融合自注意力机制与知识图谱的推荐算法研究开题报告

 2022-08-16 17:44:25

1. 研究目的与意义

信息技术和在线服务的快速发展与普及为人们获取大量信息提供了技术上的支持。现如今,互联网用户能够根据自己的需要即时访问产品和服务的所有信息。然而,在互联网上动辄以PB为单位的爆发式数据,使得用户难以查找和获取所需要的数据,导致了信息过载的问题。为了解决这个问题,推荐系统作为一种解决互联网信息过载的手段应运而生。其中知识图谱作为一种语义网络,能够为推荐系统提供用户和物品的语义关联信息,以及为用户提供更多的兴趣推荐。

因此,我选择“基于知识图谱的推荐系统算法研究”作为我的毕业设计选题。知识图谱在各种领域都有涉及,广泛应用于推荐、搜索、医疗、金融等领域。在设计好基于知识图谱的推荐系统算法的基础上,可以有效地做电影、音乐和商品等推荐。

2. 研究内容和预期目标

研究内容:一是结合知识图谱的特点,针对其中的知识特征学习进行研究,研究如何更好地学习实体和关系的向量表示。二是针对目前知识图谱中存在的一些问题,在充分调研和学习的基础上,提出一种改进的相关算法方案。

拟解决的问题:对于现有知识图谱中存在的关系事实缺失,隐含知识的挖掘存在不足,知识推理方法存在的一些问题,如计算代价过高,不容易扩展等,结合目前采用的各种技术方法的总结、分析基础上,提出一种改进的知识图谱推荐算法。

3. 国内外研究现状

国内:国内比较大的研究团队由清华大学刘知远和东南大学漆桂林老师带领,其中刘知远提出的 PTransE[21]模型是以 TransE为基础的模型,方法结合了表示学习和基于路径推理的方法。

国外:一种方法是将关系和实体表示成向量:这类方法旨在将知识图谱的实体和关系都转换成向量,在向量空间做推理显然就方便了许多。一个具有代表性的方法就是 TransE[1],由 Bordes 等人提出,主要思想就是当知识图谱中存在三元组(h, l, t)时,h、l、t 被转换的向量分别表示为 h、l、t,TransE 希望 h l ≈t。其他的方法还有:基于路径的推理方法、基于张量分解的方法、基于信息检索的方法、常用知识补全和混合推理等。

4. 计划与进度安排

1、2020-11-16至2020-11-24:指导老师下达任务书,对本次毕业设计的进度安排、研究方向、算法等提出要求。

2、2020-11-25至2020-12-31:在总体上对知识图谱、推荐系统及相关算法进行充分调研和学习,深入毕业设计的课题,对其有全面了解。

3、2021-01-01至2021-06-28:在导师的指导下,完成基于知识图谱的推荐系统算法改进任务,完成毕业设计初稿,仔细修改,并通过导师检验。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

5. 参考文献

[1]官赛萍,靳小龙,贾岩涛,王元卓,程学旗.面向知识图谱的知识推理研究进展[J].软件学报,2018,29(10):2966-2994.

[2]王硕,杜志娟,孟小峰.大规模知识图谱补全技术的研究进展[J].中国科学:信息科学,2020,50(04):551-575.

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

以上是毕业论文开题报告,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。