基于知识图谱表示学习的神经协同过滤框架

发布时间：2023-06-01 02:12

　　推荐系统旨在生成最终用户可能感兴趣的项目的个性化排序列表。随着深度学习在计算机视觉和语音识别领域的空前成功,那么如何将深度学习合理地引入到推荐系统也引发了研究人员的思考。知识图谱,作为一个新的研究热点,包含了丰富的实体语义关联的新型辅助信息。研究人员发现,当知识图谱引入推荐系统,可以达到减少数据稀疏性和冷启动问题,是推荐系统中神经网络良好的辅助剂。在传统的推荐系统中,因其依赖于矩阵分解协同过滤算法进行推荐,不可避免地会出现冷启动和数据稀疏性问题。数据稀疏性问题往往是指在比如大规模电商等平台,用户和项目数量非常大,但是在获得的用户-项目矩阵中,用户平均有交互的项目数量较小,这样就会造成用户-项目矩阵稀疏。而冷启动问题是指如何在没有大量用户数据的情况下为新用户做个性化推荐。数据的稀疏性问题最终会导致无法捕捉到不同用户和不同项目之间的关系,从而降低了推荐系统的准确度。隐式反馈作为表示一种隐式表达,可以通过多种方式获得用户的喜好,而不是仅局限于显示的表达喜爱,从而丰富用户-项目矩阵,进而缓解了数据稀疏性问题。神经网络可以从更高的维度去剖析事物和事物之间的关系,也让数据稀疏性问题得到了改善。冷启...

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
专用术语注释表
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究及应用现状
        1.2.1 传统协同过滤推荐
        1.2.2 深度学习引入推荐系统
        1.2.3 知识图谱技术融合推荐系统
    1.3 论文的主要研究内容
    1.4 论文的创新点
    1.5 论文结构与安排
第二章 相关背景知识介绍
    2.1 推荐系统基础研究
        2.1.1 隐式反馈
        2.1.2 矩阵分解
        2.1.3 贝叶斯个性化排序学习
    2.2 知识图谱表示学习
    2.3 神经网络基础研究
第三章 融合知识图谱表示学习和神经网络的推荐系统框架
    3.1 问题描述
    3.2 KNCR框架概述
    3.3 KNCR隐式反馈学习过程
        3.3.1 基于贝叶斯排序的优化
        3.3.2 KNCR的隐式反馈学习过程
    3.4 KNCR的预测过程
第四章 知识图谱表示学习嵌入框架
    4.1 知识图谱表示学习嵌入层
    4.2 实验结果与分析
        4.2.1 实验环境
        4.2.2 数据集描述
        4.2.3 参数设置
        4.2.4 评价指标
        4.2.5 基线比较
        4.2.6 实验过程
        4.2.7 KNCR的性能比较
        4.2.8 不同的知识表示学习和嵌入层数的影响
    4.3 本章小结
第五章 神经网络融合传统协同过滤排序框架
    5.1 神经网络协同过滤排序框架
        5.1.1 KNCR-MLP
        5.1.2 KNCR-CNN
    5.2 实验结果与分析
        5.2.1 实验环境
        5.2.2 数据集描述
        5.2.3 参数设置
        5.2.4 评价指标
        5.2.5 基线比较
        5.2.6 实验过程
        5.2.7 KNCR的性能比较
    5.3 本章小结
第六章 总结与展望
参考文献
附录1 程序清单
附录2 攻读硕士学位期间撰写的论文
附录3 攻读硕士学位期间申请的专利
附录4 攻读硕士学位期间参加的科研项目
致谢



本文编号：3826446