基于异质图神经网络的电影推荐系统研究
这是一篇关于推荐系统,图神经网络,异质图,属性信息,时效意见的论文, 主要内容为随着互联网的快速发展,视频用户的不断增长,影视信息已经成为人们生活中不可缺少的信息媒介之一。如何通过推荐算法帮助用户挑选出其感兴趣的电影,受到了广泛的关注。当前,图神经网络被发现在图数据学习方面具有强大的功能,被应用于推荐研究工作。许多研究者将用户或项目的辅助信息集成到大规模网络建模中,形成包含各种信息的异质图网络。大多数算法都是基于元路径获取相似用户,并通过网络表征学习提取有效信息。但仍然存在如下几个问题:当前研究更关注用户与电影的交互信息,用户个体与属性群体间偏好影响关系建模不足;用户受不同方面偏好的影响不同,现有研究对于异质图中的多种关系融合不够个性化;现有异质图结构模型主要关注用户电影交互的行为,存在用户与电影交互建模不完整性问题。这些都对推荐系统的精度造成了影响。对此,本文展开了如下研究:1.针对用户与属性群体偏好影响关系建模不足问题。在基于属性信息的异质图神经网络推荐算法中将属性抽象为一类人群,通过图结构来表示用户与属性群体的关系。首先利用显式反馈信息计算用户属性群体间的相关度,区分不同属性群体对用户的影响,提取属性偏好。然后,通过注意力机制将异质图中不同关系下的偏好细粒度融合。最后使用内积的方式得到用户的电影推荐列表,并在真实电影数据集上验证了该方法能够有效地提升推荐性能。2.本文改进了一种结合用户意见的异质图神经网络推荐算法。主要针对用户和电影间的交互建模不完整性问题。首先根据时间戳分片构建多个交互子图,在各子图交互关系上对交互的时间、评分信息建模,构建交互的时效意见。然后通过注意力网络捕获不同时效意见下的交互协作信号,并利用图神经网络进行信息传播,将协作信号与时效意见充分结合。最后再将各个子图下的嵌入表示相融合得到完整的行为偏好表示。在真实数据集上验证了该改进模型对电影推荐的有效性。3.本文设计了基于异质图神经网络的电影推荐系统。在上述模型基础上,设计并实现了基于异质图神经网络的电影推荐系统。
融合多行为和特征增强的推荐方法研究
这是一篇关于推荐系统,多行为,图卷积网络,属性信息,注意力机制的论文, 主要内容为在互联网时代,人们可以更加方便快速地获取各种信息,互联网上的数据呈指数级增长。推荐系统在解决信息过载问题上起到了重要作用,能够帮助用户从海量数据中找到他们感兴趣的内容。传统的推荐模型通常只考虑一种行为(如电商平台中的购买),由于用户只交互了大量项目中的一小部分,导致数据极其稀疏。因此,仅利用单一行为的推荐模型在交互数据有限的情况下,不能很好地捕获用户偏好。但是其他类型的用户行为也可以提供非常有价值的信号,例如点击、加入购物车等。多行为推荐旨在利用多种类型的用户-项目交互数据来学习用户偏好,能够有效缓解传统推荐模型中的数据稀疏问题。针对现有多行为推荐存在的问题,本文旨在设计更准确的推荐模型,提升用户体验。本文的研究内容如下:(1)由于图卷积网络处理图数据具有明显优势,已被广泛应用于多行为推荐领域。然而图卷积过程中的特征变换和非线性激活函数不仅对推荐性能没有积极作用,反而增加了模型的训练难度。同时,在邻居聚合过程中没有区别不同邻居对目标节点的影响,不能更加准确地学习节点的嵌入表示。并且多行为推荐中忽略了每个用户不同行为的重要性。针对上述问题,本文提出了一种联合轻量图卷积网络和注意力增强的多行为推荐模型。首先利用一种轻量图卷积网络在用户-项目交互图上挖掘用户和项目之间的高阶协同信息。同时利用注意力机制计算邻居节点的权重,从而有效地区分邻居节点的不同重要性。在k-阶用户嵌入传播中计算用户不同行为的重要性,提高模型的可解释性。实验结果表明,该模型性能优于比较的基线模型。(2)上述方法只关注了用户和项目之间的交互,忽略了用户和项目的属性信息,不能更加精确地反映用户的偏好和意图。在实际的推荐场景中,存在着大量的用户和项目的属性信息,它们能够为建模用户偏好和项目特征提供额外的丰富信息。并且还忽略了交互的时间顺序,无法捕捉到用户的动态兴趣。针对上述问题,本文提出了一种融合时间和属性信息的多行为推荐模型。为了进一步挖掘用户的潜在偏好和动态兴趣,引入了用户和项目的属性信息以及交互的时间信息。在用户-项目交互图中执行时间注意力嵌入传播,同时利用时间注意力学习基于时间的邻居权重,挖掘用户动态偏好。在用户-项目-属性交互图中执行属性注意力嵌入传播,通过属性注意力计算属性的不同重要性。最后结合两部分的嵌入表示进行预测。实验结果表明,该模型性能优于比较的基线模型。
