论文部分内容阅读
随着服装行业的迅速发展,服装品牌的多样化,如何能够让服装精确直观的呈现在用户面前显得至关重要。而推荐系统可以使得用户花费少量的时间找到自己感兴趣和适合自己的服装。为提高推荐系统的准确率,在推荐算法中引入一些辅助信息可以有效的缓解冷启动和稀疏性问题,而知识图谱也可以作为一种辅助信息融入到推荐系统中。因此本文对如何将服装知识图谱作为辅助信息融入到推荐算法中进行了深入的分析与研究,具体研究内容包括:(1)改进了一种CNN-BNLSTM-CRF的实体识别算法来识别服装领域命名实体,提高了服装知识图谱的置信度,解决实体抽取上的局限性问题。首先利用卷积神经网络得到词向量的有效特征后,再用基于非线性变换的双向长短期记忆性网络学习到词的上下文特征,输出每个词的上下文环境的向量表示,最后用条件随机场模型通过自学习得到句子的最佳标签序列。实验结果表明,改进的融合模型在识别效果上好于单个和双个模型,达到了88.95%的准确率,93.56%的召回率和91.20%的F1值,(2)为解决传统服装推荐算法的数据稀疏及冷启动问题,提高服装推荐的准确率,本文将服装知识图谱作为辅助信息融入到协同过滤推荐算法中,提出了一种CTransR-CF算法。首先将获取到的服装实体及其关系用CTransR知识表示算法进行服装实体及其关系的向量化表示,得到了服装实体在语义上的相似度矩阵。并与基于用户行为的相似度矩阵进行融合,建立回归模型,最终按照相似度高低进行排序得到服装的推荐列表。最后通过实验对比分析,本文提出的CTransR-CF算法,根据选择的不同近邻数,算法的准确率均有所提升,优于其它的推荐算法。(3)最后对本文提出的算法做了进一步的验证,针对系统的需求分析和体系结构进行设计,设计一个基于服装领域知识图谱的推荐系统。该系统主要分为服装知识图谱构建模块和服装推荐模块,其中在服装知识图谱构建模块中,对服装领域知识图谱的本体库进行构建,对服装知识图谱的实体进行抽取和存储,并实现了服装实体识别的效果以及服装知识的查询等。服装推荐模块则将提出的CTransR-CF算法模型进行训练,结合了用户信息进行了评分预测,按照相似度高低进行推荐。本文设计并实现一个基于服装知识图谱的推荐系统,运用基于知识图谱特征学习的Top-N协同过滤推荐算法,改进一种面向服装知识图谱领域的实体识别算法获得知识图谱中的实体语义特征,并将知识图谱引入到协同过滤算法中。该系统能够更好的满足用户的需求。