基于用户行为传播的动态知识图谱推荐系统研究
这是一篇关于推荐系统,图注意力网络,动态知识图谱,托攻击检测,对偶学习的论文, 主要内容为在信息过载的互联网时代,推荐系统有着越来越重要的地位,它帮助用户在大量信息中找到所需要的内容。但是在推荐系统中常存在冷启动、数据稀疏的问题,用户隐含偏好挖掘不够深入,推荐结果实时性较差,缺乏系统的自我完善校正功能。目前由于数据获取较难,可用有效数据较少,用户行为偏好可提取性较差。推荐系统存在以下难点:(1)用户偏好灵活多变,选择偏差和曝光偏差,导致热门商品被反复推荐,用户潜在偏好挖掘不够深入,信息利用不够全面。(2)现有托攻击检测的研究大多依赖于用户的历史数据所呈现的显性虚假概貌去发现托攻击者。而社交网络中存在的用户繁衍传播和社交反馈性等重要特征没有被应用到托攻击者检测中。(3)冷启动和数据稀疏通常是不可避免的,同时会存在边信息不可用的情况。深度学习应用于推荐系统中依赖于大数据,限制了其在许多场景中的应用。为了提高推荐结果多样性、自适应性、安全性和准确性,本文提出了基于用户行为传播的动态知识图谱推荐系统研究,具体工作包括:(1)提出构建异构网络中动态知识图谱推荐系统(A Recommendation Approach Based on Heterogeneous Network and Dynamic Knowledge Graph,HN-DKG),根据用户在跨领域多平台的复合行为,挖掘多模态异质节点,构建异构网络图,进而建立基础知识图谱;利用图注意力网络(Graph attention network,GAT)组件的多头注意力机制,重点关注时序信息和知识图谱的图结构信息,实现多模态异质节点的关系增强,构建动态知识图谱;利用改进的Ripple Net发现用户的潜在兴趣,对预测商品评分并排序,其中设定了用户种子簇、传播阻断以及随机种子的机制,使得推荐结果更加准确、多样。采用公测数据集,与基线算法进行对比,实验表明所提方法在推荐的有效性和多样性上有较好的表现。另外消融实验也证明算法中各环节的有效性。(2)提出基于用户自治体的社交网络推荐安全检测方法(A security detection approach based on autonomy-oriented user sensor in social recommendation network,AOUSD),将用户模拟为具有自治能力的社会传感器。基于用户自治传感器在社交网络中的信息传播、信息反馈和信息消逝等机制构建社交推荐中用户的交互行为模型,并考虑与事件相关的可变时间函数生成基于社会传感器的用户关系动态知识图谱。采用层次聚类方法生成初步的可疑候选组,在动态知识图谱上应用图团体检测聚类方法来获取托攻击者。在Netlogo平台进行模拟仿真托攻击环境,测试AOUSD的性能,采用Amazon数据集进行实验,将所提出的AOUSD算法与其他算法进行比较。实验结果证明了所提AOUSD方法在托攻击检测效率和准确性上的优势。(3)提出基于对偶学习的混合推荐方法(A dual learning-based recommendation approach,DLRA),DLRA将推荐任务视为两个独立的子任务——主任务和对偶任务,这两个任务在DLRA中表现出很强的对偶性。最初的任务是以物品为中心的,目的是找到那些对物品评价较高的用户,而对偶任务是以用户为中心的,目的是向用户推荐最喜欢的物品。这两个任务在推荐空间、选择概率和推荐依据上具有很强的对偶性。基于Movielens和Book Crossing的数据集,模拟了数据稀疏和冷启动推荐场景。实验结果表明,DLRA在标记数据稀疏的情况下获得了显著的改善,并优于其他混合推荐方法和深度学习策略,具有更小的预测误差和更好的推荐精度。
基于用户行为传播的动态知识图谱推荐系统研究
这是一篇关于推荐系统,图注意力网络,动态知识图谱,托攻击检测,对偶学习的论文, 主要内容为在信息过载的互联网时代,推荐系统有着越来越重要的地位,它帮助用户在大量信息中找到所需要的内容。但是在推荐系统中常存在冷启动、数据稀疏的问题,用户隐含偏好挖掘不够深入,推荐结果实时性较差,缺乏系统的自我完善校正功能。目前由于数据获取较难,可用有效数据较少,用户行为偏好可提取性较差。推荐系统存在以下难点:(1)用户偏好灵活多变,选择偏差和曝光偏差,导致热门商品被反复推荐,用户潜在偏好挖掘不够深入,信息利用不够全面。(2)现有托攻击检测的研究大多依赖于用户的历史数据所呈现的显性虚假概貌去发现托攻击者。