柚子快報(bào)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(diǎn)餐推薦系統(tǒng)的設(shè)計(jì)與實(shí)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(xiàn)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(gè)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(shí)現(xiàn)了從大規(guī)?？蛇x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(píng)以及各種外賣app 等產(chǎn)品。 創(chuàng)新之處 創(chuàng)新點(diǎn): 1、考慮到人的偏好會(huì)隨著時(shí)間的推移而變化,因?yàn)闀r(shí)間越近的評(píng)分越能反應(yīng)出個(gè)人的偏好情況,所以在計(jì)算用戶之間相似度的過程中加入時(shí)間參數(shù)作為權(quán)重因子,修正時(shí)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(píng)分項(xiàng)目數(shù)偏低,會(huì)導(dǎo)致推薦結(jié)果不置信。為了修正這種偏差,本文對(duì)計(jì)算后的相似度值進(jìn)行重新加權(quán),權(quán)重因子根據(jù)用戶之間的共同評(píng)分項(xiàng)目數(shù)計(jì)算得到,最后將得到的結(jié)果進(jìn)行歸一化處理; 3、同時(shí),針對(duì)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(dòng)平均窗口技術(shù)對(duì)用戶-評(píng)分矩陣的缺失值進(jìn)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(shí)踐啟示 1.可以做一個(gè)系統(tǒng)去展現(xiàn) 2.找到推薦算法跟知識(shí)圖譜的聯(lián)系，之間可實(shí)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(jì)算機(jī)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(duì)邊和節(jié)點(diǎn)數(shù)據(jù)進(jìn)行特征提取和表示，對(duì)處理圖結(jié)構(gòu)數(shù)據(jù)具有先天優(yōu)勢(shì)，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(jìn)行了梳理并加以總結(jié)，著重從方法、問題兩個(gè)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(dòng)編碼器推薦系統(tǒng)、圖生成網(wǎng)絡(luò)推薦系統(tǒng)、圖時(shí)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(huì)話推薦問題等六大類問題；最后，在對(duì)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(diǎn)，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(xiàng)目的歷 史交互記錄產(chǎn)生推薦，可以是顯性反饋（評(píng)分、喜歡/ 不喜歡），也可以是隱性反饋（瀏覽、點(diǎn)擊）； 2.基于內(nèi)容 的推薦主要是根據(jù)用戶和項(xiàng)目的特征信息來進(jìn)行推薦

有哪些重要的觀點(diǎn)你想要記住，或是將來可能會(huì)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(shí)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(diǎn)特征；（4）選取算法實(shí)現(xiàn)推薦。 2.利 用 了 用 戶 和 項(xiàng) 目 兩 個(gè) 實(shí) 體 ，Chen 等 [16] 將 知 識(shí) 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(qiáng)的 KG 中提取用戶-項(xiàng)目之間交 互的多條路徑，再從潛在動(dòng)機(jī)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(jì)算機(jī)科學(xué)與探索 2022, 16(10) 潛在原因。

文章在研究設(shè)計(jì)上有哪些不足?有沒有更好的改進(jìn)方法？文章讓你想到了哪些觀點(diǎn)類似或者完全不同的其他文章？你對(duì)文章中觀點(diǎn)、論述、方法、討論等部分有什么想法和critique？文獻(xiàn)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(gè)角度切入分析，總結(jié)基于GNN推薦系統(tǒng)的最新研究進(jìn)展。提出推薦系統(tǒng)當(dāng)前存在的問題。研究結(jié)果理論意義實(shí)踐啟示 1.知識(shí)圖譜和圖神經(jīng)網(wǎng)絡(luò)推薦 結(jié)合會(huì)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(shí)候再看。感覺需要看一下實(shí)踐的。

