分享9篇关于Top-N推荐的计算机专业论文

今天分享的是关于Top-N推荐的9篇计算机毕业论文范文, 如果你的论文涉及到Top-N推荐等主题,本文能够帮助到你

基于生成式对抗网络的个性化推荐方法研究

这是一篇关于推荐系统,Top-N推荐,社交推荐,个性化排序,矩阵分解,生成式对抗网络,循环神经网络的论文, 主要内容为互联网技术的发展为人们的生活既带来了便利,也带来了严重的信息过载问题。为解决信息过载问题,个性化推荐系统应运而生。近些年来,深度学习的出现为个性化推荐系统的发展带来了新的契机。作为深度学习领域新兴的算法,生成式对抗网络展现了强大的无监督学习能力,可以很好的解决推荐系统中非线性高维数据分布的拟合问题。同时,生成式对抗网络可以灵活的与其他深度学习模型结合,融合其它模型的优势进行改进。因此本文基于生成式对抗网络提出了三种个性化推荐方法,具体内容如下:1.针对矩阵分解方法非线性数据拟合能力较弱的问题,本文提出一种基于生成式对抗网络的深度矩阵分解方法(Deep Matrix Factorization Based on Generative Adversarial Network,DMF-GAN)。具体来说,首先利用用户的评分信息作为输入数据,使用多层神经网络作为DMF-GAN模型的生成器提取用户特征向量,同时定义一个物品特征矩阵,将用户特征向量和物品特征矩阵的内积作为预测评分。然后DMF-GAN模型的判别器基于重构评分对物品进行离散采样,将采样得到的物品作为判别器输入的负样本,同时将真实物品作为判别器输入的正样本。通过生成器和判别器的动态对抗训练,实现生成器对真实数据样本分布的特征学习。最后,通过在两个公开数据集上进行仿真实验,验证DMF-GAN模型的有效性。2.为了将时间信息融合到评分信息中进一步改善推荐性能,本文提出了一种以生成式对抗网络为基础,融合循环神经网络的推荐方法(Recurrent Adversarial Recommender Network with Time Information,T-RAN)。首先,为了避免物品数量过多带来的维度灾难问题,本文采用词嵌入模型对用户评分信息按照时间顺序进行降维处理;然后,本文采用循环神经网络作为T-RAN模型的生成器提取用户评分的深层特征,通过全连接层预测物品评分。最后,本文采用gumbel-softmax采样方法,以贝叶斯个性化排序模型为判别器,采取逐对训练的方式对生成数据和真实数据进行训练。通过在公开数据集上的仿真实验,证明T-RAN模型可以取得很好的效果。3.为了将社交信息融合到评分信息中,同时解决离散物品采样给对抗训练带来的限制问题,本文提出了一种融合用户社交信息的逐向量推荐方法(Trust-aware Generative Adversarial Network with Recurrent Neural Network for Recommender systems,Tag Rec)。首先,将用户评分数据根据用户信任关系编码为用户信任评分矩阵,对每一个用户计算相似度,从中挑选出与给定用户最相似的多个用户作为输入数据;然后,采用长短期记忆网络作为Tag Rec模型的生成器提取输入数据的深层特征,并使用全连接层预测物品评分;最后,将生成的评分向量和真实评分向量分别作为正负样本送到多层感知机中通过随机梯度下降进行训练。通过在两个公开数据集上的实验结果表明,本文提出的方法优于多个基线方法。

