5个研究背景和意义示例,教你写计算机短期偏好论文

今天分享的是关于短期偏好的5篇计算机毕业论文范文, 如果你的论文涉及到短期偏好等主题,本文能够帮助到你

融合多源异构辅助信息的推荐算法

这是一篇关于推荐算法,图卷积神经网络,短期偏好,知识图谱,多任务学习的论文, 主要内容为互联网的飞速发展以及信息采集、分享方式不断丰富促使人们步入大数据时代,数据的急剧增加带来严重的“信息过载”问题,推荐系统便是针对这一问题所提出的,推荐系统分析用户的行为记录,挖掘用户的个性化需求,帮助用户找到他们感兴趣但很难被发现的产品。如今网络内容日益丰富,物品数目动辄百千万计,用户交互数据非常稀疏,导致大多关联分析算法效果一般;由于新用户、新物品可供分析利用的信息较少,很难给出精准的推荐,从而导致冷启动问题;同时,可帮助推荐的辅助数据例如:社交关系数据、物品评论、物品标签等,通常具有来源广泛、数据结构多样的特性,不便于分析利用,除此之外,推荐系统还面临着提升推荐结果的可解释性、提升系统的可扩展性等多方面的挑战。对于以上现状和挑战,本文采用深度学习技术,融合用户及物品的辅助信息来增强推荐性能,对于不同的辅助数据,采用不同的深度学习算法分析提取,构建更加精准的用户和物品特征表示;同时,挖掘用户的短期偏好,分析用户的社交关系,构建更加全面的用户画像,为用户提供更精准的推荐服务。本文主要针对多源异构辅助数据的分析和融合问题,提出了两种不同的推荐方法,论文的主要研究工作如下:1.针对数据稀疏和物品冷启动问题,提出的方法(MKASR、MSAKR)使用物品属性、标签、文本等辅助信息组织构建知识图谱,采用知识图谱技术深入挖掘分析物品和物品的语义关联关系,从物品辅助信息的语义关联角度构建精准且全面的物品特征表示,从而提升推荐结果的准确性和发散性。同时,在知识图谱表示学习模块和推荐模块融合方面,采用基于软约束的多任务学习方法,同时训练两个模块,使两个任务之间能够互相补充、互相学习、互相促进,以提升整体模型的准确性和泛化性。针对用户兴趣偏好难以捕捉的问题,提出的方法(MKASR)采用基于注意力机制的双向GRU网络分析用户近期的物品交互序列,挖掘用户的短期偏好;提出的方法(MKASR)通过Ripple Net算法提取用户到物品到知识图谱实体的关系对,并存储为三元组的形式,采用知识图谱相关技术分析挖掘这些关系对,从用户和物品辅助信息关联的角度挖掘用户的偏好。2.针对数据稀疏和用户冷启动问题,提出的模型(MSAKR)分析用户社交关系这类图结构数据,挖掘用户之间的信任关系。模型采用图卷积神经网络提取社交关系,创新的使用图中心性作为概率对邻居节点采样来过滤邻居,采用word2vec思想生成虚拟邻居来缓解社交数据的稀疏性,采用基于注意力机制的方式聚集节点邻居,通过分析用户之间的社交记录,构建蕴含信任关系和社交关联的用户特征向量,从而提升推荐结果的准确度。在真实的数据集上进行实验验证,提出的两个推荐算法在点击率预测和top-K推荐上均优于其他基准模型,证明提出的模块可以有效的融合多源异构辅助信息来缓解数据稀疏和冷启动问题,从而提升推荐性能。

