检索结果-内蒙古大学图书馆

软件学报 2017年第2期28卷 278-291页

作者：仲兆满管燕胡云李存华淮海工学院计算机工程学院江苏连云港222005 江苏金鸽网络科技有限公司软件研发中心江苏连云港222005

微博用户兴趣挖掘是个性化推荐、社群划分的基础工作.在深入分析微博网络特点的基础上,给出了能够揭示微博网络多模性的描述模型,对面向微博网络的后续研究具有参考价值.根据微博网络的特点,提出了基于背景的用户静态兴趣表示及挖掘方法... 详细信息

微博用户兴趣挖掘是个性化推荐、社群划分的基础工作.在深入分析微博网络特点的基础上,给出了能够揭示微博网络多模性的描述模型,对面向微博网络的后续研究具有参考价值.根据微博网络的特点,提出了基于背景的用户静态兴趣表示及挖掘方法,以及基于微博的用户动态兴趣表示和挖掘方法.针对微博网络中缺少背景信息、发表微博很少的大量不活跃用户,提出了基于关注的用户兴趣挖掘方法.以新浪微博为例,选取了时尚、企业管理、教育、军事、文化这5个领域进行用户兴趣挖掘及相似度计算的实验分析和比较,结果表明,与主流的兴趣挖掘方法相比,该微博用户兴趣的表示和挖掘方法可以有效地改善微博用户兴趣挖掘的效果.

关键词：微博网络用户兴趣表示用户静态兴趣用户动态兴趣用户兴趣挖掘用户兴趣相似度计算

来源：评论

学校读者我要写书评

暂无评论

社交网络用户兴趣挖掘研究

引用

小型微型计算机系统 2014年第11期35卷 2385-2389页

作者：何炎祥刘续乐陈强梁伟孙松涛武汉大学计算机学院武汉430072 武汉大学软件国家重点实验室武汉430072

面向消费者的公司或者企业都希望了解他们用户的需求,而大量的用户产生的数据在很大程度上就体现了用户的兴趣和需求.提出一种用于社交网站上,针对用户生成内容(User Generate Content UGC)和用户关注信息的用户兴趣发掘方法.首先通过... 详细信息

面向消费者的公司或者企业都希望了解他们用户的需求,而大量的用户产生的数据在很大程度上就体现了用户的兴趣和需求.提出一种用于社交网站上,针对用户生成内容(User Generate Content UGC)和用户关注信息的用户兴趣发掘方法.首先通过启发式初始化的PLSA模型训练得到贴近兴趣类别的话题模型,然后从训练结果中抽取可靠的话题并以此构建分类器,对用户的分享数据进行分类,最后根据用户的分享数据分类结果来识别用户的兴趣类别.在初始化PLSA模型时,用关键词抽取算法抽取每个分类的关键词,并给这些关键词赋予较高的PLSA初始权重,以此来引导PLSA模型的训练.实验的结果表明:本文方法可以有效的构建用户兴趣类别,并对用户兴趣的挖掘比较理想.

关键词：用户兴趣挖掘社交网络关键词抽取概率潜在语义分析话题模型

来源：评论

学校读者我要写书评

暂无评论

时序动态用户兴趣挖掘模型研究

时序动态用户兴趣挖掘模型研究

引用

作者：高礼中国科学院大学

学位级别：博士

伴随着信息技术的快速发展和普及，各种互联网应用应运而生，为人们生活的多个方面带来便利。用户会根据自身在不同时刻处的兴趣与偏好，选择与不同的互联网应用产生不同形式的交互数据。事实上，用户的兴趣表现出时序动态性特点，可能... 详细信息

