發(fā)布時間：2024-07-10 22:43

　　隨著網(wǎng)絡信息的快速增長,由于信息過載問題,人們無法從大量的新聞信息中獲取到滿意或者感興趣的新聞信息。個性化推薦是緩解網(wǎng)絡中信息過載情況的主要途徑,通過分析不同用戶的興趣與偏好,考慮彼此之間的相互影響,給相應的用戶推薦其感興趣的內(nèi)容。國內(nèi)外學者對推薦算法進行了廣泛的研究,其中,凝練的新聞文本的實體表示問題、用戶興趣點動態(tài)變化問題、社交網(wǎng)絡中影響程度量化問題是影響推薦效果的主要因素。針對以上問題,本文從基于知識圖譜的特征量化和結合社交網(wǎng)絡結構信息兩個方面對新聞推薦方法研究。在基于知識圖譜的特征量化方面,針對新聞包含大量實體關系、用戶興趣動態(tài)變化等問題,提出一種混合知識圖譜嵌入和主題詞嵌入的特征量化方法,旨在融合新聞文本的不同視角的特征。該方法不僅能融合新聞文本中實體之間的信息、增強其文本表示在主題方向的側重,而且可以通過注意力機制量化在時序上不同瀏覽記錄對用戶興趣與偏好的影響程度,從而得到包含更加豐富特征的文本、用戶的向量表示。實驗結果表明,該方法有效解決了新聞文本的實體表示問題、用戶興趣點動態(tài)捕捉問題,提高了預測的準確度。在結合社交網(wǎng)絡結構信息方面,針對用戶群體之間的存在交互影響,提出一...

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【部分圖文】：

圖１－３?Ｄｅｅｐｌｎｆ模型框架圖??Ｆｉｇ．?１－３?ｍｏｄｅｌ?ｆｒａｍｅｗｏｒｋ?ｏｆ?Ｄｅｅｐｌｎｆ??

?出了一種通過結合遞歸神經(jīng)網(wǎng)絡（＿）和端到端的學習方法預測級聯(lián)大小的預??測器。Ｍａｔｓｕｂａｒａ等人［１９］通過精心設計從經(jīng)典的“易感染的’’（ＳＩ）模型擴展的??ＳｐｉｋｅＭ模型，可以簡潔靈活的分析影響傳播的上升和下降模式。??臉書、微信、微博等己經(jīng)成為我們?nèi)粘Ｉ�活中不可或�?...

圖１－４所示是第三章中的基于知識圖譜的特征量化與第四章結合社交網(wǎng)絡??結構信息的預測推薦方法之間的關系圖

的研宄工作分??為基于知識圖譜的特征量化和結合社交網(wǎng)絡結構信息的預測推薦兩個部分。??第三章???????????，?｜?預測推薦結果?｜???！???１?為數(shù)據(jù)庫???主題特征一｜??１????????１?采樣策略??ｆｌ?＾??實體特征?文本向量特征——推薦算法模塊?￣￣??....

圖２＿３注意力機制中的特征轉換??Ｆｉｇ．２－３?Ｆｅａｔｕｒｅ?ｃｏｎｖｅｒｓｉｏｎ?ｉｎ?ａｔｔｅｎｔｉｏｎ?ｍｅｃｈａｎｉｓｍ??

?北京化工大學碩士學位論文?；???ＬｅａｋｙＲｕＬＵ激活，注意力系數(shù)表示為：??ｎ?＿?ｅｘｐ＾ＬｅａｋｙＲｕＬＵ＾ｌＷｈｌ＾ｗＪＴｊ］））?式ｎ?ｎ、??ｌＪ?ＩｋｅＮｉ?ｅｘｐ（ＬｅａｋｙＲｕＬＵ（ａＴ［Ｗｈｌ＼＼Ｗｈ＾］））?Ｊ?）??其中Ｔ代表矩陣轉置，｜｜代表拼接。?....

圖２４卷積神經(jīng)網(wǎng)絡結構圖??Ｆｉｇ．２－４?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??

?北京化工大學碩士學位論文???２．５社交網(wǎng)絡影響??在社交網(wǎng)絡中，節(jié)點（用戶、實體）受到其他各種原因的影響，如何量化這??些社會影響的強度是社交網(wǎng)絡影響分析的重點內(nèi)容。Ｔａｎｇ［ｌ７］等人提出的Ｔｏｐｉｃａｌ??Ａｆｆｉｎｉｔｙ?Ｐｒｏｐａｇａｔｉｏｎ（ＴＡＰ）量化了特定節(jié)點上....

本文編號：4004851