CASIA OpenIR  > 毕业生  > 硕士学位论文
异构信息推荐系统关键技术研究
其他题名Personalized Recommendation on Heterogeneous Information Network
吴尧
学位类型工学硕士
导师杨青
2012-05-26
学位授予单位中国科学院研究生院
学位授予地点中国科学院自动化研究所
学位专业模式识别与智能系统
关键词推荐系统 异构信息网络 社交网络分析 矩阵分解 协同过滤 Recommender Systems Heterogeneous Information Network Social Network Analysis Matrix Factorization Collaborative Filtering
摘要推荐系统通过分析用户的历史行为,对用户的兴趣进行建模,帮助用户从互联网上大量的信息中找到他感兴趣的内容。 随着互联网和在线社交网络的发展,用户和内容之间的信息是多种多样的。虽然近年来针对推荐系统和社交推荐 系统的研究很多,但是如何有效地利用异构信息和异构信息网络的结构来改善推荐系统则缺少较为系统的研究。异构信息网络上的 推荐问题,无论是从用户兴趣建模和物品属性建模的理论角度,还是从实际应用的需求来看,都具有重要意义。 本文针对异构信息网络中的个性化推荐问题的关键技术进行了深入的研究,包括异构信息网络中的Top-N推荐和评分预测问题。 本文的主要工作和贡献如下: 1. 提出基于异构信息网络元路径的Top-N推荐的方法。异构信息网络中的元路径包含不同类别的节点和边的类型,从而可以代表不同的语义信息。 我们通过异构信息网络上的元路径来连接异构用户和物品,从而可以表示用户和物品之间不同的异构关系。 我们发现先前的大部分相关工作都可以用元路径来表示和解释。 我们提出一种基于元路径的得分扩散算法,能够针对特定的元路径,有效地计算针对某种特定的元路径上用户对物品的喜好,根据这个喜好, 我们可以对用户进行Top-N推荐。然后我们通过监督学习的方法,把不同类型的元路径的得分进行线性融合。在真实数据集上的实验结果表明, 通过基于元路径的得分扩散算法,以及多路径融合的方法,可以显著地提高Top-N推荐的准确率。 2. 提出基于异构信息网络的图正则化矩阵分解模型。我们在矩阵分解模型的基础上,提出了两种针对异构信息网络的更具一般性的基于图正则化方法。 通过这两种方法,我们可以充分利用不同类型的异构信息和异构网络结构,比先前社交推荐系统中的方法更具一般性和可扩展性。 实验结果表明,我们的两个模型都可以更好地利用异构信息,在评分预测问题上可以得到更好地效果。
其他摘要Recommender System could model users' interests based on their historical behaviors in the systems. As the dramatic expanding of Web 2.0 web sites and applications, the information about users and items and the links between them are of different type, which is also called heterogeneous information. Although there are many papers researching on the collaborative filtering and social recommendation system, solid works about how to effectively utilize the heterogeneous information to help improve the recommendation performance are rare. This paper investigate the personalized recommendation on Heterogeneous Information Network, including Top-N recommendation task and rating prediction task using heterogeneous user-item information. Following are the main contributions of this paper: 1. Meta Path-based Top-N recommendation on Heterogeneous Information Network. Meta Path in heterogeneous network links various types of nodes using different types of edges, which could carry different semantic information. We model the heterogeneous relations between users and items using various Meta Paths, which link users with items by heterogeneous nodes and edges. We propose a novel algorithm called Meta Path-based Score Propagation which could efficiently compute how much a user would like the items through a specific kind of Meta Path. Using this score, we can recommend the Top-N graded items to this user. Moreover, we combine different kinds of Meta Paths using supervised learning and then make recommendation based on the hybrid score from these paths. Experimental results on real data sets show the algorithms we propose in this chapter could achieve higher accuracy in Top-N recommendation. 2. We propose two heterogeneous information Graph Regularization-based Matrix Factorization algorithms for the rating prediction task. The two algorithms effectively utilize useful heterogeneous information and the network structure to improve the performance of matrix factorization. Furthermore, the proposed algorithms are more general than previous related works and could extent to different types of heterogeneous information network. We prove the efficiency of the two algorithms using experiments on two real data sets, and our methods could make more accurate prediction compared with other state-of-art algorithms.
馆藏号XWLW1784
其他标识符200928014628062
语种中文
文献类型学位论文
条目标识符http://ir.ia.ac.cn/handle/173211/7611
专题毕业生_硕士学位论文
推荐引用方式
GB/T 7714
吴尧. 异构信息推荐系统关键技术研究[D]. 中国科学院自动化研究所. 中国科学院研究生院,2012.
条目包含的文件
文件名称/大小 文献类型 版本类型 开放类型 使用许可
CASIA_20092801462806(1673KB) 暂不开放CC BY-NC-SA请求全文
个性服务
推荐该条目
保存到收藏夹
查看访问统计
导出为Endnote文件
谷歌学术
谷歌学术中相似的文章
[吴尧]的文章
百度学术
百度学术中相似的文章
[吴尧]的文章
必应学术
必应学术中相似的文章
[吴尧]的文章
相关权益政策
暂无数据
收藏/分享
所有评论 (0)
暂无评论
 

除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。