伴随着信息技术的快速发展和普及，各种互联网应用应运而生，为人们生活的多个方面带来便利。用户会根据自身在不同时刻处的兴趣与偏好，选择与不同的互联网应用产生不同形式的交互数据。事实上，用户的兴趣表现出时序动态性特点，可能会随着时间的推移而发生变化。在本文中，我们主要针对抽象后的用户历史交互数据，分析和挖掘时序动态的用户兴趣分布，进而理解和预测用户的未来行为。在商业领域，时序动态的用户兴趣挖掘可用来增强用户体验和用户黏性，具有巨大的商业价值。在信息安全领域，用户兴趣的动态建模可以识别恶意信息和欺诈行为，以此维护互联网秩序和安全监管。　　本文研究用户兴趣的时序动态建模问题，解决个体信息协同以及群组信息协同的影响对动态用户兴趣挖掘带来的挑战。传统的个体信息协同方法往往假定与用户交互的对象的属性是一成不变的，忽略了对象的属性随着时间动态变化的事实，降低了用户兴趣动态建模的性能。群组将具有相似兴趣的用户或者相似属性的对象等信息组合在一起，提供了更加准确的用户兴趣动态建模中的协同作用。进一步地，用户之间的群组关系可以分为真实群组关系以及虚拟群组关系。基于上述讨论，本文展开了三个研究内容:1）基于物品内容演化的时序动态用户兴趣挖掘模型;2）基于社交组影响的时序动态用户兴趣挖掘模型;3）基于信息级联驱动影响的时序动态用户兴趣挖掘模型。具体地，三个工作的研究内容与贡献归纳如下。　　1)基于物品内容演化的时序动态用户兴趣挖掘模型。该研究工作解决物品的内容（例如物品的描述内容、物品的属性）随着时间的推移而发生动态变化情形下带来的挑战。为捕捉用户当前时刻的兴趣分布与历史的用户兴趣分布之间的关系，我们采用向量自回归模型建模用户兴趣的动态演化过程。考虑到物品话题分布的稀疏性以及物品内容表示的鲁棒性，我们采用动态的稀疏话题编码框架建模物品内容的动态演化。基于此，我们提出了基于物品内容演化的时序动态用户兴趣挖掘模型。该模型联合学习时序动态的用户兴趣分布和动态的物品内容变化。与现有的基准方法对比，我们提出的模型在精度以及MRR评价指标上显著地获得了较好的实验结果。　　2)基于社交组影响的时序动态用户兴趣挖掘模型。动态的用户兴趣建模除了要考虑交互对象的协同作用外，还需要考虑群组信息协同带来的影响。首先我们对基于事件的社交网络上的真实数据集进行统计性分析，验证社交组对用户兴趣挖掘的影响。基于此，我们提出了贝叶斯潜在因子模型建模用户兴趣。在该模型中，我们引入了联合社交组影响打分以及个体偏好打分的混合打分框架，并采用贝叶斯个性化排序学习框架解决用户交互中的不详细反馈问题。考虑到真实场景下用户兴趣的时序动态变化，我们将在线学习框架融入到提出的贝叶斯潜在因子模型中，以便于处理流式数据下协同群组信息对用户兴趣的影响。实验验证表明，我们的模型在AUC、精度以及NDCG指标上获得了较好的实验结果。　　3)基于信息级联驱动影响的时序动态用户兴趣挖掘模型。事实上，在一些特定场景下，社交组可能是虚拟的。用户兴趣会受到虚拟群组中消息传播的影响而发生动态变化。在该研究内容中，我们采用信息级联刻画信息传播，设定信息级联体现时序动态的用户兴趣。通过联合考虑网络结构数据和信息级联数据，我们提出了基于信息级联驱动影响的时序动态用户兴趣挖掘模型，发现兴趣相似的社交组用户。在该模型中，目标函数以用户兴趣分布为优化参数，并被证明相对于用户兴趣分布为凸函数。实验结果表明，相比于其它对比方法，我们的模型获得了最小的平均影响扩散错误率。