嵌入图谱结构与属性信息的实体对齐技术研究
这是一篇关于实体对齐,图谱嵌入,结构信息,属性信息的论文, 主要内容为知识图谱是一种新颖的语义网络,随着越来越多的知识图谱被不同的个人和机构发布,它们之间的异构性问题日渐显露。因此,如何将多源知识图谱融合,促进知识网络的纵深发展,已经成为了当下一个热点研究方向。实体对齐便是解决这个难题的主要方法,它旨在找到不同知识图谱中指向相同现实世界对象的实体。现有的实体对齐方法主要受到知识图谱嵌入模型的推动,将图谱中的实体和关系编码映射到向量空间中,通过计算向量间的距离得到实体间的相似度。然而,以往的图谱嵌入模型大多基于对图谱结构三元组信息的学习来传播对齐信息,存在实体向量表达能力低和信息传播不充分的问题,并且已有方法未能有效地表示图谱中实体的属性信息,大部分的探索还只是简单地叠加多资源信息。因此,探究如何从结构和属性两方面提升实体的表达能力就非常具有研究价值。对此,本文提出了一个嵌入图谱结构和属性信息的实体对齐模型,从两方面捕获实体的结构特征,并将两者的表示结合作为实体基于结构嵌入的表示。最后,将实体的结构嵌入与属性嵌入迭代结合,充分利用多资源的互补性。具体内容如下:(1)本文提出一种学习知识图谱中实体间长期依赖关系的方法,通过设计一个独特的序列学习模型来高效传播实体间的对齐信息,得到高质量的实体结构表示。(2)本文设计了一个基于图神经网络的模型来消除邻居差异对实体表示的影响,该模型可以感知实体周围短期的邻居差异,进一步提升实体的结构表示能力。(3)本文提出了利用注意力机制感知重要属性信息的方法,使实体的属性表示更有辨识度。最后,将嵌入属性信息的实体表示与嵌入结构信息的实体表示模型基于全局最优算法迭代结合,充分利用结构与属性之间的互补性。本文在多个真实数据集上进行实验对比。结果表明,本文提出的嵌入图谱结构与属性信息的模型中的每个模块都显著优于已有的该场景下的实体对齐方法。
基于异质图神经网络的电影推荐系统研究
这是一篇关于推荐系统,图神经网络,异质图,属性信息,时效意见的论文, 主要内容为随着互联网的快速发展,视频用户的不断增长,影视信息已经成为人们生活中不可缺少的信息媒介之一。如何通过推荐算法帮助用户挑选出其感兴趣的电影,受到了广泛的关注。当前,图神经网络被发现在图数据学习方面具有强大的功能,被应用于推荐研究工作。许多研究者将用户或项目的辅助信息集成到大规模网络建模中,形成包含各种信息的异质图网络。大多数算法都是基于元路径获取相似用户,并通过网络表征学习提取有效信息。但仍然存在如下几个问题:当前研究更关注用户与电影的交互信息,用户个体与属性群体间偏好影响关系建模不足;用户受不同方面偏好的影响不同,现有研究对于异质图中的多种关系融合不够个性化;现有异质图结构模型主要关注用户电影交互的行为,存在用户与电影交互建模不完整性问题。这些都对推荐系统的精度造成了影响。对此,本文展开了如下研究:1.针对用户与属性群体偏好影响关系建模不足问题。在基于属性信息的异质图神经网络推荐算法中将属性抽象为一类人群,通过图结构来表示用户与属性群体的关系。首先利用显式反馈信息计算用户属性群体间的相关度,区分不同属性群体对用户的影响,提取属性偏好。然后,通过注意力机制将异质图中不同关系下的偏好细粒度融合。最后使用内积的方式得到用户的电影推荐列表,并在真实电影数据集上验证了该方法能够有效地提升推荐性能。2.本文改进了一种结合用户意见的异质图神经网络推荐算法。主要针对用户和电影间的交互建模不完整性问题。首先根据时间戳分片构建多个交互子图,在各子图交互关系上对交互的时间、评分信息建模,构建交互的时效意见。然后通过注意力网络捕获不同时效意见下的交互协作信号,并利用图神经网络进行信息传播,将协作信号与时效意见充分结合。最后再将各个子图下的嵌入表示相融合得到完整的行为偏好表示。在真实数据集上验证了该改进模型对电影推荐的有效性。3.本文设计了基于异质图神经网络的电影推荐系统。在上述模型基础上,设计并实现了基于异质图神经网络的电影推荐系统。