基于图神经网络的会话推荐方法研究

这是一篇关于门控图神经网络,混合注意力机制,长期兴趣,短期偏好,多维提取的论文, 主要内容为推荐系统利用用户和项目之间的交互信息进行推荐,广泛用于电子商务平台、各类媒体流网站等。会话型推荐系统作为推荐系统研究的一个重要分支,通过分析用户的历史行为信息,为用户生成个性化推荐。于购物网站上的匿名用户或者新用户而言,在其历史交互信息不可知的情况下,可根据用户的历史行为序列数据,建模用户的长期兴趣和短期偏好。通过挖掘用户的兴趣偏好,来预测用户下一项可能点击的物品。该文的主要工作包括:针对用户购物目的或用户兴趣偏好被错误挖掘,及用户兴趣偏好提取方式单一化的问题,本研究提出一种多头注意力与软注意力线性组合的混合注意力机制,进而提出基于多维兴趣提取的会话型推荐方法。提出的混合注意力机制能从多个维度提取用户的兴趣偏好,无需考虑会话图中物品之间的距离,可直接获取任意两个物品间的相似性,从而获得会话的多层级表示,减少无关行为对用户偏好的影响。针对因未充分考虑物品间相对重要性或会话序列中部分节点信息特征造成的推荐性能下降,本研究提出基于双门控图神经网络的推荐方法。现有的会话图中缺少原来会话序列的物品点击顺序,造成物品间存在的相对重要性无法被准确衡量。进一步地,会话图中的物品节点信息经过图神经网络的多次迭代更新,可能出现信息损失。该文提出的双门控图神经网络,能够捕捉物品之间的转换关系,并获取会话图中节点与其相邻节点的相关性,从而降低不相关邻居节点的噪声干扰,有效提高推荐性能。实验研究针对基于多维兴趣提取的会话型推荐方法和基于双门控图神经网络的推荐方法开展。利用实验验证了基于多维兴趣提取的会话型推荐方法的混合注意力,实验结果表明该方法能深度挖掘会话中包含的用户购物目的或用户兴趣偏好,可以多维提取用户的兴趣偏好,MDIE在Dgeca数据集的P@20值相较于现有基准模型提升了11.95%。在考虑物品间相对重要性及对序列中部分节点信息特征的情况下,利用实验验证了基于双门控图神经网络的推荐方法的推荐性能,实验结果表明DGG-GNN在Tmall数据集的P@20值相较于现有基准模型提升了6.57%。

基于知识图谱和图卷积网络的推荐算法研究

这是一篇关于知识图谱,推荐系统,特征交叉,麻雀算法,短期偏好,负采样的论文, 主要内容为随着社交媒体的快速发展,个性化推荐系统针对用户对物品的偏好进行建模,可以为用户有效解决互联网时代带来的信息过载问题。传统的推荐算法只对有限的用户历史信息进行分析,存在着严重的数据稀疏问题。知识图谱是一种将现实世界的实体、概念、属性及其之间的关系用图形化的方式进行描述的知识表示模型。近来有许多学者在推荐系统中引入知识图谱对用户的兴趣进行建模,通过挖掘知识图谱中用户与交互项目之间的多跳关系(即路径),提取隐含的用户偏好和其他辅助信息,可以帮助系统更准确地学习用户与项目的相似性,提高推荐精度。但是,现有的基于知识图谱的推荐系统未能充分利用图谱的全局信息来对用户兴趣进行建模,且大多只是对用户的长期兴趣进行学习,忽略了时间因素对用户兴趣的影响。多数基于知识图谱的推荐模型通过计算用户和关系之间的分数得到固定大小的实体邻域结构,不能充分利用知识图谱中的全局信息;且以相同的权值对实体的邻居节点进行聚合,没有考虑到目标实体对不同采样邻居的偏好不同。针对这两个问题提出了融合邻居节点重要度采样和特征交叉池化的图卷积推荐模型。首先,通过融合邻居节点的分数和其中心性感知分数得到邻居节点重要度;然后,引入特征交叉池化层来对目标实体向量和邻域向量进行特征交叉后聚合,得到最终的实体特征表示;最后,使用改进的麻雀算法优化图卷积网络的超参数。在3个数据集上对模型的推荐性能进行验证,结果表明,模型的AUC、Recall和F1指标相比于基线模型均取得了有效的提升。针对现有基于知识图谱的推荐模型仅对用户的长期兴趣进行建模,忽略了短期偏好对用户未来需求的影响,导致最终学习到的用户兴趣不准确的问题,提出了一种融合相似性负采样和用户短期偏好的推荐模型。首先,使用k-means算法将相似向量进行聚类,在每个簇中选择与正样本相似度较高的样本作为负样本,提高负采样的效果。然后,使用图卷积网络来对用户近期交互的K个序列进行特征提取,得到相应的用户和项目特征向量表示,输入到双向门控循环单元中去学习用户的短期兴趣。最后,引入注意力机制对不同短期偏好赋予不同的权重,提高对用户偏好建模的准确性。在3个数据集上对模型性能进行验证,相比于基线模型,在AUC、Recall和F1指标上都有所改善。