[目的]通过调研和梳理文献，总结考虑知识特征的序列推荐方法。[文献范围]以“Sequential Recommendation*Knowledge”和“序列推荐*知识”作为高级检索词在Web of Science、DBLP、谷歌学术、中国知网等数据库中进行文献检索，最终筛选...
详细信息
[目的]通过调研和梳理文献，总结考虑知识特征的序列推荐方法。[文献范围]以“Sequential Recommendation*Knowledge”和“序列推荐*知识”作为高级检索词在Web of Science、DBLP、谷歌学术、中国知网等数据库中进行文献检索，最终筛选出100篇文献进行评述，在筛选过程中，还特别关注了具体章节的核心内容，以确保所选文献满足研究需要。[方法]利用文献调研的方法，从研究框架、现实应用与评价、未来研究趋势三个方面对知识特征的序列推荐方法进行归纳与梳理。[结果]针对知识特征在序列推荐中的应用，构建“知识特征表达-时间知识增强-知识特征的序列推荐算法”的研究框架，从“数据集-评价指标-基线模型”三个方面深入分析现有评价资源的不足，并对未来研究进行展望。[局限]鉴于知识特征在序列推荐领域的重要性日益凸显，本文评述了考虑知识特征的序列推荐方法的相关研究。但由于研究领域广泛，文献众多，未能涵盖所有相关研究。[结论]考虑知识特征的序列推荐算法提高了推荐的准确性，多模态知识特征的融入，有助于深入了解用户需求。
为快速识别大规模复杂网络中的重要节点，本研究将人类社会普遍存在的两类不平等映射为节点在网络中的能力与权力的二重异质性，设计了评价复杂网络节点重要度的DH指标，构造了用于DH指标快速分布式计算的并行随机距离渐进（parallel random distance approach，简称PRDA）算法．通过网络最大连通率、网络均衡熵、算法有效性和算法效率的评价实验验证DH指标及PRDA算法的有效性，得出结论如下：DH指标在识别重要节点时能适应不同拓扑特征的复杂网络，识别性能优于或同于时间复杂度更高的介数；PRDA估计算法在最短路径获得概率P=1—10^-1.5。的水平上得到的节点效率估计值^ηi与真实值ηi的Pearson相关系数在0．975以上，且在大规模网络上进行节点效率估计结果更可靠；在Apache Spark并行内存计算环境中应用时间复杂度为O（n^2／l）的PRDA算法求解DH指标耗时远小于介数求解耗时，这表明算法的时间特性也适于大规模网络．
暂无评论