基于深度神经网络的Top-N推荐研究

这是一篇关于推荐系统,Top-N推荐,深度神经网络,因式分解机,矩阵分解的论文, 主要内容为如今是互联网飞度发展的信息爆炸时代,各种形式的信息等待着发挥价值,人们处在“信息过载”和“信息茧房”的矛盾中。推荐算法会分析已知的历史数据做到个性化的数据筛选,为用户提供了获取有效信息的途径。Top-N序列推荐作为越来越受欢迎的推荐形式,提升了用户的参与感和获得感,同时随着深度神经网络的发展,基于深度神经网络的Top-N推荐成为了推荐领域重要的研究方向。本文以深度神经网络的Top-N推荐作为背景,从用户和项目的角度来切入,注重特征提取和组合的方式,融入到深度网络中,预测用户的潜在喜好,主要做了以下两个方面工作:1.通过分析深度神经网络推荐算法,发现现有的算法忽略特征之间的关联对深度网络的影响,受限于特征的表达,使模型难以达到良好的推荐效果。针对这种不足,本文提出了分解机深度网络算法(Factorization Machine Deep Network,FMN)。该算法在嵌入特征的基础上,基于因式分解机的思想,将嵌入特征元素之间进行交互得到了分解机向量,可以表示二阶交叉特征,然后通过多层感知机学习非线性隐性特征。在真实的电影数据集和店铺推荐数据集进行实验,相比基线算法,FMN在表示准确性和排序性的评估指标中有不同程度的提升。2在面对用户数量和项目数量相差过大的数据集,为了得到合适长度的嵌入向量,避免传统矩阵分解算法中遇到欠表示和过表示的问题,本文提出了适应性矩阵分解算法(Adaptive Matrix Factorization,AMF)。该算法在嵌入层得到适应数据集的嵌入向量,在特征提取中不存在信息损耗同时减少了无用参数的数量。为了得到相同长度的适应向量,在适应性组合层补充了分解机向量,同时使向量具有了关联特征。在对比试验中,选择了用户数量与项目数量比值为5.56的图片推荐数据集,通过对实验结果进行分析,得到了AFM算法比其他算法有更好推荐性能的结论。

融合社交信息的推荐算法研究

这是一篇关于社交网络信息,协同过滤,Top-N推荐,时间信息的论文, 主要内容为随着互联网的普及和大数据的快速发展,人们从海量数据中获取有效信息的难度越来越大,因此对个性化推荐的需求也越来越高。基于主流社交媒体的发展和用户的动态的兴趣偏好,本文针对推荐系统中数据稀疏性问题进行研究和分析,并提出解决方案:本文通过引入用户行为的时间信息和跨系统的社交信息,提出了融合社交信息和时间效应的协同过滤推荐模型(STCF)。首先利用LSTM网络对用户的短期兴趣偏好进行建模,整合用户长、短期兴趣偏好作为用户真实兴趣偏好与用户属性结合提取用户特征,利用项目属性提取项目特征。然后采用基于图的半监督学习方法对社交信息建模,实现用户特征表示在社交网络上沿着社交关系传播,将更新后的用户表示作为基于推荐模型的下一次训练的输入,最终得到用户与项目的交互预测评分,生成推荐列表。为防止训练过程出现过拟合现象,本文提出一种全局损失函数正则化方法,构建了融合用户嵌入正则项、物品嵌入正则项、属性嵌入正则项的三重约束损失函数求解模型。实验在两个不同领域的自建数据集Twitter-Trip和豆瓣-微博上进行,根据对实验结果的分析,本文模型在旅游和书籍领域对于解决数据稀疏性问题上具有可行性和有效性。通过与其他流行推荐模型进行对比实验,相较于基于动态图卷积注意力机制的推荐模型,本文模型的AUC,召回率,准确率三个指标分别提升[2.3%,20.1%,22.8%]和[1.9%,16.5%,12.1%],验证了本文模型在利用跨系统社交信息进行推荐领域具有一定的改进能力。

利用关联数据中隐式反馈的Top-N推荐系统研究

这是一篇关于Top-N推荐,链接数据,推荐系统,隐式反馈的论文, 主要内容为近些年来随着互联网的迅速发展,信息负载对用户的决策产生了巨大的挑战。推荐系统已经成为一种有效的工具用来帮助人们在复杂的信息空间中找到他可能感兴趣的物品。但是由于在大多数问题中推荐系统只有用户对物品的评分信息,信息的局限性导致了推荐效果不是很理想。目前主流的推荐系统的研究主要分为两个方面,一个是基于协同过滤方法,使用不同的方法构造用户和物品的新特征,根据新的特征进行改进。另一个是基于矩阵分解的方法,该方法通过矩阵分解的办法解决推荐问题中数据稀疏的问题。本文通过加入链接数据,构建链接数据与实体数据的关系模型提高了Top-N推荐的准确性。本文的主要研究内容分为以下几个方面:首先,通过改进用户近邻的选择和引入评分正则化改进了基于用户的推荐算法,然后通过一个直观的三维数据模型表示物品和链接数据之间的关系,在模型中提取物品特征,然后利用基于内容的推荐算法进行计算。最后使用了基于线性混合的算法将两个算法结果进行混合,改进了推荐的效果。其次,将数据利用图结构表示,利用两种不同的相似度计算方法来计算图中的推荐,一种使用基于图中边数目的方法,另一种利用一维数据模型将数据表示成特征向量,计算他们之间的相似度。然后考虑二部图中的性质,利用刚才计算的相似度进行Top-N推荐。最后,深入分析了二部图的性质,通过考虑链接数据中的隐式反馈信息,将链接数据加入到二部图中构成新的三部图。通过提取三部图中路径的特征分别构建用户和物品的特征,使用排序学习函数将Top-N推荐问题转化为一个二分类问题,最后通过实验结果分析表明我们的算法在推荐的准确性值上有一定的提高。

