隨著網(wǎng)絡(luò)時(shí)代的到來,互聯(lián)網(wǎng)上越來越多的信息提供給用戶,為用戶帶來了便利,同時(shí),用戶也苦惱于如何從眾多的信息庫中切實(shí)有效地獲取有用的信息,進(jìn)而滿足用戶的個(gè)性化需求。而推薦系統(tǒng)的出現(xiàn)恰巧可以滿足這些需求,為用戶提供個(gè)性化推薦,以此為人們的生活帶來較大的變化。目前,使用最廣泛的推薦算法是協(xié)同過濾算法,該算法依據(jù)用戶的歷史交互記錄,分析其偏好,為用戶推薦相似的項(xiàng)目。雖然傳統(tǒng)的推薦算法已經(jīng)取得了不錯(cuò)的推薦效果,但是考慮的信息不全面,未考慮融合其他輔助信息。而異質(zhì)信息網(wǎng)絡(luò)恰恰可以基于元路徑進(jìn)行推薦,這種方式利用多種類型的節(jié)點(diǎn)和節(jié)點(diǎn)之間的關(guān)系可以融合更豐富的信息。所以,本文試圖在異質(zhì)信息網(wǎng)絡(luò)模型中從元路徑的視角出發(fā),運(yùn)用深度學(xué)習(xí)技術(shù)研究推薦算法。本文的主要工作如下:(1)現(xiàn)有的基于異質(zhì)信息網(wǎng)絡(luò)的推薦方法通過最大池化操作提取元路徑語義信息時(shí),未考慮元路徑語義的整體性特征及特征冗余問題的影響。針對(duì)這些問題,提出了一種融合元路徑與改進(jìn)協(xié)同注意力的推薦模型MICA(Research on Recommendation Fusing Meta-Path and Improved Collaborative A...

【文章頁數(shù)】：60 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1推薦系統(tǒng)架構(gòu)圖

圖2.1推薦系統(tǒng)架構(gòu)圖推薦系統(tǒng)的一般架構(gòu)如圖2.1所示，它首先收集用戶的行為數(shù)據(jù),得到用戶的評(píng)分矩陣；再利用相關(guān)推薦引擎負(fù)責(zé)相關(guān)的特征與任務(wù)，再將推薦結(jié)果按照一定的優(yōu)先級(jí)排序形成初步的推薦結(jié)果；再將不好的結(jié)果進(jìn)行過濾，若再將這些結(jié)果進(jìn)行一些排名，如新穎性、多樣性排名,則可....

圖2.2聯(lián)系用戶和物品的推薦系統(tǒng)

圖2.2聯(lián)系用戶和物品的推薦系統(tǒng)1.基于內(nèi)容的推薦基于內(nèi)容[47]推薦算法建立在物品信息的基礎(chǔ)上。具體步驟為系統(tǒng)首先對(duì)行處理，以當(dāng)當(dāng)網(wǎng)為例，將書籍類型作為屬性，進(jìn)行相似度計(jì)算，發(fā)現(xiàn)；然后將此書推薦給購買過類似該書的用戶。2.基于協(xié)同過濾的推薦協(xié)同過濾算法基本思想就是利用用戶和....

圖2.3基于協(xié)同過濾推薦算法的分類

2.基于協(xié)同過濾的推薦協(xié)同過濾算法基本思想就是利用用戶和物品之間的交互信息進(jìn)行推薦。如圖2.3所示，協(xié)同過濾推薦算法分為兩大類：基于近鄰和基于模型的推薦算法�；诮彽乃惴ㄓ址譃榛谟脩舻暮突谖锲返模鶕�(jù)評(píng)分矩陣分別計(jì)算用戶-用戶或物品-物品的相似度。兩者都有一定的優(yōu)勢，前....

圖2.4矩陣分解原理圖

東北師范大學(xué)碩士學(xué)位論文題一直都是推薦系統(tǒng)領(lǐng)域的關(guān)鍵問題。評(píng)分預(yù)測任務(wù)是一個(gè)矩陣補(bǔ)全的過程，其中矩陣分解技術(shù)就是其中最常用。它基于這樣的假設(shè)：以用戶-電影矩陣為例，該評(píng)分矩陣是稀疏的，利用想，可以用兩個(gè)矩陣相乘來還原它。即奇異值分解方法（SVD）將高維稀疏為兩個(gè)低維矩陣的乘積，分....

本文編號(hào)：3998409