检索结果-内蒙古大学图书馆

计算机研究与发展 2017年第8期54卷 1813-1823页

作者：高玉凯王新华郭磊陈竹敏山东师范大学信息科学与工程学院济南250358 山东师范大学管理科学与工程学院济南250358 山东大学计算机科学与技术学院济南250101

位置服务作为一种信息共享平台,在方便人们交流和共享信息的同时,也因为用户数量的不断增加,而面临着严重的信息过载问题.如何利用推荐技术对信息进行过滤和筛选,帮助用户在位置服务中发现有价值的信息成为近年来研究的热点.但目前已有... 详细信息

位置服务作为一种信息共享平台,在方便人们交流和共享信息的同时,也因为用户数量的不断增加,而面临着严重的信息过载问题.如何利用推荐技术对信息进行过滤和筛选,帮助用户在位置服务中发现有价值的信息成为近年来研究的热点.但目前已有的推荐算法,在只有消费记录这种隐性数据情况下,针对用户较少活动区域或新用户的推荐效率较低,无法最大化挖掘隐性数据所带的信息.针对以上问题,结合位置服务平台的特点,针对用户冷启动问题,提出了一种结合协同概率矩阵分解与迭代决策树(gradient boosting decision tree,GBDT)的推荐算法.该方法首先使用多层协同概率矩阵分解在多个维度上得到用户潜在特征,然后使用GBDT学习算法对特征和标签进行训练得到用户对项目的偏好,最后使用考虑约束问题的top-N推荐产生推荐列表.在真实数据集上的实验结果表明,与目前较为流行的方法相比,提出的方法能在准确率、F1值上取得较好的结果,能更好地缓解位置服务中的冷启动问题.

关键词：推荐系统位置服务概率矩阵分解冷启动问题约束

来源：评论

学校读者我要写书评

暂无评论

下一个兴趣点推荐算法综述

引用

计算机科学与探索 2024年

作者：刘广腾王峰吴中博湖北文理学院计算机工程学院

随着移动互联网和位置服务的迅速发展，基于位置的社交网络已成为用户日常生活的一部分，而深度学习技术，尤其是基于注意力机制和图神经网络的模型，在预测用户未来可能访问地点的下一个兴趣点推荐任务中取得了显著突破。本研究系统回... 详细信息

随着移动互联网和位置服务的迅速发展，基于位置的社交网络已成为用户日常生活的一部分，而深度学习技术，尤其是基于注意力机制和图神经网络的模型，在预测用户未来可能访问地点的下一个兴趣点推荐任务中取得了显著突破。本研究系统回顾了过去五年内下一个兴趣点推荐算法的研究进展，重点分析了注意力机制和图神经网络在该领域的应用。首先，本文介绍了相关技术的基础理论，包括注意力机制和图神经网络的基本原理以及其在时空数据中的优势。随后，通过对不同方法的优缺点进行深入比较和分析，本文总结了当前该领域所面临的主要挑战。接着，本文详细介绍并比较了常用的下一个兴趣点推荐数据集（如Foursquare、Gowalla），并探讨了在实际应用中如何选择和利用这些数据集。此外，本文还讨论了推荐算法中常用的评价指标（如准确率、召回率）。最后，文章展望了未来的研究方向，并提出了优化下一个兴趣点推荐算法性能的策略，包括解决深度模型在数据稀疏性、提升模型可解释性，以及应对冷启动问题等方面的挑战。

关键词：下一个兴趣点推荐注意力机制图神经网络数据稀疏性冷启动问题

来源：评论

学校读者我要写书评

暂无评论

基于粒关联规则的冷启动推荐方法

引用

计算机科学 2014年第3期41卷 71-75页

作者：巫文佳何旭闽南师范大学粒计算及其应用重点实验室漳州363000

推荐系统已被广泛应用于电子商务等多个领域。冷启动问题是推荐系统的一个难点。基于粒关联规则的冷启动推荐方法,运用粒来描述用户和产品,通过满足粒关联规则的4个指标,挖掘出用户和产品之间的关联规则,匹配合适的规则,最后根据这些规... 详细信息