融合多行为和特征增强的推荐方法研究
这是一篇关于推荐系统,多行为,图卷积网络,属性信息,注意力机制的论文, 主要内容为在互联网时代,人们可以更加方便快速地获取各种信息,互联网上的数据呈指数级增长。推荐系统在解决信息过载问题上起到了重要作用,能够帮助用户从海量数据中找到他们感兴趣的内容。传统的推荐模型通常只考虑一种行为(如电商平台中的购买),由于用户只交互了大量项目中的一小部分,导致数据极其稀疏。因此,仅利用单一行为的推荐模型在交互数据有限的情况下,不能很好地捕获用户偏好。但是其他类型的用户行为也可以提供非常有价值的信号,例如点击、加入购物车等。多行为推荐旨在利用多种类型的用户-项目交互数据来学习用户偏好,能够有效缓解传统推荐模型中的数据稀疏问题。针对现有多行为推荐存在的问题,本文旨在设计更准确的推荐模型,提升用户体验。本文的研究内容如下:(1)由于图卷积网络处理图数据具有明显优势,已被广泛应用于多行为推荐领域。然而图卷积过程中的特征变换和非线性激活函数不仅对推荐性能没有积极作用,反而增加了模型的训练难度。同时,在邻居聚合过程中没有区别不同邻居对目标节点的影响,不能更加准确地学习节点的嵌入表示。并且多行为推荐中忽略了每个用户不同行为的重要性。针对上述问题,本文提出了一种联合轻量图卷积网络和注意力增强的多行为推荐模型。首先利用一种轻量图卷积网络在用户-项目交互图上挖掘用户和项目之间的高阶协同信息。同时利用注意力机制计算邻居节点的权重,从而有效地区分邻居节点的不同重要性。在k-阶用户嵌入传播中计算用户不同行为的重要性,提高模型的可解释性。实验结果表明,该模型性能优于比较的基线模型。(2)上述方法只关注了用户和项目之间的交互,忽略了用户和项目的属性信息,不能更加精确地反映用户的偏好和意图。在实际的推荐场景中,存在着大量的用户和项目的属性信息,它们能够为建模用户偏好和项目特征提供额外的丰富信息。并且还忽略了交互的时间顺序,无法捕捉到用户的动态兴趣。针对上述问题,本文提出了一种融合时间和属性信息的多行为推荐模型。为了进一步挖掘用户的潜在偏好和动态兴趣,引入了用户和项目的属性信息以及交互的时间信息。在用户-项目交互图中执行时间注意力嵌入传播,同时利用时间注意力学习基于时间的邻居权重,挖掘用户动态偏好。在用户-项目-属性交互图中执行属性注意力嵌入传播,通过属性注意力计算属性的不同重要性。最后结合两部分的嵌入表示进行预测。实验结果表明,该模型性能优于比较的基线模型。
联合强健知识图与属性融合的实体对齐方法研究
这是一篇关于知识图谱,实体对齐,图卷积神经网络,对抗模型,属性信息的论文, 主要内容为随着时代与科学技术的发展变化,来源于方方面面的信息量日益庞大,如何存储信息并获得信息之间错综复杂的关系变得十分重要。知识图谱(Knowledge Graph)的诞生将不同来源的知识通过知识融合进行集成,辅助数据进行决策推理。实体对齐(Entity Alignment,EA)作为在知识融合的过程中最基础、最关键的手段之一,其目标是在不同的由人工构造的知识图谱中找到现实世界中存在的对应实体。现今大量研究多数采用有监督或半监督方式进行实体对齐研究,如利用人工标注的种子集进行实体对齐后,得到新的实体匹配对再放入原有的种子集合中加以训练形成半监督方式扩充种子集合。一方面,由于信息来源的广泛性以及存在人工标注实体的差异性会导致在进行实体对齐的任务中出现错误积累,在一定程度上影响实体对齐的效果。另一方面,实体对齐研究方法考虑单一的结构嵌入,忽视了知识图谱中包含属性信息这一优渥的外在条件。