关键词：用户兴趣挖掘时序动态模型构建物品内容演化社交组信息级联

来源：评论

学校读者我要写书评

暂无评论

基于用户兴趣挖掘的推荐算法研究

基于用户兴趣挖掘的推荐算法研究

引用

作者：韩玉强浙江大学

学位级别：博士

随着移动互联网的发展，信息过载问题变得越来越严重，人们对个性化推荐服务的需求越来越高。同时，越来越丰富的交互方式使用户兴趣变得更加复杂多样。用户兴趣挖掘在个性化推荐中发挥着核心作用，然而，已有的模型往往假设用户兴趣是... 详细信息

随着移动互联网的发展，信息过载问题变得越来越严重，人们对个性化推荐服务的需求越来越高。同时，越来越丰富的交互方式使用户兴趣变得更加复杂多样。用户兴趣挖掘在个性化推荐中发挥着核心作用，然而，已有的模型往往假设用户兴趣是单一静态的，忽略了用户兴趣的多重动态等特性，无法准确建模用户兴趣。不同场景下，用户兴趣呈现不同的特点（例如多样性和多情感性等），而且还会受到外界因素的影响（兴趣与情境的关联性）。因此，本文针对推荐系统中用户兴趣的多样性、多情感性以及兴趣与情境的关联性3种特性展开研究，实现细粒度、多角度和深层次地挖掘用户兴趣特点。本文的主要工作与贡献如下：　　针对用户兴趣多样性问题，提出基于多重交叉兴趣建模的会话型推荐算法。通过分析电商平台用户会话数据，发现用户兴趣存在多重交叉现象，并提出兴趣循环神经网络。该方法通过融合点击序列中兴趣的局部和全局特征来建模兴趣之间的影响和动态变化过程，其中局部和全局特征分别使用卷积操作和计数编码进行提取。通过学习兴趣的多重交叉特性，该方法可以更加准确地建模用户兴趣，提高了电商平台会话型推荐算法效果。　　针对用户兴趣多情感性问题，提出基于多重情感兴趣建模的短视频推荐算法。通过分析短视频平台用户行为数据，发现用户兴趣存在明显的多重情感现象，并提出方面级情感胶囊网络。该方法首先使用门控机制从点击和未点击短视频序列中提取方面级特征，然后利用胶囊网络学习用户对各个方面的情感偏好，生成3种情感胶囊。通过显式地考虑兴趣的多重情感，该方法在细粒度层面表示用户兴趣，提高了短视频推荐效果。　　针对用户兴趣与情境信息的关联性问题，提出融合用户兴趣和情境信息的团队推荐算法。通过分析社交编程网站协作开发团队数据，发现最优团队的推荐是受用户兴趣与情境信息共同影响的，并提出基于遗传算法融合用户兴趣和情境信息进行团队推荐的方法。该方法首先根据用户兴趣组建满足要求的团队集合，然后使用社交关系和地理邻近度两种情境信息进行后过滤。通过使用后过滤形式处理用户兴趣和情境信息之间的关联性，该方法可以推荐协作效率更高的团队。

关键词：推荐算法用户兴趣挖掘多重交叉兴趣多重情感兴趣情境信息

来源：评论

学校读者我要写书评

暂无评论

基于文本聚类与兴趣衰减的微博用户兴趣挖掘方法

引用

计算机应用研究 2019年第5期36卷 1469-1473页

作者：秦永彬孙玉洁魏笑贵州大学计算机科学与技术学院贵阳550025 贵州大学贵州省公共大数据重点实验室贵阳550025

结合用户兴趣与微博信息的特点,提出了一种文本聚类与兴趣衰减的微博用户兴趣挖掘(TCID-MUIM)方法。首先通过基于词林的同义词合并策略弥补建模时词频信息不足的弊端;然后利用二次single-pass不完全聚类算法将用户微博划分为多个簇,将... 详细信息

