论文部分内容阅读
随着大数据时代的到来,人们在享受互联网便利性的同时,也面临着信息过载的问题。面对互联网中海量的数据,人们不能够快速、清晰的区分冗杂的数据和感兴趣的模块,而推荐系统由于能够满足用户个性化定制的需求,并且能够呈现出最符合用户兴趣的信息,因此推荐系统成为了最佳解决办法。传统的推荐系统存在稀疏性问题以及冷启动问题,导致推荐质量不高。推荐系统通过引用辅助信息,如上下文信息、用户或物品属性特征,就能够解决传统推荐系统存在的稀疏性和冷启动问题。知识图谱也作为一种辅助信息,因此本文利用知识图谱,通过知识图谱与推荐系统融合的方式,来增强推荐性能。本文设计了知识图谱与推荐系统融合的模型(KG-RS模型),将推荐模块和知识图谱嵌入模块通过连接模块连接,在连接模块中共同学习项目和实体特征,增强了物品语义信息,提高了推荐任务性能;本文根据用户功能需求,使用java语言设计并实现了个性化电影推荐系统页面的前后端。本文的主要研究工作如下:(1)分析了推荐系统和知识图谱的研究现状,对本文涉及的相关技术做出了详细阐述,包括推荐系统常用算法的原理,知识图谱构建技术方法,以及推荐算法相似度计算,同时对推荐系统评价指标AUC、准确率、精确率及召回率计算方法做出了简要介绍。(2)针对推荐系统数据稀疏性问题,推荐精度不高,本文提出了基于知识图谱的推荐系统模型(KG-RS模型),该模型是基于常用推荐算法的广义框架。模型分为三个部分,由推荐模块,知识图谱嵌入模块,以及连接模块组成。KG-RS模型,利用知识图谱嵌入低维向量的功能,将知识图谱嵌入模块的实体和推荐模块的项目在低维空间中共同学习,以此建立实体和项目连接,然后将特征学习后的项目和实体分别映射回推荐模块和知识图谱嵌入模块,最后在推荐模块和知识图谱嵌入模块中,通过多层神经网络计算出用户预测值。本文将KG-RS模型在MovieLens-1M数据集上,与其它模型对比,实验结果显示KG-RS模型可以提高推荐精度,并且在其它推荐评价指标也表现最佳。(3)基于本文提出的模型,设计并实现了一套个性化电影推荐系统,系统采用三层结构,其前端和后端涉及mybatis,spring,springmvc,easyui等相关技术,系统设计并实现了电影网站首页、登录注册、电影评分收藏、电影搜索、个性化电影推荐、网站管理六大模块。