会话推荐系统,个性化推荐系统的论文, 主要内容为随着信息时代的来临,数据规模的爆炸式增长使得用户面临诸如数据过载等问题,从而导致用户难以找寻和发掘所需内容。思维导图作为一种学习工具,已经越来越被用户熟知和使用,然而其推荐平台却鲜有人知,阻碍了思维导图的传播。本系统从思维导图推荐平台的特点和需求出发,为用户提供准确的推荐结果。(1)本文提出了一种基于用户显式反馈的图卷积神经网络(FBGCN),利用隐式反馈和显式反馈提供更准确的推荐结果。为了结合上述两种反馈,提出了一种基于pairwise learning-to-rank方法的全局显式反馈模块,经过实验验证本模型与LGCN模型在Movielen数据集上recall@20有7.95%的性能提升。(2)本文提出了一种基于用户兴趣转移的会话推荐模型(ISB-GCN),旨在为访问系统的匿名用户提供准确的推荐结果。该模型基于遗忘曲线构造了兴趣衰减图,并从该图中提取用户的全局兴趣特征和局部兴趣特征。该模型还构造了一种兴趣容器,用于捕捉用户的兴趣转移特征。经过实验验证该模型相比较GCE-GNN模型在Tmall数据集上MRR@20指标有17.64%的性能提升。(3)提出了一种基于等价对比学习的句向量表征学习模型(EqvCSE),该模型产生的句向量用作主题相似度推荐。该模型通过将句子输入编码器两次来实现不敏感数据增强,并针对单词替换这种敏感数据增强设计了一种甄别器,从而提高了句向量的表现力。经过实验验证,相比SimCSE模型有约5%性能提升,达到了 SOTA水平。(4)基于上述三个模型,本系统设计并实现了一种针对思维导图的推荐系统。系统采用个性化推荐与会话推荐的双通道架构,涵盖了登录场景与匿名场景的推荐任务,从而满足了不同用户对思维导图平台的需求。