结合用户兴趣与微博信息的特点,提出了一种文本聚类与兴趣衰减的微博用户兴趣挖掘(TCID-MUIM)方法。首先通过基于词林的同义词合并策略弥补建模时词频信息不足的弊端;然后利用二次single-pass不完全聚类算法将用户微博划分为多个簇,将簇合并为同一文档以弥补微博文本短小难以挖掘主题信息的问题;最后通过LDA模型建模,并考虑用户兴趣随时间变化的问题,引入时间因子,将微博—主题矩阵压缩为用户—主题矩阵,获取用户兴趣。实验表明,较之传统建模方法与合并用户历史微博为同一文档的建模方法,TCID-MUIM方法挖掘的用户兴趣主题具有更好的主题区分度,且更贴合用户的真实兴趣偏好。

关键词：微博 single-pass聚类 LDA模型用户兴趣挖掘兴趣衰减

来源：评论

学校读者我要写书评

暂无评论

基于用户兴趣挖掘的跨域推荐算法研究

基于用户兴趣挖掘的跨域推荐算法研究

引用

作者：尹雅博重庆理工大学

学位级别：硕士

随着互联网应用的发展,人们饱受信息过载问题的困扰。而推荐系统由于其可以筛选用户感兴趣的内容并向其进行主动推荐的特性,从而在各种应用场景中被广泛地应用。尽管推荐系统能够有效地缓解实际场景中的信息过载问题,但是在冷启动场景(... 详细信息

随着互联网应用的发展,人们饱受信息过载问题的困扰。而推荐系统由于其可以筛选用户感兴趣的内容并向其进行主动推荐的特性,从而在各种应用场景中被广泛地应用。尽管推荐系统能够有效地缓解实际场景中的信息过载问题,但是在冷启动场景(用户交互信息极端稀疏或无交互历史场景)中,由于过于匮乏的交互信息导致传统推荐方法在针对冷启动用户进行推荐的效果难以满足实际需求。相较于传统推荐方法,跨域推荐(Cross-Domain Recommendation)可以挖掘用户在其他领域(源域)中的交互信息来缓解当前领域(目标域)中的数据稀疏与冷启动问题。因此利用跨域推荐来缓解冷启动问题在工业应用上和学术研究上受到了越来越多的关注。本文致力于从用户兴趣可迁移性角度来对跨域推荐任务展开研究,致力于挖掘并迁移用户在不同领域中的兴趣偏好进而解决推荐系统中的冷启动问题。在本文研究中提出了两种不同的基于用户兴趣挖掘的跨域推荐模型,并在两个模型上进行了大量实验来验证模型的有效性。本研究工作内容主要如下: 多兴趣元网络与多粒度目标指导的跨域推荐模型。在以往的研究工作中,如PTUPCDR等,通过挖掘源域用户的兴趣偏好来构建个性化跨域映射函数,从而实现用户嵌入的跨域映射并取得了显著的效果。然而这些工作却忽略了用户兴趣的丰富性和复杂性,并且目标域中的指导信息也没有被充分地探索。为了解决上述问题,本文从用户兴趣可迁移性角度上提出了一种新的跨域推荐模型:多兴趣元网络与多粒度目标指导的跨域推荐模型(MIMNet)。在MIMNet中通过引入胶囊网络来显式地解耦用户在源域中的多个兴趣偏好并整合元网络将多个兴趣转化为多个兴趣桥,实现用户嵌入在兴趣粒度上的个性化映射。此外,为了充分地探索目标域中的指导信号,通过引入了多粒度目标指导注意力机制和自适应融合机制来融合生成最终的用户嵌入并完成对候选商品的评分任务。最后在真实世界数据集的三个跨域推荐任务上进行的广泛实验表明MIMNet在冷启动场景中优于之前的基线方法,并且在不同基础模型进行的额外实验验证了所提出方法具有良好的泛化能力。源域数据增强与多兴趣细化迁移的跨域推荐模型。尽管之前的方法都取得了不错的效果,然而之前的工作中均忽视了用户在源域中的交互信息可能并不丰富这一事实,并且源域用户存在的多个兴趣之间的关联性也没有被充分地建模。在本项工作中提出了一种源域数据增强与多兴趣细化迁移的跨域推荐模型(CDR-ART)来解决上述问题。该模型首先提出使用了一种源域数据增强策略,为每个用户在源域中生成一个经过去噪选择的辅助序列来缓解用户在源域中的交互数据稀疏问题。随后,通过使用双序列多兴趣提取模块和多兴趣细化迁移模块来完成兴趣提取与多个兴趣的细化迁移。最终在公开数据集的三个跨域推荐评测任务中,本方法与目前最优的模型相比均取得了最优的表现,证明了本文提出方法的有效性。

