柚子快報激活碼778899分享：算法 推薦系統(tǒng)相關(guān)論文閱讀整理

http://yzkb.51969.com/

文章題目 基于協(xié)同過濾的微信點餐推薦系統(tǒng)的設(shè)計與實現(xiàn) 作者 張彭飛? ?吉林大學(xué) 期刊論文在線閱讀—中國知網(wǎng) (cnki.net)摘要關(guān)鍵詞協(xié)同過濾;推薦系統(tǒng);Docker;PXC;RedisCluster;名詞解釋文獻研究目的推薦系統(tǒng)應(yīng)用現(xiàn)狀 在1990 年代，為了解決郵件過載問題，推薦系統(tǒng)的概念被首次提出[6]。在2003 年，亞馬遜公司首次使用基于物品的推薦算法，深入到網(wǎng)站的各類商品中，為亞馬遜增加了至少 30%的銷售額171。在 2005年，Adomavicius G 等人提到將推薦方式分為 3個類別，分別是基于內(nèi)容的推薦、基于協(xié)同過濾的推薦和混合推薦8。在2012年，CremonesiP等人將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于推薦系統(tǒng)中，實現(xiàn)了從大規(guī)模可選的推薦內(nèi)容中找到最有可能的推薦結(jié)果9。隨著互聯(lián)網(wǎng)的興起，推薦技術(shù)在人們的生活中扮演的越來越重要的角色，如人們經(jīng)常使用的淘寶、今日頭條、豆瓣影評以及各種外賣app 等產(chǎn)品。 創(chuàng)新之處 創(chuàng)新點: 1、考慮到人的偏好會隨著時間的推移而變化,因為時間越近的評分越能反應(yīng)出個人的偏好情況,所以在計算用戶之間相似度的過程中加入時間參數(shù)作為權(quán)重因子,修正時間所帶來的影響; 2、另外,考慮到推薦系統(tǒng)中有的用戶之間的共同評分項目數(shù)偏低,會導(dǎo)致推薦結(jié)果不置信。為了修正這種偏差,本文對計算后的相似度值進行重新加權(quán),權(quán)重因子根據(jù)用戶之間的共同評分項目數(shù)計算得到,最后將得到的結(jié)果進行歸一化處理; 3、同時,針對協(xié)同過濾算法的稀疏性問題研究,受K近鄰（KNN）算法啟發(fā)的影響,本文使用的是滑動平均窗口技術(shù)對用戶-評分矩陣的缺失值進行預(yù)填充,可以有效提高推薦質(zhì)量。 研究結(jié)果理論意義實踐啟示 1.可以做一個系統(tǒng)去展現(xiàn) 2.找到推薦算法跟知識圖譜的聯(lián)系，之間可實施的路徑

論文清單：

https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CJFD&dbname=CJFDLAST2022&filename=KXTS202210004&uniplatform=NZKPT&v=cnX-2cCW3C6lv6whzstQ1EvktVVxy8jL34dVi6Nhjiha7fhrz7yih_B5D4ZF71Ni

文章題目圖神經(jīng)網(wǎng)絡(luò)推薦系統(tǒng)綜述作者[1]吳靜,謝輝,姜火文.圖神經(jīng)網(wǎng)絡(luò)推薦系統(tǒng)綜述[J].計算機科學(xué)與探索,2022,16(10):2249-2263.期刊摘要圖神經(jīng)網(wǎng)絡(luò)（GNN）能從圖中對邊和節(jié)點數(shù)據(jù)進行特征提取和表示，對處理圖結(jié)構(gòu)數(shù)據(jù)具有先天優(yōu)勢，因此在推薦系統(tǒng)中蓬勃發(fā)展。將近年的主要研究成果進行了梳理并加以總結(jié)，著重從方法、問題兩個角度出發(fā)，系統(tǒng)性地綜述了圖神經(jīng)網(wǎng)絡(luò)推薦系統(tǒng)。首先，從方法層面闡述了圖卷積網(wǎng)絡(luò)推薦系統(tǒng)、圖注意力網(wǎng)絡(luò)推薦系統(tǒng)、圖自動編碼器推薦系統(tǒng)、圖生成網(wǎng)絡(luò)推薦系統(tǒng)、圖時空網(wǎng)絡(luò)推薦系統(tǒng)等五大類的圖神經(jīng)網(wǎng)絡(luò)推薦系統(tǒng)；接著，從問題相似性出發(fā)，歸納出序列推薦問題、社交推薦問題、跨域推薦問題、多行為推薦問題、捆綁推薦問題以及基于會話推薦問題等六大類問題；最后，在對已有方法分析和總結(jié)的基礎(chǔ)上，指出了目前圖神經(jīng)網(wǎng)絡(luò)推薦系統(tǒng)研究面臨的難點，提出相應(yīng)的研究問題以及未來研究的方向。 ?關(guān)鍵詞非歐式數(shù)據(jù)（歐幾里得數(shù)據(jù)、非歐幾里得數(shù)據(jù)）名詞解釋 1.基于協(xié)同過濾的推薦系統(tǒng)是基于用戶-項目的歷 史交互記錄產(chǎn)生推薦，可以是顯性反饋（評分、喜歡/ 不喜歡），也可以是隱性反饋（瀏覽、點擊）； 2.基于內(nèi)容 的推薦主要是根據(jù)用戶和項目的特征信息來進行推薦