而社交网络中存在的用户繁衍传播和社交反馈性等重要特征没有被应用到托攻击者检测中。(3)冷启动和数据稀疏通常是不可避免的,同时会存在边信息不可用的情况。深度学习应用于推荐系统中依赖于大数据,限制了其在许多场景中的应用。为了提高推荐结果多样性、自适应性、安全性和准确性,本文提出了基于用户行为传播的动态知识图谱推荐系统研究,具体工作包括:(1)提出构建异构网络中动态知识图谱推荐系统(A Recommendation Approach Based on Heterogeneous Network and Dynamic Knowledge Graph,HN-DKG),根据用户在跨领域多平台的复合行为,挖掘多模态异质节点,构建异构网络图,进而建立基础知识图谱;利用图注意力网络(Graph attention network,GAT)组件的多头注意力机制,重点关注时序信息和知识图谱的图结构信息,实现多模态异质节点的关系增强,构建动态知识图谱;利用改进的Ripple Net发现用户的潜在兴趣,对预测商品评分并排序,其中设定了用户种子簇、传播阻断以及随机种子的机制,使得推荐结果更加准确、多样。采用公测数据集,与基线算法进行对比,实验表明所提方法在推荐的有效性和多样性上有较好的表现。另外消融实验也证明算法中各环节的有效性。(2)提出基于用户自治体的社交网络推荐安全检测方法(A security detection approach based on autonomy-oriented user sensor in social recommendation network,AOUSD),将用户模拟为具有自治能力的社会传感器。基于用户自治传感器在社交网络中的信息传播、信息反馈和信息消逝等机制构建社交推荐中用户的交互行为模型,并考虑与事件相关的可变时间函数生成基于社会传感器的用户关系动态知识图谱。采用层次聚类方法生成初步的可疑候选组,在动态知识图谱上应用图团体检测聚类方法来获取托攻击者。在Netlogo平台进行模拟仿真托攻击环境,测试AOUSD的性能,采用Amazon数据集进行实验,将所提出的AOUSD算法与其他算法进行比较。实验结果证明了所提AOUSD方法在托攻击检测效率和准确性上的优势。(3)提出基于对偶学习的混合推荐方法(A dual learning-based recommendation approach,DLRA),DLRA将推荐任务视为两个独立的子任务——主任务和对偶任务,这两个任务在DLRA中表现出很强的对偶性。最初的任务是以物品为中心的,目的是找到那些对物品评价较高的用户,而对偶任务是以用户为中心的,目的是向用户推荐最喜欢的物品。这两个任务在推荐空间、选择概率和推荐依据上具有很强的对偶性。基于Movielens和Book Crossing的数据集,模拟了数据稀疏和冷启动推荐场景。实验结果表明,DLRA在标记数据稀疏的情况下获得了显著的改善,并优于其他混合推荐方法和深度学习策略,具有更小的预测误差和更好的推荐精度。
基于对偶学习的top-n推荐系统的设计与实现
这是一篇关于推荐系统,排序算法,对偶学习,深度因子分解机的论文, 主要内容为Web2.0技术的蓬勃发展给互联网带来了复杂多样且数量庞大的在线信息。目前用户面临较为严重的信息过载问题,推荐系统已经发展为解决该问题最常用的手段,可以帮助用户在海量信息中获取自身感兴趣的有用信息。现有的推荐系统存在如下问题:1)推荐系统的效果依赖于系统中用户行为数据的丰富程度,在常见推荐算法中将用户没有交互行为的物品看作负样本存在偏差。2)目前推荐系统关注于物品推荐任务,忽视了为爆款物品发现潜在兴趣用户的营销任务,没有考虑推荐任务与营销任务之间的联系。本文针对上述推荐系统中存在的问题,提出了基于对偶学习的top-n推荐系统。本文的主要工作如下:1.提出一种基于对偶学习的top-n推荐系统,该系统有如下的优势:1)在该系统中同时考虑用户端和商家端的需求,用户需要系统提供良好的个性化体验,商家需要系统提供有效的营销体验。在系统中引入“多目标任务”,通过统一的算法同时实现上述需求。2)在推荐引擎中,通过对用户行为的建模,挖掘用户兴趣,为用户带来更好的个性化体验。本文从功能需求和非功能需求两个角度出发,对系统的功能模块以及数据库进行了详细的设计,提出了两种算法解决上述推荐系统中存在的问题。最后完成了系统的整体实现,并对具体功能进行了详细测试。2.针对需要在算法中同时考虑用户端和商家端需求的问题,提出了一种基于对偶学习的多目标排序算法,该算法旨在通过建立物品推荐和营销场景间的对偶关系来实现算法在无标签数据集上的训练,减少推荐问题对有标签数据集的依赖,同时可以将两种不同场景的推荐任务统一起来学习,建立多目标任务间的数据闭环。通过在多个数据集上实验,验证了算法可以在无标签数据集中提升多目标场景下的推荐效果。3.针对需要优化用户的个性化体验的需求,提出了一种基于卷积神经网络的用户行为序列提取算法,算法通过卷积神经网络将用户行为嵌入到固定维度的向量,实现对用户兴趣的刻画。进一步,提出了甚于Pairwise的深度因子分解机网络,通过在深度因子分解机模型中引入成对损失,提升模型在排序问题上的效果。通过在多个数据集上的实验,验证了模型的有效性。