推荐系统已被广泛应用于电子商务等多个领域。冷启动问题是推荐系统的一个难点。基于粒关联规则的冷启动推荐方法,运用粒来描述用户和产品,通过满足粒关联规则的4个指标,挖掘出用户和产品之间的关联规则,匹配合适的规则,最后根据这些规则向用户做出相应的推荐。在公开有效的数据集MovieLens上进行了实验,结果表明,用粒关联规则所挖掘出的规则可以有效地用于训练集和测试集上的推荐,并且具有较好的准确性。

关键词：粒计算关联规则推荐系统冷启动问题数据挖掘

来源：评论

学校读者我要写书评

暂无评论

Solving Cold-Start with LebiD1 and LebiD2

Solving Cold-Start with LebiD1 and LebiD2

引用

作者： Lebi Jean-Marc Dali 电子科技大学

学位级别：博士

随着互联网技术的飞速发展，近来电子商务的普及受到了公众的广泛关注。确保电子商务应用成功的一个非常重要的问题是准确地向用户推荐他可能感兴趣的产品列表的能力。然而，促进电子商务的主要挑战是臭名昭著的冷启动问题，即向从未访... 详细信息

随着互联网技术的飞速发展，近来电子商务的普及受到了公众的广泛关注。确保电子商务应用成功的一个非常重要的问题是准确地向用户推荐他可能感兴趣的产品列表的能力。然而，促进电子商务的主要挑战是臭名昭著的冷启动问题，即向从未访问系统的新用户推荐项目。准确预测的推荐系统能解决这一挑战，可以吸引和留住新用户。冷启动问题是研究人员的瓶颈，因为传统的推荐系统利用的是公司用户的历史记录，而在这里需要处理一个没有历史记录的新用户。同时冷启动问题可能会导致诸如稀疏性、可扩展性、同形异义、同义、孤立用户、有害用户和托攻击等问题。因此，解决冷启动问题也意味着解决这些问题。\n 为了解决这些问题，本文提出了两种新的可信算法LebiD1和LebiD2，算法利用底层技术如内存稀疏因子分析，参数模型厄米特分解同余，社交网络信任得分计算和潜在内容语义词汇语法关键字搜索。本文的主要贡献包括以下几个部分：\n 1.在本研究中，首先对用户项目评估矩阵进行内存系数因子分析，这使得用户之间的相似性可有效计算。稀疏因子分析可检测和消除组织数据集中的所有噪声数据。本方案主要集中在确定属于支持向量的相关向量，以确定新用户可能感兴趣的重要项目和产品。此外，这种技术还可以有效地处理像孤立用户和有害用户。这种技术的简单实现和快速响应时间使得它非常适合实时在线应用程序，因为用户不会在单个网页上花费时间。\n 2.参数模型的协同过滤（PMCF）是体制中的一个新方法。它允许从组织评估矩阵计算参数。计算出模型参数后，数据集可以完全从内存中删除，为新数据腾出空间。导出这些参数的方式是创新性之一。首先将厄米特分解同余应用于评估矩阵，得到一个低秩降维矩阵，然后将其特征值用作参数。此方法通过仅保留数据集中的主要用户和项目来有效地处理稀疏性和可扩展性问题。\n 3.本文的一个关键创新在于使用社交网络来解决以前无法解决的问题。事实上，从活跃用户的社交网络中，可得到了可信成员（TM）集。TM集由具有高信任得分的新用户的朋友组成。信任得分是在社交网络中活跃用户的所有朋友之间使用前后向传播方法计算的。这样，计算出一个信任评分树，每个层由TM集中的高级成员组成。然后用隐藏马可夫模型（HMM）找出集合中每个观察点后面的隐藏单元。这反过来被用于最终计算在最小时间延迟下新用户的预测等级。\n 4.此外，本文提出了一个潜在的内容语义词汇语法关键字搜索方案。该方案允许将用户的兴趣与项目的元数据文件进行匹配，以便得到活跃用户感兴趣的项目。这些项目将是从中派生出适当项目的实体。因此可得到一个语境化的推荐系统。这种以客户为中心的语境使得如同形异义和同义词等问题能够解决。最后，使用基于神经网络架构的决策规则为每个新用户构建了一个知识库，这使孤立用户和有害用户可被区分出来，可以从数据集中移除，从而能够防止托攻击的问题。

