论文部分内容阅读
随着社交网络以及电商平台成为生活中不可或缺的一部分,如何为用户提供感兴趣的推荐项目成为各大平台需要重点研究的问题。网络表示学习力求真实反映用户和项目之间的关系,有助于实现项目的精准推荐。因此,基于网络表示学习方法的研究具有重要的意义与价值。现有的网络表示学习方法及其在推荐系统中的应用广泛,成果较多,但仍然存在以下问题:1.忽略了全局拓扑结构,只关注网络图的局部结构,需要加入对称约束优化节点表示;2.推荐系统的性能有待提升,基于单元素矩阵分解的协同过滤需要结合属性信息和行为历史提高预测精确度,传统的混合推荐需要结合单元素矩阵分解的优势来降低时间消耗。针对上述问题,本文提出了两种提升网络表示学习性能的方法:1.为了更好地保留网络拓扑结构,提出了一种基于交替方向乘子法(ADMM),对称及非负性约束的网络表示学习方法。首先,提出加入对称限制的目标函数,通过模块度,社区属性,对称性以及节点间相似度共同约束节点的网络表示;然后,采用基于单元素的交替方向乘子法对目标函数中未知元素的更新公式进行推导;最后,对更新得到的网络表示结果进行聚类,在真实数据集上的结果证明了模型的有效性。2.为了解决推荐场景中预测精准度以及时间消耗等问题,提出了一种基于非负矩阵分解(NMF),适用于混合推荐系统的网络表示学习方法。算法首先通过用户属性,行为历史以及项目属性等信息计算用户相似度矩阵和项目相似度矩阵;然后,对目标函数采用单元素非负矩阵分解方法完成推导,得到用户和项目的表示矩阵;最后,将用户表示结果和项目表示结果进行相似度计算,为用户推荐感兴趣的项目。3.基于提出的混合推荐算法,针对电影推荐场景,设计并实现了一套推荐系统框架。具体包括数据的分析与预处理,各种类型数据的向量化,结合Django+VUE+Bootstrap的Web的开发框架,最终为用户完成精准的电影推荐。