基于动态社交关系建模的短视频推荐方法研究.pdf

目录

摘要I

AbstractIII

第一章绪论1

1.1研究背景与意义1

1.1.1研究背景1

1.1.2研究意义2

1.2国内外研究现状3

1.2.1基于深度学习的推荐3

1.2.2短视频推荐3

1.3本文的主要研究内容5

1.3.1基于社交关系驱动的动态短视频推荐方法6

1.3.2基于用户关联去噪和交互增强的短视频推荐方法6

1.4本文的组织结构7

第二章相关理论和技术9

2.1图神经网络9

2.2注意力机制10

2.3自监督学习方法12

2.4本章小结13

第三章基于社交关系驱动的动态短视频推荐方法14

3.1概述14

3.2模型构建与求解15

3.2.1符号和问题定义16

3.2.2社交关系构建17

3.2.3传播层18

3.2.4长期和短期用户表征20

3.2.5短视频预测21

3.3实验结果与分析21

3.3.1实验数据集22

3.3.2实验细节22

3.3.3评估指标和基线23

3.3.4比较结果24

3.3.5消融实验26

3.3.6参数敏感性实验27

3.4本章小结28

第四章基于用户关联去噪和交互增强的短视频推荐方法29

4.1概述29

4.2模型构建和求解30

4.2.1符号和问题定义31

4.2.2方法概述32

4.2.3多视图编码层33

4.2.4对比学习34

4.2.5模型优化35

4.3实验结果与分析35

4.3.1实验数据集36

4.3.2实验细节36

4.3.3评估指标和基线36

4.3.4消融实验38

4.3.5参数敏感性实验40

4.4本章小结41

第五章总结与展望43

5.1全文总结43

5.2后续工作展望43

参考文献45

攻读学位期间发表论文情况52

致谢53

摘要

随着社交媒体和移动互联网技术迅速发展，短视频已成为当今主流的媒体形式，海量

的短视频信息需要更加精准的推荐系统，为用户提供个性化的短视频服务。近年来，在深

度学习技术蓬勃发展的推动下，基于深度学习的推荐方法正日益引起广泛关注。

相较于传统的视频内容，短视频具有数量庞大、类型多样以及用户兴趣多变的特点。

尽管现有的研究已经取得了一系列令人瞩目的成就，但针对短视频推荐的精准化仍存在进

一步探索和提升的空间。首先，如何缓解短视频推荐中的用户交互稀疏问题，传统协同过

滤方法难以有效捕捉这种复杂且高维度的交互关系。其次，现有的方法仅依赖用户观看历

史记录作为兴趣表达的基础，忽视社交关系中蕴含的丰富信息，在进行推荐时会导致短视

频推荐结果局限性和冷启动问题发生。第三，用户与短视频大多数交互通常是隐式行为，

例如是否点击，浏览等行为，这些信号可能记录了一些与用户兴趣并不相关的短视