基于序列到序列框架的知识图谱问答系统设计与实现
这是一篇关于知识图谱问答,序列到序列框架,复杂计数问题,对偶学习的论文, 主要内容为随着互联网、云计算等信息技术的迅猛发展,整个信息社会已进入大数据时代。网络大数据在规模与复杂度上快速增长,这些数据中蕴含了大量有价值的信息。谷歌、百度等传统搜索引擎能帮助用户较快地检索利用这些信息,但只能对其进行一些简单的筛选和排序。相比传统搜索引擎,问答系统能直接给出相应的回答,其中,知识图谱问答系统利用结构化知识源,能给出更加精准简洁的答案。近年来深度学习迅速发展,序列到序列框架在自然语言处理任务上已取得较好的效果。将自然语言问句映射为特定的查询语句是知识图谱问答的关键任务,这是一个序列到序列的过程。本文设计并实现了基于序列到序列框架的知识图谱问答系统。本文系统主要分为Web服务模块、问题处理模块、答案推导模块、答案生成模块、知识图谱存取模块和日志与存储模块。在实现答案推导模块时,针对复杂计数问题,本文设计并实现了一种改进的基于序列到序列框架的知识图谱问答方法。该方法包括编码和解码两个阶段,在编码阶段,结合基于卷积神经网络的文本分类模型进行多任务学习,约束问句的编码过程;在解码阶段,利用“键-字典”存储机制,在推导过程中与知识图谱实时交互,将自然语言问句映射为自定义查询语句,实现含计数信息的答案推导。此外,为了解决监督数据不足的问题,针对序列到序列框架的知识图谱问答算法,本文提出了基于对偶学习的训练方式,利用知识图谱中抽取出来的无监督信息,优化知识图谱问答算法。本文针对提出的基于序列到序列框架的知识图谱问答方法,在公开数据集WebQuestionSP上进行了测试。实验结果表明,与现有工作相比,本文提出的方法解决了复杂计数问题,提升了知识图谱问答的准确性,并在一定程度上解决了监督数据不足的问题。
基于序列到序列框架的知识图谱问答系统设计与实现
这是一篇关于知识图谱问答,序列到序列框架,复杂计数问题,对偶学习的论文, 主要内容为随着互联网、云计算等信息技术的迅猛发展,整个信息社会已进入大数据时代。网络大数据在规模与复杂度上快速增长,这些数据中蕴含了大量有价值的信息。谷歌、百度等传统搜索引擎能帮助用户较快地检索利用这些信息,但只能对其进行一些简单的筛选和排序。相比传统搜索引擎,问答系统能直接给出相应的回答,其中,知识图谱问答系统利用结构化知识源,能给出更加精准简洁的答案。近年来深度学习迅速发展,序列到序列框架在自然语言处理任务上已取得较好的效果。将自然语言问句映射为特定的查询语句是知识图谱问答的关键任务,这是一个序列到序列的过程。本文设计并实现了基于序列到序列框架的知识图谱问答系统。本文系统主要分为Web服务模块、问题处理模块、答案推导模块、答案生成模块、知识图谱存取模块和日志与存储模块。在实现答案推导模块时,针对复杂计数问题,本文设计并实现了一种改进的基于序列到序列框架的知识图谱问答方法。该方法包括编码和解码两个阶段,在编码阶段,结合基于卷积神经网络的文本分类模型进行多任务学习,约束问句的编码过程;在解码阶段,利用“键-字典”存储机制,在推导过程中与知识图谱实时交互,将自然语言问句映射为自定义查询语句,实现含计数信息的答案推导。此外,为了解决监督数据不足的问题,针对序列到序列框架的知识图谱问答算法,本文提出了基于对偶学习的训练方式,利用知识图谱中抽取出来的无监督信息,优化知识图谱问答算法。本文针对提出的基于序列到序列框架的知识图谱问答方法,在公开数据集WebQuestionSP上进行了测试。实验结果表明,与现有工作相比,本文提出的方法解决了复杂计数问题,提升了知识图谱问答的准确性,并在一定程度上解决了监督数据不足的问题。
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：毕设项目助手 ，原文地址：https://m.bishedaima.com/lunwen/56264.html