关键词：跨域推荐冷启动问题个性化映射用户兴趣挖掘数据增强

来源：评论

学校读者我要写书评

暂无评论

基于Web内容的用户兴趣挖掘技术研究

基于Web内容的用户兴趣挖掘技术研究

引用

作者：周雅夫西安邮电学院

学位级别：硕士

本文着重从以下几方面进行了研究： (1)关键字提取技术。基于复杂网络理论中的小世界网络模型，提出一种新的关键字提取方法。主要引入小世界网络模型理论中的平均最短路径长度变化量和簇系数变化量来刻画分词的重要性，进而通过适... 详细信息

本文着重从以下几方面进行了研究： (1)关键字提取技术。基于复杂网络理论中的小世界网络模型，提出一种新的关键字提取方法。主要引入小世界网络模型理论中的平均最短路径长度变化量和簇系数变化量来刻画分词的重要性，进而通过适当计算获得文本中的关键字。 (2)文本相似性度量。本文提出的一种新的基于语义的文本相似性度量方法，该方法利用了《知网》的词语语义相似度计算工具。首先计算不同文本中关键字之间的语义相似度，然后进行统计得到文本相似度。该方法有效地结合语义知识，减少了同义词对计算结果的干扰并降低特征项数，为后续的文本聚类奠定良好的基础。 (3)文本聚类技术。基于复杂网络理论中的社团结构发现方法提出一种无监督的文本聚类算法。通过计算每一对文本的相似度，我们构造了一个文本相似关系图，然后使用新的图聚类算法-Newman算法有效地识别文本簇。 (4)兴趣表示和提取。本文提出基于加权特征向量的用户兴趣表示和提取方法。特征向量的元素采用关键字表示。通过统计关键字在文本簇中出现的情况，得到关键字的权值，从而有效地分析出用户兴趣。为了测试兴趣挖掘方法的效果，我们设计和实现了一个兴趣挖掘实验系统，该系统实现了关键字提取、聚类分析以及兴趣提取的算法。核心算法的实验结果表明相关算法是有效的。

关键词：基于 Web 用户兴趣挖掘

来源：评论

学校读者我要写书评

暂无评论

基于用户兴趣挖掘的搜索引擎个性化研究

基于用户兴趣挖掘的搜索引擎个性化研究

引用

作者：于春雷重庆大学

学位级别：硕士

随着互联网技术的迅速发展，Internet为人们提供了极其丰富的信息资源，在这些海量、异构的Web信息资源中蕴含着具有巨大潜在价值的知识。如何从这些海量的信息中检索出所需要的信息已成为一个非常重要的研究课题。搜索引擎成为人们快... 详细信息