有哪些重要的觀點你想要記住，或是將來可能會引用到有哪些結(jié)論你將來可能用到；有哪些方法你將來可能用到； 1.于 GNN 推薦系統(tǒng)來說，其 主要階段和圖神經(jīng)網(wǎng)絡(luò)過程接近，一般只分為四步： （1）根據(jù)實體相互關(guān)系建立 GNN 模型；（2）決定 GNN 模型的信息傳播與更新方法；（3）提取出更新后的節(jié) 點特征；（4）選取算法實現(xiàn)推薦。 2.利 用 了 用 戶 和 項 目 兩 個 實 體 ，Chen 等 [16] 將 知 識 圖 （knowledge graph，KG）引入到推薦系統(tǒng)來提高可解 釋性。他們提出了一種基于 KG 的交互式規(guī)則引導(dǎo) 推 薦（interactive rules- guided recommender，IR- Rec） 框架，主要是從增強的 KG 中提取用戶-項目之間交 互的多條路徑，再從潛在動機角度將這些路徑歸納 出一些公共行為規(guī)則，通過這些規(guī)則來確定推薦的 圖 2 GNN推薦系統(tǒng)分類 Fig.2 Taxonomy of graph neural network-based recommendation system 圖 3 圖卷積原理圖 Fig.3 Principle diagram of graph convolution networks 2251 Journal of Frontiers of Computer Science and Technology 計算機科學(xué)與探索 2022, 16(10) 潛在原因。

文章在研究設(shè)計上有哪些不足?有沒有更好的改進方法？文章讓你想到了哪些觀點類似或者完全不同的其他文章？你對文章中觀點、論述、方法、討論等部分有什么想法和critique？文獻研究目的推薦系統(tǒng)應(yīng)用現(xiàn)狀創(chuàng)新之處從方法，問題兩個角度切入分析，總結(jié)基于GNN推薦系統(tǒng)的最新研究進展。提出推薦系統(tǒng)當前存在的問題。研究結(jié)果理論意義實踐啟示 1.知識圖譜和圖神經(jīng)網(wǎng)絡(luò)推薦 結(jié)合會有較好的效果，目前符合我論文的研究方向 2.推薦的系統(tǒng)太多了。到時候再看。感覺需要看一下實踐的。

根據(jù)推薦算法所用數(shù)據(jù)的不同進行分類。

?與上篇文章的分類存在不同。

?

https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=KXTS20220927001&uniplatform=NZKPT&v=cnX-2cCW3C6sDiwnAhz-qopwzcXz1ElkGWpsTS8_baGw754xaZ9GXsWfNBtTi-2b