关键词：冷启动问题可信算法协同过滤参数模型

来源：评论

学校读者我要写书评

暂无评论

基于社交关系与无监督学习的大数据推荐算法

引用

计算机应用与软件 2019年第5期36卷 304-310,321页

作者：李淑霞杨俊成蔡增玉河南工业职业技术学院电子信息工程学院河南南阳473000 郑州轻工业学院计算机与通信工程学院河南郑州450002

针对大数据推荐系统中推荐准确率与效率较低的问题,设计一种基于社交关系与多上下文因素的大数据推荐系统。基于活动用户的社交网络,构建一个社交关系的张量模型;通过张量分解获得用户的上下文因素;基于候选集的相似性产生一个推荐列表... 详细信息

针对大数据推荐系统中推荐准确率与效率较低的问题,设计一种基于社交关系与多上下文因素的大数据推荐系统。基于活动用户的社交网络,构建一个社交关系的张量模型;通过张量分解获得用户的上下文因素;基于候选集的相似性产生一个推荐列表。基于用户的反馈预测社交关系的范围,有效地减少推荐系统的计算量。真实数据集的实验结果证明,该算法提高了推荐系统的推荐精度,有效地缓解了稀疏性问题与冷启动问题,并且实现了较快的响应时间。

关键词：社交网络大数据推荐系统稀疏性问题冷启动问题灰羊问题

来源：评论

学校读者我要写书评

暂无评论

基于协同过滤的推荐算法研究

基于协同过滤的推荐算法研究

引用

作者：刘青文中国科学技术大学

学位级别：博士

***2.0技术将互联网带入了一个崭新的时代,互联网用户在互联网生活中发挥着越来越主动的作用,用户不再只是被动地从互联网上接受信息,而是主动地创造信息,并利用Web2.0平台与其他用户进行交互和分享。随着互联网用户的飞速增长,以用户... 详细信息

***2.0技术将互联网带入了一个崭新的时代,互联网用户在互联网生活中发挥着越来越主动的作用,用户不再只是被动地从互联网上接受信息,而是主动地创造信息,并利用Web2.0平台与其他用户进行交互和分享。随着互联网用户的飞速增长,以用户为中心的信息生产模式造成了互联网信息的爆炸式增长,人们正面临着越来越严重的“信息过载”问题。“信息过载”问题是指,人们无法从海量的信息中快速准确的定位到自己所需要的信息。目前,解决信息过载问题的技术主要分两类,第一类是以搜索引擎为代表的信息检索技术,第二类是以推荐系统为代表的信息过滤技术。两者最重要的区别在于用户通过搜索引擎获取的信息的质量的好坏在很大程度上依赖于用户对于信息求描述的准确程度,而推荐系统不需要用户提供明确的需求,而是从用户的历史行为和数据中出发,建立相关的模型从而挖掘出用户的需求和兴趣,从而以此为依据从海量的信息中为用户筛选出用户感兴趣的信息。由此可见,在用户需求不明确时,推荐系统的作用显得尤为重要。到目前为止,已经有许多推荐算法被提出,协同过滤是这些算法中应用最多且最为有效的推荐算法。虽然协同过滤算法已经被成功地应用到许多商业推荐系统中,但是仍然存在着诸如数据稀疏问题、冷启动问题等亟待解决。随着互联网的飞速发展,以微博为代表的各种社交媒体纷纷涌现,以用户为中心的社交网站产生了海量的和用户兴趣相关的数据,如何有效的利用这些数据来改进推荐算法的性能已经成为一个重要的研究领域。针对以上关键问题,本文展开了如下几个方面的研究。第一,协同过滤中相似度模型的研究。用户(项目)相似度计算是基于内存的协同过滤算法中最为关键的问题,正负标注信息不对称和数据稀疏性导致了传统的相似度模型不准确从而影响推荐精度。本文针对这两个问题,提出了基于变权重和罚函数的用户相似度模型。实验结果表明,本文提出的算法能够有效缓解上述两个问题,从而提高推荐精度。第二,融合社交网络信息的协同过滤算法研究。丰富的社交网络信息给推荐系统带来的新的机遇也提出了更大的挑战,如何有效地挖掘海量的社交网络信息以提高推荐算法的精度是社交网络推荐系统研究的核心问题。本文基于腾讯微博用户的真实社交网络信息,构建有效的用户相似度模型,并将该相似度模型与基于评价矩阵信息的用户相似度模型相结合,提出了融合社交网络信息的协同过滤算法。实验结果表明,通过融合社交网络信息,数据稀疏问题得到了明显缓解且推荐精度显著提高。第三,基于用户与基于项目的融合协同过滤算法的研究。根据不同的假设,协同算法可以分为基于用户的方法与基于项目的方法。本文研究了两种方法在推荐性能与效果上的本质差别,并在此基础上针对两种方法的优缺点进行模型融合,提出了融合基于用户和基于项目的融合协同过滤算法。实验结果表明,基于用户的方法更擅长于热门推荐而基于项目的方法更擅长于长尾推荐,本文提出的模型融合算法能有效的缓解数据稀疏问题并提高算法精度。第四,协同过滤算法中的全局模型融合与局部模型融合研究。目前存在着许多有效的协同过滤算法(例如基于内存的方法与基于模型的方法、基于用户的方法与基于项目的方法),不同的算都具有各自的优势和缺陷。本文提出了不同的方法对于不同的用户(项目)的适用程度不一致的观点。基于上述观点,本文通过机器学习的方法,自动发现用户(项目)对于各种方法的适应程度,并进行局部模型融合。实验结果表明,局部融合模型比全局融合模型具有更高的推荐精度。

