隨著信息技術(shù)的發(fā)展和互聯(lián)網(wǎng)的普及,網(wǎng)絡(luò)上的數(shù)據(jù)呈指數(shù)式增長,信息過載問題成為了用戶獲取信息的一大困擾。為了從海量的信息中發(fā)現(xiàn)用戶的興趣,滿足用戶個性化的信息需求,推薦系統(tǒng)應(yīng)運(yùn)而生。傳統(tǒng)的協(xié)同過濾推薦多采用評分?jǐn)?shù)據(jù)進(jìn)行推薦,存在數(shù)據(jù)稀疏問題,限制了推薦系統(tǒng)的性能。知識圖譜中存在豐富的知識,用于推薦系統(tǒng)中將會是有用的輔助數(shù)據(jù),所以基于知識圖譜的推薦越來越受到研究者的關(guān)注。本文對基于知識圖譜的個性化景點(diǎn)推薦方法展開研究。通過構(gòu)建旅游景點(diǎn)知識圖譜,提取其中的實(shí)體向量,用于構(gòu)建用戶興趣模型,然后融入到矩陣分解推薦模型中,從而提高景點(diǎn)推薦系統(tǒng)的性能。本文的主要研究內(nèi)容如下:(1)基于本體的景點(diǎn)知識圖譜構(gòu)建。當(dāng)前,中文領(lǐng)域還沒有一個公用的景點(diǎn)知識圖譜,需要根據(jù)需求自行構(gòu)建。本文分析了領(lǐng)域知識圖譜的構(gòu)建方法,設(shè)計(jì)并實(shí)現(xiàn)了一種基于本體的景點(diǎn)知識圖譜。首先根據(jù)本體的目的,尋找可復(fù)用本體,并進(jìn)行概念和分類設(shè)計(jì),定義類的屬性,構(gòu)建景點(diǎn)本體;然后,對數(shù)據(jù)源進(jìn)行采集,根據(jù)本體指導(dǎo)景點(diǎn)知識抽取;設(shè)計(jì)了一種基于字符串和基于結(jié)構(gòu)的實(shí)體對齊方法,分別從字符串和實(shí)體屬性兩個層面進(jìn)行實(shí)體對齊;最后,將景點(diǎn)知識圖譜存儲在了Ne...

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 推薦技術(shù)研究現(xiàn)狀
        1.2.2 知識圖譜研究現(xiàn)狀
        1.2.3 基于知識圖譜的推薦方法研究現(xiàn)狀
    1.3 研究內(nèi)容
    1.4 組織結(jié)構(gòu)
第2章 基于本體的景點(diǎn)知識圖譜構(gòu)建
    2.1 領(lǐng)域知識圖譜構(gòu)建概述
    2.2 景點(diǎn)本體構(gòu)建
        2.2.1 景點(diǎn)數(shù)據(jù)分析
        2.2.2 本體構(gòu)建流程
        2.2.3 景點(diǎn)本體的實(shí)現(xiàn)
    2.3 基于多數(shù)據(jù)源的景點(diǎn)知識抽取與實(shí)體對齊
        2.3.1 景點(diǎn)數(shù)據(jù)源
        2.3.2 數(shù)據(jù)獲取與處理
        2.3.3 基于相似度的景點(diǎn)實(shí)體對齊
    2.4 基于Neo4j的知識圖譜存儲
    2.5 實(shí)驗(yàn)結(jié)果
        2.5.1 本體構(gòu)建
        2.5.2 知識抽取
        2.5.3 實(shí)體對齊
        2.5.4 知識圖譜構(gòu)建
    2.6 本章小結(jié)
第3章 基于知識圖譜的用戶興趣建模
    3.1 用戶興趣建模分析
    3.2 基于知識圖譜中實(shí)體屬性的用戶興趣模型框架
    3.3 基于知識圖譜中實(shí)體屬性的用戶興趣建模
        3.3.1 景點(diǎn)屬性分析
        3.3.2 基于表示學(xué)習(xí)的知識圖譜向量化方法
        3.3.3 基于TransR模型的景點(diǎn)知識圖譜訓(xùn)練
        3.3.4 改進(jìn)的用戶興趣表示方法
    3.4 本章小結(jié)
第4章 融合知識圖譜的個性化景點(diǎn)推薦方法
    4.1 個性化推薦
        4.1.1 協(xié)同過濾推薦算法
        4.1.2 協(xié)同過濾推薦算法存在的問題
    4.2 融合知識圖譜的推薦方法的框架
    4.3 基于知識圖譜的用戶偏好相似性
        4.3.1 相似性計(jì)算
        4.3.2 用戶偏好相似性計(jì)算
    4.4 融合用戶偏好相似性的矩陣分解推薦模型
        4.4.1 矩陣分解推薦算法
        4.4.2 改進(jìn)的矩陣分解推薦算法
        4.4.3 改進(jìn)的矩陣分解學(xué)習(xí)
    4.5 景點(diǎn)推薦列表生成
    4.6 本章小結(jié)
第5章 實(shí)驗(yàn)結(jié)果與分析
    5.1 實(shí)驗(yàn)環(huán)境
    5.2 景點(diǎn)知識圖譜表示學(xué)習(xí)實(shí)驗(yàn)
        5.2.1 實(shí)驗(yàn)數(shù)據(jù)集
        5.2.2 評價指標(biāo)
        5.2.3 實(shí)驗(yàn)結(jié)果分析
    5.3 推薦算法實(shí)驗(yàn)
        5.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        5.3.2 評價指標(biāo)
        5.3.3 實(shí)驗(yàn)設(shè)計(jì)
        5.3.4 實(shí)驗(yàn)結(jié)果與分析
        5.3.5 參數(shù)分析
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 主要工作總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間獲得與學(xué)位論文相關(guān)的科研成果目錄



本文編號：3854951