基于时间和语义感知的推荐方法研究

发布时间：2023-11-20 19:29

　　本文主要是关于推荐方法的研究,该任务目的是预测用户对给定物品或对象(如酒店,视频,商品,音乐等)的打分或喜好。现有的主流解决方案是通过协同过滤或者基于内容的过滤方法产生一个推荐的排序列表。这些方法在很多的推荐系统上的表现是很有前景的,并且它们经常被结合在一起得到混合的推荐方法。然而,每种类型的方法都有它的优势和劣势。比如,协同过滤方法经常会出现三个问题:冷启动问题、可扩展性问题和稀疏性问题。而基于内容的方法被三个问题限制:有限的内容分析、过特殊化和对新用户的冷启动问题。针对上述推荐方法存在的问题,本文调查研究用户兴趣的时间变化、物品内容的语义信息、用户对每个对象多方面特征的特殊兴趣,以提高推荐算法的效果。首先,本文建立一个有效的方案进行时间和语义感知的酒店推荐,方案考虑了用户对酒店多方面属性的特定需求、用户预订酒店的时间动态性和评论文本语义信息分析,这些因素对于酒店推荐有着重要的作用。具体的,本文提出基于泊松张量分解和隐语义模型的学习方法,以进行时间和语义感知的酒店推荐。通过挖掘用户预订酒店的时间、用户-酒店的多方面打分和用户评论文本信息在潜在空间的表达,本文提出的方法能够更加精准的预...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 研究目标和内容
        1.3.1 研究目标
        1.3.2 研究内容
    1.4 本文组织结构
2 推荐方法相关知识介绍
    2.1 协同过滤
    2.2 基于内容的过滤
    2.3 上下文感知的推荐
    2.4 深度学习
    2.5 注意力机制
    2.6 本章小结
3 泊松张量分解的酒店推荐框架
    3.1 问题定义与数据表示方法
        3.1.1 问题定义
        3.1.2 数据表达
    3.2 时间语义感知的泊松张量分解推荐方法
        3.2.1 框架介绍
        3.2.2 参数优化
        3.2.3 扩展到冷启动用户
    3.3时间语义感知泊松张量分解算法实验
        3.3.1 数据集
        3.3.2 对比算法
        3.3.3 参数设置
        3.3.4 评价指标
        3.3.5 结果与分析
    3.4 本章小结
4 注意力神经网络的短视频推荐框架
    4.1 问题定义和准备知识
        4.1.1 问题定义
        4.1.2 Transformer框架
    4.2 时间语义感知注意力神经网络推荐方法
        4.2.1 短视频特征学习
        4.2.2 用户偏好学习
        4.2.3 分数预测
    4.3时间语义感知注意力神经网络算法实验
        4.3.1 数据集
        4.3.2 对比算法
        4.3.3 参数设置
        4.3.4 评价指标
        4.3.5 结果与分析
    4.4 本章小结
5 总结与展望
    5.1 研究工作总结
    5.2 研究工作展望
参考文献
致谢



本文编号：3865693