基于網(wǎng)絡(luò)特征學習的個性化推薦系統(tǒng)

叢書序
導(dǎo)師序
摘要
ABSTRACT
第1章 緒論
1.1 課題背景及意義
1.2 推薦系統(tǒng)概述
1.2.1 傳統(tǒng)推薦系統(tǒng)方法分類
1.2.2 推薦系統(tǒng)最新的研究熱點和方向
1.3 網(wǎng)絡(luò)特征學習概述
1.3.1 背景介紹
1.3.2 輸入網(wǎng)絡(luò)的種類
1.3.3 輸出特征的種類
1.3.4 典型方法
1.4 本文研究內(nèi)容及結(jié)構(gòu)安排
第2章 應(yīng)用于推薦系統(tǒng)交互圖的網(wǎng)絡(luò)特征學習方法
2.1 引言
2.2 生成對抗式的網(wǎng)絡(luò)特征學習
2.2.1 GraphGAN 模型框架
2.2.2 判別器和生成器的實現(xiàn)與訓練
2.3 網(wǎng)絡(luò)結(jié)構(gòu)感知的歸一化指數(shù)函數(shù)
2.3.1 graph softmax 的設(shè)計
2.3.2 性質(zhì)證明
2.3.3 生成策略
2.3.4 復(fù)雜度分析
2.4 性能驗證
2.4.1 實驗準備工作
2.4.2 實證研究
2.4.3 實驗結(jié)果
2.4.4 超參數(shù)敏感性
2.5 本章小結(jié)
第3章 社交網(wǎng)絡(luò)輔助的推薦系統(tǒng)——基于特征的方法
3.1 引言
3.2 數(shù)據(jù)集構(gòu)建
3.3 有符號異構(gòu)網(wǎng)絡(luò)特征學習
3.3.1 情感符號預(yù)測的問題描述
3.3.2 有符號異構(gòu)網(wǎng)絡(luò)特征學習模型
3.3.3 相關(guān)討論
3.4 性能驗證
3.4.1 實驗準備工作
3.4.2 實驗結(jié)果
3.4.3 超參數(shù)敏感性
3.5 本章小結(jié)
第4章 社交網(wǎng)絡(luò)輔助的推薦系統(tǒng)——基于結(jié)構(gòu)的方法
4.1 引言
4.2 背景知識和數(shù)據(jù)集分析
4.2.1 背景知識
4.2.2 數(shù)據(jù)集分析
4.3 社交-話題-語義感知的微博投票推薦方法
4.3.1 微博投票推薦的問題描述
4.3.2 話題感知的詞向量學習
4.3.3 投票推薦算法
4.4 性能驗證
4.4.1 實驗準備工作
4.4.2 實驗結(jié)果
4.4.3 超參數(shù)敏感性
4.5 本章小結(jié)
第5章 知識圖譜輔助的推薦系統(tǒng)——基于特征的方法
5.1 引言
5.2 預(yù)備知識
5.2.1 知識圖譜特征學習
5.2.2 用于語句特征學習的卷積神經(jīng)網(wǎng)絡(luò)
5.3 知識圖譜輔助的推薦系統(tǒng)的問題描述
5.4 依次學習法
5.4.1 知識提取
5.4.2 知識感知的卷積神經(jīng)網(wǎng)絡(luò)
5.4.3 基于注意力機制的用戶歷史興趣聚合
5.5 交替學習法
5.5.1 多任務(wù)學習模型框架
5.5.2 交叉壓縮單元、推薦系統(tǒng)模塊和知識圖譜特征學習模塊
5.5.3 學習算法
5.5.4 理論分析
5.6 性能驗證
5.6.1 數(shù)據(jù)集
5.6.2 基準方法
5.6.3 實驗準備工作
5.6.4 依次訓練法的實驗結(jié)果
5.6.5 交替訓練法的實驗結(jié)果
5.7 本章小結(jié)
第6章 知識圖譜輔助的推薦系統(tǒng)——基于結(jié)構(gòu)的方法
6.1 引言
6.2 向外傳播法
6.2.1 RippleNet 模型框架
6.2.2 波紋集合
6.2.3 興趣傳播
6.2.4 學習算法
6.2.5 可解釋性與干涉加強的討論
6.3 向內(nèi)聚合法
6.3.1 KGCN 層
6.3.2 學習算法
6.3.3 知識圖譜牽引力的討論
6.4 性能驗證
6.4.1 數(shù)據(jù)集
6.4.2 基準方法
6.4.3 實驗準備工作
6.4.4 向外傳播法的實驗結(jié)果
6.4.5 向內(nèi)聚合法的實驗結(jié)果
6.5 本章小結(jié)
第7章 總結(jié)與展望
7.1 總結(jié)
7.2 課題研究展望
參考文獻
致謝
攻讀學位期間發(fā)表的學術(shù)論文
攻讀學位期間參與的項目