文章題目 圖神經(jīng)網(wǎng)絡(luò)應(yīng)用于知識圖譜推理的研究綜述 作者 [1]孫水發(fā),李小龍,李偉生,雷大江,李思慧,楊柳,吳義熔.圖神經(jīng)網(wǎng)絡(luò)應(yīng)用于知識圖譜推理的研究綜述[J/OL].計算機科學(xué)與探索:1-31[2022-12-04].http://kns.cnki.net/kcms/detail/11.5602.TP.20220930.1231.004.html 期刊《計算機科學(xué)與探索》摘要知識推理作為知識圖譜構(gòu)建的一個重要環(huán)節(jié)，一直是該領(lǐng)域研究的焦點問題。隨 著知識圖譜應(yīng)用研究的不斷深入和范圍的不斷擴大，將圖神經(jīng)網(wǎng)絡(luò)應(yīng)用于知識推理的方法 能夠在獲取知識圖譜中實體、關(guān)系等語義信息的同時，充分考慮知識圖譜的結(jié)構(gòu)信息，使 其具備更好的可解釋性和更強的推理能力，因此近年來受到廣泛關(guān)注。首先梳理了知識圖 譜和知識推理的基本知識及研究現(xiàn)狀，簡要介紹了基于邏輯規(guī)則、基于表示學(xué)習(xí)、基于神 經(jīng)網(wǎng)絡(luò)和基于圖神經(jīng)網(wǎng)絡(luò)的知識推理的優(yōu)勢與不足；其次全面總結(jié)了基于圖神經(jīng)網(wǎng)絡(luò)的知 識推理最新進展，將基于圖神經(jīng)網(wǎng)絡(luò)的知識推理按照基于遞歸圖神經(jīng)網(wǎng)絡(luò)、卷積圖神經(jīng)網(wǎng) 絡(luò)、圖自編碼網(wǎng)絡(luò)和時空圖神經(jīng)網(wǎng)絡(luò)的知識推理進行分類，對各類典型網(wǎng)絡(luò)模型進行了介 紹和對比分析；然后，介紹了基于圖神經(jīng)網(wǎng)絡(luò)的知識推理在醫(yī)學(xué)、智能制造、軍事、交通 等領(lǐng)域的應(yīng)用；最后，提出了基于圖神經(jīng)網(wǎng)絡(luò)的知識推理的未來研究方向，并對這個快速 增長領(lǐng)域中的各方向研究進行了展望。關(guān)鍵詞名詞解釋文獻研究目的基于最新相關(guān)研究方法的知識推理類綜 述推薦系統(tǒng)應(yīng)用現(xiàn)狀 創(chuàng)新之處 （1）對知識推理文獻進行了系統(tǒng)的分 類整理，類別包括基于邏輯規(guī)則、基于表示 學(xué)習(xí)、基于神經(jīng)網(wǎng)絡(luò)和基于圖神經(jīng)網(wǎng)絡(luò)的推 理，闡述并比較了不同知識推理方法的原理 及優(yōu)缺點。 （2）調(diào)研了基于圖神經(jīng)網(wǎng)絡(luò)的知識推 理相關(guān)文獻，總結(jié)了基于圖神經(jīng)網(wǎng)絡(luò)的知識 推理的最新研究進展，首次將基于圖自編碼 網(wǎng)絡(luò)和基于時空圖神經(jīng)網(wǎng)絡(luò)的知識推理進 行了綜述分析。 （3）總結(jié)了基于圖神經(jīng)網(wǎng)絡(luò)的知識推 理方法在理論、算法和應(yīng)用方面的現(xiàn)狀、問 題和未來發(fā)展前景。 研究結(jié)果分別從遞歸圖神經(jīng)網(wǎng)絡(luò)、卷積圖 神經(jīng)網(wǎng)絡(luò)、圖自編碼網(wǎng)絡(luò)和時空圖神經(jīng)網(wǎng)絡(luò) 等方面對基于圖神經(jīng)網(wǎng)絡(luò)的知識推理的研 究進行了綜述，介紹了各類圖神經(jīng)網(wǎng)絡(luò)的原 理、特點及優(yōu)勢，并就基于圖神經(jīng)網(wǎng)絡(luò)的知 識推理在醫(yī)學(xué)、智能制造、軍事、交通等領(lǐng) 域的應(yīng)用進行了歸納理論意義二是動態(tài)知識推理技術(shù)。目前，GNN 處理的圖結(jié)構(gòu)基本上都是靜態(tài)圖，基于時空 圖神經(jīng)網(wǎng)絡(luò)模型雖然能處理時序知識圖譜， 目前針對 GNN 處理動態(tài)圖結(jié)構(gòu)的研究還比 較少。實踐啟示 已經(jīng)有的方面： 1.基于知識圖譜的醫(yī)療推薦 2.對照片中人物的 社會關(guān)系進行推理

?

?

?

論文在線閱讀—中國知網(wǎng) (cnki.net)

https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CJFD&dbname=CJFDLAST2022&filename=KYXH202203001&uniplatform=NZKPT&v=OhAcPs_g4maqvFLb0ZnL9KTK9fVc0a46JtREGl67ocNosgNblNQ5AwHCeVBV3S0J

文章題目 基于雙知識圖譜和圖卷積神經(jīng)網(wǎng)絡(luò)的商品推薦研究 論文在線閱讀—中國知網(wǎng) (cnki.net) 作者 李賢宗 吉林大學(xué) 期刊