随着互联网技术的迅速发展，Internet为人们提供了极其丰富的信息资源，在这些海量、异构的Web信息资源中蕴含着具有巨大潜在价值的知识。如何从这些海量的信息中检索出所需要的信息已成为一个非常重要的研究课题。搜索引擎成为人们快速获得信息的首选工具，在一定程度上可以满足用户信息需求。但是，搜索引擎上大多数的查询是短小且意义不明确的,即使同样的查询对于不同时期、不同背景、不同领域的用户，他们搜索意图是不同的。目前，现有的大多数搜索引擎都不能充分、有效地利用用户自身的浏览信息，基本上都采用“一个搜索适用所有用户”的搜索模式，不具有识别用户兴趣、偏好的能力，以至于不同的用户只要在同一个搜索引擎上使用同一关键词查询，所得到的查询结果都是一样的，这显然不能满足各种用户的需求。同时，查询返回的结果往往数以万计，内容良莠不齐，使得用户在寻找自己真正需要的信息时犹如大海捞针。个性化搜索引擎针对不同用户，提供个性化服务，已成为信息检索领域的研究热点之一。本文有针对性地重点展开基于用户兴趣挖掘的搜索引擎个性化研究，通过为大型Web搜索引擎增添个性化插件的方式来满足用户对搜索引擎个性化服务的需要。\n 本文研究的内容主要包括以下几个方面：\n 1基于用户兴趣挖掘的用户兴趣模型的构建：通过分析用户兴趣的来源，提出用户兴趣建模工作将基于用户浏览的兴趣网页而非浏览的所有网页，自动过滤掉无关的噪声网页；从自动获取的用户浏览过的兴趣网页及其浏览行为等兴趣信息中归纳构建出可计算的层次加权关键词矢量模型来表示用户兴趣类别偏好，提出了改进的类兴趣度权值度量方法。\n 2基于用户兴趣模型的个性化查询扩展：结合用户兴趣模型中各个兴趣点的类兴趣度权值和文本描述信息，本文介绍了用户初始查询到最相关兴趣类的映射方法；在余弦相似度方法基础上，通过引入用户历史查询词词典技术，本文提出了一种基于用户历史兴趣网页和历史查询词相结合的个性化查询扩展算法。当用户在搜索引擎上输入查询词时，算法能根据学习到的当前用户兴趣模型动态判定用户潜在兴趣和计算词间相关度，并将恰当的扩展查询词组提交给搜索引擎，从而实现不同用户输入同一查询词能返回不同检索结果的目的。\n 最后，设计开发了验证本文研究内容的个性化查询扩展插件系统PSE，并结合Google和百度分别做了个性化查询扩展对比实验，通过试验证明了本文工作的可行性和有效性。实验结果表明，本文提出的方法既利用了当前主流Web搜索引擎在响应速度和查全率上的优势又弥补了其在个性化和查准率方面的不足，在信息检索领域具有一定的学术参考和应用价值。

关键词：搜索引擎个性化服务信息检索用户兴趣挖掘层次加权关键词矢量模型查询扩展技术

来源：评论

学校读者我要写书评

暂无评论

个性化搜索中用户兴趣挖掘技术方法研究

个性化搜索中用户兴趣挖掘技术方法研究

引用

作者：宋毅哈尔滨工业大学

学位级别：硕士

传统信息检索在一定程度上可以满足用户信息需求,但是,同样的查询对于不同时期、不同背景、不同领域的用户,他们搜索意图和目的是不同的。个性化搜索引擎针对不同用户,提供个性化服务,个性化搜索是一个重要的研究领域。如何有效识别用... 详细信息

