论文部分内容阅读
随着互联网时代的到来和信息科技的进步,大数据时代所带来的信息过载的问题日益严重。用户很难从海量的图像、视频、文本和商品信息中找到适合自己个性化需求的信息。个性化推荐系统是一种解决信息过载的重要手段。与搜索引擎相比,推荐系统通过研究用户的历史行为数据,并基于统计分析对用户的兴趣和偏好进行建模,从而引导用户找到自己的信息需求,从而满足用户个性化推荐的需求。因此,这一技术已经被广泛地应用于以Web3.0技术为主的互联网平台上。跨域推荐的重点研究方向为研究领域间部分重叠的跨域推荐方法。同领域中的用户集合完全重叠和完全不重叠是两种极端情况,现实生活中,普遍存在的一种现象是不同领域间的用户集合存在部分重叠。现在很多网站都会提供其他网站账号登录的入口,依据此事实,就能够找到不同领域中的同一用户。此外,一些文章还通过实验证明了有信息重叠的这一小部分用户在每个领域中均和超过80%的物品都有过交互行为。使用这些信息作为域之间信息共享和迁移的桥梁是可靠并且有效的。本论文的研究背景是基于单系统多场景多元异构数据的信息系统,各个场景间的用户几乎相同,并且场景间可以使用会话数据作为桥梁,因此采用用户部分重叠的跨域推荐方法是可靠且有效的。本文设计并实现了以一种以图神经网络为基础,结合概率矩阵分解的推荐模型-协同图神经网络模型(CGNN),该模型使用节点向量化模型(Node2Vec)作为全局物品特征向量提取模型,使用概率矩阵分解(PMF)作为局部用户和物品特征向量提取模型,使用标准个性化贝叶斯排序(BPR-Opt)作为优化方法。通过在公开的真实数据集实验证明,本文模型推荐结果与对比模型推荐结果相比推荐效果更好。本文构建的协同图神经网络模型有效解决了多场景下的物品向量表达问题和用户向量表达问题,提高了推荐质量。同时,本文将协同图神经网络模型部署在实际的应用系统内,获得了较好的性能。论文主要工作内容如下:1、设计并实现了一种结合图神经网络和概率矩阵分解的推荐模型2、将协同图神经网络模型应用于多场景推荐问题上,解决了多场景下领域间部分重叠的跨域推荐问题,得到了较好的效果3、设计并实现了一套基于IPTV应用的多场景会话数据的推荐系统