基于深度强化学习的Top-N推荐模型研究

这是一篇关于Top-N推荐,深度强化学习,知识蒸馏的论文, 主要内容为随着大数据时代的到来以及互联网规模的不断扩大,用户需要提取有用的信息进行决策。为了能够在合适的场景下满足用户的信息需求,推荐系统也因此应运而生。通常情况下,推荐系统会分析当前用户的偏好,根据用户的历史交互数据,从大量的信息中找出用户可能感兴趣的信息对象,并对其进行排序,最终以列表的形式呈现给用户。目前,大多数的推荐模型将推荐的过程当做是一个静态的过程,其在推荐时遵循着一个固定的推荐策略,当用户的偏好发生动态的变化时,推荐模型并不能有效的捕捉到这种改变,从而导致了不满意的推荐结果。本文根据上述推荐模型存在的局限,提出使用基于深度强化学习的方法进行推荐,具体的研究内容如下。首先,使用深度强化学习的方法引入马尔科夫决策过程对Top-N推荐任务、Top-N推荐过程进行定义。引入知识蒸馏的思想,提出一个基于值改进的融入知识蒸馏的Top-N推荐模型,该模型由老师模型和学生模型两个模块构成。利用老师模型中的知识进一步引导学生模型的学习,进而提高学生模型在Top-N推荐任务上的表现。其次,考虑到在使用基于值的深度强化学习方法进行推荐时存在着策略退化以及无法处理连续动作空间的局限,提出一个基于策略改进的融入知识蒸馏的Top-N推荐模型。利用一种基于策略的深度强化学习方法对学生模型进行改进,使其能够学习出一种更有效的推荐策略。最后,本文在3个真实的数据集上进行了相关的实验,将所提出的模型与对比模型进行比较并对提出的模型进行全面的分析,验证本文所提出模型的可行性和有效性。

基于用户兴趣模型的强化推荐系统研究

这是一篇关于推荐系统,强化学习,用户兴趣,点击率预估,Top-N推荐的论文, 主要内容为随着互联网技术的迅速发展,电子商务领域蓬勃兴起,涌现出众多拥有海量商品的电商平台,但平台用户面对海量商品时却难以挑选出符合个人兴趣的商品。因此目前电商平台存在以下问题:一方面,用户很难找到感兴趣的商品,寻找过程需要耗费大量时间和精力,用户体验欠佳;另一方面,平台交易量低迷,造成平台交易提成收益无法上升。而推荐系统可以通过特定的策略为平台用户推送个性化的商品,加速商品成交率,提升交易额,促进交易各方增加收益。传统的推荐系统多使用协同过滤思想获得推荐结果,但对于复杂特征的拟合能力不足,从而造成推荐结果精度不高。因此,本文以电商平台的商品推荐问题作为研究对象,以用户兴趣提取为基础,结合强化学习理论设计了更加高效的推荐方法,分别提出了基于行为延时和共享网络的点击率预估模型和基于强化学习的Top-N推荐方法。本文首先通过改进循环神经网络结构,引入时间特征来明确上下文时刻应该保留多少用户兴趣信息,并且为了提高系统解释性,使得用户和商品向量映射到统一空间,提出了共享参数的多层感知机结构,结合以上两点设计并实现了点击率预估模型,通过实验对所提模型的点击率预估表现及其各部分影响进行了分析;其次,在强化学习框架Actor-Critic的基础上,利用改进循环网络和共享网络重构了底层网络,减少了模型的参数量,并提出了Top-N推荐列表生成算法将Actor输出的连续动作值转换为离散商品ID,利用混合奖励函数实现推荐商品准确度和多样性之间的平衡,实现了列表级商品推荐,通过实验验证了强化推荐系统的推荐性能,证明了其推荐结果在准确度和多样性指标上的优异性。