传统信息检索在一定程度上可以满足用户信息需求,但是,同样的查询对于不同时期、不同背景、不同领域的用户,他们搜索意图和目的是不同的。个性化搜索引擎针对不同用户,提供个性化服务,个性化搜索是一个重要的研究领域。如何有效识别用户兴趣偏好类别是一个具有挑战性的研究课题;能够有效识别用户兴趣偏好是个性化服务的关键技术;用户兴趣偏好挖掘需要解决的问题包括收集用户信息、如何收集这些信息、收集到信息如何组织、表示和存储;如何在收集到的信息基础上,采用合理的技术和模型进行分析和处理以获取用户检索偏好;用户的信息和兴趣如何自适应的跟踪、学习与更新等问题。本文提出了一种用户兴趣模型来学习用户的兴趣偏好算法,通过用户搜索历史分析用户兴趣类别偏好,该算法的主要特点是不仅可以有效识别普通类别用户兴趣偏好,同时可以有效识别兼类的用户兴趣偏好。本文对个性化搜索中用户兴趣挖掘技术方法进行研究,提出基于查询扩展技术和搜索历史自动挖掘用户兴趣方法。本文的算法思想是用户输入查询串到搜索引擎,由于查询能够表明用户搜索的意图,那么,本文通过查询进行挖掘用户兴趣类别,但是有些查询串较短,或者出现查询词歧义等问题。考虑到用户通过搜索引擎输入查询会返回一系列文档内容,将相关文档通过文本分类技术进行分类,有效识别文档的类别。然后,通过文档关系将查询映射到对应类别体系,进而识别用户兴趣类别偏好。进而能够更清晰识别用户兴趣类别偏好,同时通过查询扩展技术有效解决查询短和查询兴趣类别属于兼类的问题。由于用户兴趣随时间是变化的,用户兴趣模型的具有高效的更新学习机制,动态跟踪了用户兴趣变化趋势。用户兴趣模型的输入是用户查询及其浏览的相关文档,输出是用户兴趣类别,即用户兴趣类别偏好程度,简称兴趣度。该用户模型优点是克服了数据稀疏、类别偏差、扩展性差等缺点。本文的研究方法为个性化搜索排序以及信息推荐等技术提供了良好基础。

关键词：个性化搜索用户兴趣挖掘用户模型查询扩展

来源：评论

学校读者我要写书评

暂无评论

基于用户兴趣挖掘的新闻推荐系统的设计与实现

基于用户兴趣挖掘的新闻推荐系统的设计与实现

引用

作者：张文韬北京邮电大学

学位级别：硕士

随着电子信息技术的不断发展,新闻生产和传播的速度越来越快。用户在享受方便的同时也面临困扰,面对海量讯息不知如何选择。新闻推荐系统可以根据用户的历史阅读情况,对用户推荐可能兴趣的内容,提高用户的使用体验,是解决信息过载问题... 详细信息

随着电子信息技术的不断发展,新闻生产和传播的速度越来越快。用户在享受方便的同时也面临困扰,面对海量讯息不知如何选择。新闻推荐系统可以根据用户的历史阅读情况,对用户推荐可能兴趣的内容,提高用户的使用体验,是解决信息过载问题的关键。现有的新闻推荐方法往往以用户阅读过的新闻为基本单位,对用户兴趣进行建模,尽管用户的兴趣可以通过用户历史阅读过的新闻来表示,但是新闻为单位进行建模会丢失新闻之间内部的联系,可能会丢失更细粒度的用户兴趣。本文提出了一种基于知识图谱的细粒度用户兴趣挖掘算法,利用图注意力网络从知识图谱中挖掘邻居实体包含的信息,通过多头自注意力捕获用户阅读过的实体之间的联系,将用户阅读过的实体信息进行聚合来学习用户细粒度的兴趣表示。本文将多粒度的用户兴趣结合,从用户阅读过的新闻和用户阅读过的实体两个粒度对用户兴趣进行建模,将粗细两种粒度的兴趣融合起来对用户进行推荐。在MIND数据集上的实验表明,本文提出的算法能够学习到更高质量的用户表示,取得更好的推荐效果。针对于新闻推荐系统训练过程中面临的正样本不足的问题,本文通过对比学习构造自监督任务,对候选新闻的表示进行数据增强,通过Dropout机制构造正样本对,通过对比学习损失拉近正样本对在空间中的距离,推远正负样本表示之间的距离。将推荐任务和自监督任务联合起来进行训练,在MIND数据上进行的实验表明该方法学习到了更高质量的新闻表示,提高了推荐的效果。结合提出的多粒度用户兴趣挖掘算法,本文实现了基于多粒度用户兴趣挖掘的新闻推荐系统。本文从需求分析,功能设计,系统架构设计等方面详细对系统进行了介绍,并对系统功能进行了测试。系统功能正常,可以满足用户的推荐需求且具有较为良好的性能。

关键词：新闻推荐用户兴趣挖掘多粒度知识图谱

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：