[1]李賢宗. 基于雙知識圖譜和圖卷積神經(jīng)網(wǎng)絡(luò)的商品推薦研究[D].吉林大學(xué),2022.DOI:10.27162/d.cnki.gjlin.2022.001748.摘要本文在傳統(tǒng)的商品推薦系統(tǒng)和知識圖譜嵌入等相關(guān)理論基礎(chǔ)上,利用foodmart數(shù)據(jù)集中的數(shù)據(jù),通過知識圖譜將用戶信息和商品信息等更多信息有效融入到推薦系統(tǒng)中,結(jié)合圖卷積神經(jīng)網(wǎng)絡(luò)以期提高商品推薦的準確度。具體來說,首先,構(gòu)建用戶和商品雙知識圖譜,將注冊用戶信息和商品信息轉(zhuǎn)換為三元組的形式,并通過三元組分別構(gòu)建用戶知識圖譜和商品知識圖譜,從而形成雙知識圖譜進行嵌入學(xué)習(xí)。其次,利用用戶購買信息構(gòu)建用戶-商品交互矩陣,通過分析用戶購買數(shù)據(jù)將用戶群體劃分為高頻購買用戶和低頻購買用戶,并將高頻購買用戶常去的商店中未購買過的商品作為負樣本,這樣用戶-商品交互矩陣中就包含了所有用戶對所有商品的偏好信息,是最終推薦系統(tǒng)計算推薦概率的重要依據(jù)。再次,將嵌入好的用戶和商品雙知識圖譜與圖卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合,形成基于雙知識圖譜的單層圖卷積神經(jīng)網(wǎng)絡(luò)。具體方法是將用戶、商品鄰域的向量表示進行加權(quán)聚合得到各自的鄰域表示向量,并與自身嵌入向量進行聚合,得到最終的表示向量,然后通過用戶-商品交互矩陣中的用戶偏好信息對用戶和商品的表示向量進行反向傳播來訓(xùn)練模型。最后,將單層網(wǎng)絡(luò)進行高階擴展形成基于雙知識圖譜的多層圖卷積神經(jīng)網(wǎng)絡(luò)。具體來說,實體的鄰域可以擴展到多個階層,將每個實體的初始表示（0階表示向量）傳播到其鄰域會得到1階實體表示向量,然后可以重復(fù)此過程,即進一步傳播和聚合1階表示向量來獲得2階表示向量以挖掘高階語義信息,最大程度的挖掘用戶可能感興趣的商品。為了驗證基于雙知識圖譜和圖卷積神經(jīng)網(wǎng)絡(luò)模型的有效性,本文利用foodmart商品數(shù)據(jù)集中的數(shù)據(jù)對構(gòu)建的模型進行了實證分析,結(jié)果表明通過融入用戶知識圖譜構(gòu)建的雙知識圖譜和圖卷積神經(jīng)網(wǎng)絡(luò)模型相對于沒有用戶知識圖譜的模型在推薦效果上有顯著提升,其中AUC值提升了6.2%,F1值提升了7.9%,證明了本文模型的有效性。關(guān)鍵詞名詞解釋

有哪些重要的觀點你想要記住，或是將來可能會引用到有哪些結(jié)論你將來可能用到；有哪些方法你將來可能用到； 1.構(gòu)建用戶知識圖譜，商品知識圖譜 2.利用用戶購買信息，構(gòu)建用戶-商品交互矩陣 3.嵌入好的知識圖譜結(jié)合圖卷積神經(jīng)網(wǎng)絡(luò)

文章在研究設(shè)計上有哪些不足?有沒有更好的改進方法？文章讓你想到了哪些觀點類似或者完全不同的其他文章？你對文章中觀點、論述、方法、討論等部分有什么想法和critique？ 判斷方法 文獻研究目的推薦系統(tǒng)應(yīng)用現(xiàn)狀創(chuàng)新之處研究結(jié)果理論意義實踐啟示

知識圖譜視域下基于MOOC平臺數(shù)據(jù)的學(xué)習(xí)路徑推薦研究 - 中國知網(wǎng) (cnki.net)

農(nóng)業(yè)在線學(xué)習(xí)資源知識圖譜構(gòu)建與推薦技術(shù)研究 - 中國知網(wǎng) (cnki.net)

外語口語在線學(xué)習(xí)資源知識圖譜構(gòu)建與推薦技術(shù)研究 （這個題目怎么樣? ?你一定要收藏的英語口語免費學(xué)習(xí)網(wǎng)站 - 知乎 (zhihu.com)）

基于對偶四元數(shù)的協(xié)同知識圖譜推薦模型 - 中國知網(wǎng) (cnki.net)

基于知識圖譜的個性化興趣點推薦方法研究 - 中國知網(wǎng) (cnki.net)

基于知識圖譜的推薦算法研究 - 中國知網(wǎng) (cnki.net)

基于變形圖匹配的知識圖譜多跳問答 - 中國知網(wǎng) (cnki.net)

融合知識圖譜與協(xié)同過濾的圖書推薦算法?的流程圖：

柚子快報激活碼778899分享：算法 推薦系統(tǒng)相關(guān)論文閱讀整理

http://yzkb.51969.com/

推薦鏈接