本文针对以上两方面挑战开展研究,主要工作如下:1、针对人工标注差异以及误导性,提出了强健知识图的邻域匹配实体对齐模型(Neighborhood Matching entity alignment based on Robust knowledge graphs,NMR),强健知识图即为在种子实体对存在错误的条件下,通过一定的方法改正错误,保证种子实体对的正确性。具体来说,本文采用对抗模型对现有的数据集DBP15K中的数据进行种子过滤,该对抗模型主要由两部分组成,一个是噪声感知优化生成器,另一个是噪声感知优化鉴别器。两者相互迭代训练到一个稳定状态并设置置信阈值来确定种子实体对是否为真实对齐的实体匹配,将每次迭代中产生的纯净度高的实体对合并,为接下来的对齐提供高质量的种子实体对。目前关于实体对齐任务的研究工作常借助邻域信息来增强实体对齐的效果,所以在对齐过程中沿用这一手段进行实体对齐工作,利用图卷积神经网络嵌入后再通过邻域采样、匹配以及聚合减轻了知识图谱的异质性问题。2、针对结构嵌入的单一性,结合现有研究NMR模型,进一步融合实体的属性信息,提出了联合健壮知识图与属性融合的实体对齐模型(entity alignment for Jointly Robust knowledge graph and Attribute Fusion,JRAF),由于对邻居信息进行采样、匹配以及聚合的过程中复杂度较高,所以在JRAF模型上我们去掉NMR中的邻域匹配的高复杂算式,与属性进行融合得到良好的实验效果,相较于NMR模型完成了再度提升。3、为了评估模型,使用了来自DBP15K的三个跨语言知识图谱数据集。与现有的经典实体对齐研究模型对比,证明了本文提出了的两个实验模型方法的高效性与稳健性,提高了实体对齐的效果。
基于异质图神经网络的电影推荐系统研究
这是一篇关于推荐系统,图神经网络,异质图,属性信息,时效意见的论文, 主要内容为随着互联网的快速发展,视频用户的不断增长,影视信息已经成为人们生活中不可缺少的信息媒介之一。如何通过推荐算法帮助用户挑选出其感兴趣的电影,受到了广泛的关注。当前,图神经网络被发现在图数据学习方面具有强大的功能,被应用于推荐研究工作。许多研究者将用户或项目的辅助信息集成到大规模网络建模中,形成包含各种信息的异质图网络。大多数算法都是基于元路径获取相似用户,并通过网络表征学习提取有效信息。但仍然存在如下几个问题:当前研究更关注用户与电影的交互信息,用户个体与属性群体间偏好影响关系建模不足;用户受不同方面偏好的影响不同,现有研究对于异质图中的多种关系融合不够个性化;现有异质图结构模型主要关注用户电影交互的行为,存在用户与电影交互建模不完整性问题。这些都对推荐系统的精度造成了影响。对此,本文展开了如下研究:1.针对用户与属性群体偏好影响关系建模不足问题。在基于属性信息的异质图神经网络推荐算法中将属性抽象为一类人群,通过图结构来表示用户与属性群体的关系。首先利用显式反馈信息计算用户属性群体间的相关度,区分不同属性群体对用户的影响,提取属性偏好。然后,通过注意力机制将异质图中不同关系下的偏好细粒度融合。最后使用内积的方式得到用户的电影推荐列表,并在真实电影数据集上验证了该方法能够有效地提升推荐性能。2.本文改进了一种结合用户意见的异质图神经网络推荐算法。主要针对用户和电影间的交互建模不完整性问题。首先根据时间戳分片构建多个交互子图,在各子图交互关系上对交互的时间、评分信息建模,构建交互的时效意见。然后通过注意力网络捕获不同时效意见下的交互协作信号,并利用图神经网络进行信息传播,将协作信号与时效意见充分结合。最后再将各个子图下的嵌入表示相融合得到完整的行为偏好表示。在真实数据集上验证了该改进模型对电影推荐的有效性。3.本文设计了基于异质图神经网络的电影推荐系统。在上述模型基础上,设计并实现了基于异质图神经网络的电影推荐系统。
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：毕设海岸 ，原文地址：https://m.bishedaima.com/lunwen/55996.html