根據(jù)推薦算法所用數(shù)據(jù)的不同進(jìn)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(shí)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(shí)圖譜推理的研究綜述[J/OL].計(jì)算機(jī)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(jì)算機(jī)科學(xué)與探索》摘要知識(shí)推理作為知識(shí)圖譜構(gòu)建的一個(gè)重要環(huán)節(jié)，一直是該領(lǐng)域研究的焦點(diǎn)問題。隨 著知識(shí)圖譜應(yīng)用研究的不斷深入和范圍的不斷擴(kuò)大，將圖神經(jīng)網(wǎng)絡(luò)應(yīng)用于知識(shí)推理的方法 能夠在獲取知識(shí)圖譜中實(shí)體、關(guān)系等語義信息的同時(shí)，充分考慮知識(shí)圖譜的結(jié)構(gòu)信息，使 其具備更好的可解釋性和更強(qiáng)的推理能力，因此近年來受到廣泛關(guān)注。首先梳理了知識(shí)圖 譜和知識(shí)推理的基本知識(shí)及研究現(xiàn)狀，簡(jiǎn)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(shí)推理的優(yōu)勢(shì)與不足；其次全面總結(jié)了基于圖神經(jīng)網(wǎng)絡(luò)的知 識(shí)推理最新進(jìn)展，將基于圖神經(jīng)網(wǎng)絡(luò)的知識(shí)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(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)的知識(shí)推理進(jìn)行分類，對(duì)各類典型網(wǎng)絡(luò)模型進(jìn)行了介 紹和對(duì)比分析；然后，介紹了基于圖神經(jīng)網(wǎng)絡(luò)的知識(shí)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(shí)推理的未來研究方向，并對(duì)這個(gè)快速 增長(zhǎng)領(lǐng)域中的各方向研究進(jìn)行了展望。關(guān)鍵詞名詞解釋文獻(xiàn)研究目的基于最新相關(guān)研究方法的知識(shí)推理類綜 述推薦系統(tǒng)應(yīng)用現(xiàn)狀 創(chuàng)新之處 （1）對(duì)知識(shí)推理文獻(xiàn)進(jìn)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(shí)推理方法的原理 及優(yōu)缺點(diǎn)。 （2）調(diào)研了基于圖神經(jīng)網(wǎng)絡(luò)的知識(shí)推 理相關(guān)文獻(xiàn)，總結(jié)了基于圖神經(jīng)網(wǎng)絡(luò)的知識(shí) 推理的最新研究進(jìn)展，首次將基于圖自編碼 網(wǎng)絡(luò)和基于時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)的知識(shí)推理進(jìn) 行了綜述分析。 （3）總結(jié)了基于圖神經(jīng)網(wǎng)絡(luò)的知識(shí)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(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò) 等方面對(duì)基于圖神經(jīng)網(wǎng)絡(luò)的知識(shí)推理的研 究進(jìn)行了綜述，介紹了各類圖神經(jīng)網(wǎng)絡(luò)的原 理、特點(diǎn)及優(yōu)勢(shì)，并就基于圖神經(jīng)網(wǎng)絡(luò)的知 識(shí)推理在醫(yī)學(xué)、智能制造、軍事、交通等領(lǐng) 域的應(yīng)用進(jìn)行了歸納理論意義二是動(dòng)態(tài)知識(shí)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(shí)空 圖神經(jīng)網(wǎng)絡(luò)模型雖然能處理時(shí)序知識(shí)圖譜， 目前針對(duì) GNN 處理動(dòng)態(tài)圖結(jié)構(gòu)的研究還比 較少。實(shí)踐啟示 已經(jīng)有的方面： 1.基于知識(shí)圖譜的醫(yī)療推薦 2.對(duì)照片中人物的 社會(huì)關(guān)系進(jìn)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(shí)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(shí)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(shí)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(shí)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(zhǔn)確度。具體來說,首先,構(gòu)建用戶和商品雙知識(shí)圖譜,將注冊(cè)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(shí)圖譜和商品知識(shí)圖譜,從而形成雙知識(shí)圖譜進(jìn)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(fù)樣本,這樣用戶-商品交互矩陣中就包含了所有用戶對(duì)所有商品的偏好信息,是最終推薦系統(tǒng)計(jì)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(shí)圖譜與圖卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合,形成基于雙知識(shí)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(jìn)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(jìn)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(duì)用戶和商品的表示向量進(jìn)行反向傳播來訓(xùn)練模型。最后,將單層網(wǎng)絡(luò)進(jìn)行高階擴(kuò)展形成基于雙知識(shí)圖譜的多層圖卷積神經(jīng)網(wǎng)絡(luò)。具體來說,實(shí)體的鄰域可以擴(kuò)展到多個(gè)階層,將每個(gè)實(shí)體的初始表示（0階表示向量）傳播到其鄰域會(huì)得到1階實(shí)體表示向量,然后可以重復(fù)此過程,即進(jìn)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(yàn)證基于雙知識(shí)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(duì)構(gòu)建的模型進(jìn)行了實(shí)證分析,結(jié)果表明通過融入用戶知識(shí)圖譜構(gòu)建的雙知識(shí)圖譜和圖卷積神經(jīng)網(wǎng)絡(luò)模型相對(duì)于沒有用戶知識(shí)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(diǎn)你想要記住，或是將來可能會(huì)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(shí)圖譜，商品知識(shí)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(shí)圖譜結(jié)合圖卷積神經(jīng)網(wǎng)絡(luò)

文章在研究設(shè)計(jì)上有哪些不足?有沒有更好的改進(jìn)方法？文章讓你想到了哪些觀點(diǎn)類似或者完全不同的其他文章？你對(duì)文章中觀點(diǎn)、論述、方法、討論等部分有什么想法和critique？ 判斷方法 文獻(xiàn)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(shí)踐啟示

知識(shí)圖譜視域下基于MOOC平臺(tái)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(shí)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(shí)圖譜構(gòu)建與推薦技術(shù)研究 （這個(gè)題目怎么樣? ?你一定要收藏的英語口語免費(fèi)學(xué)習(xí)網(wǎng)站 - 知乎 (zhihu.com)）

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

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

基于知識(shí)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(shí)圖譜多跳問答 - 中國知網(wǎng) (cnki.net)

融合知識(shí)圖譜與協(xié)同過濾的圖書推薦算法?的流程圖：

柚子快報(bào)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