关键词：推荐系统协同过滤社交网络数据稀疏问题冷启动问题用户相似度模型模型融合堆叠回归基于用户的方法基于项目的方法

来源：评论

学校读者我要写书评

暂无评论

云计算环境下混合协同过滤优化技术研究

引用

计算机应用研究 2018年第7期35卷 2079-2083页

作者：田保军杜晓娟杨浒昀苏依拉内蒙古工业大学信息工程学院呼和浩特010080

针对冷启动问题,通过K-means聚类与改进的遗传算法相结合的混合算法实现协同过滤算法中聚类模型的构建,自适应地获取聚类算法中的K值及初始聚类中心集,由新用户或新项目自身属性信息计算熵值,来对其进行归类及近邻搜索,最终实现新用户... 详细信息

针对冷启动问题,通过K-means聚类与改进的遗传算法相结合的混合算法实现协同过滤算法中聚类模型的构建,自适应地获取聚类算法中的K值及初始聚类中心集,由新用户或新项目自身属性信息计算熵值,来对其进行归类及近邻搜索,最终实现新用户和新项目的最优推荐。针对扩展性问题,利用基于云计算平台MapReduce分布式框架,完成相关算法的并行化计算。在UCI数据集上验证了用户或项目聚类模型构建的有效性,在Movie Lens数据集上,分别进行单机环境和Hadoop平台上的实验,验证了改进算法的有效性及推荐质量。

关键词：协同过滤冷启动问题聚类算法遗传算法 Hadoop

来源：评论

学校读者我要写书评

暂无评论

基于图神经网络的时序推荐研究及应用

基于图神经网络的时序推荐研究及应用

引用

作者：胡伟良广东工业大学

学位级别：硕士

随着5G技术的快速发展和大数据时代的到来，人们可以通过越来越多的途径获取数据，而且获取数据也变得越来越容易。然而，数据的快速增长也带来了信息过载问题，使人们在互联网中找到自己想要的数据变得愈加困难。推荐系统的出现极大缓... 详细信息

随着5G技术的快速发展和大数据时代的到来，人们可以通过越来越多的途径获取数据，而且获取数据也变得越来越容易。然而，数据的快速增长也带来了信息过载问题，使人们在互联网中找到自己想要的数据变得愈加困难。推荐系统的出现极大缓解了这个问题，降低了人们获取目标数据的成本，同时也让平台在个性化营销中取得了很好的效果。然而，推荐系统仍然存在一些问题，例如在利用时间语义信息、冷启动以及实时推荐等方面存在许多不足之处，严重影响推荐系统的性能和用户体验，需要进一步研究和解决。因此，本文做了以下工作：　　（1）针对时间语义信息利用不充分的问题，本文利用时空聚合方法STAM将时间信息有效地聚合到用户和项目的邻居嵌入学习中，并通过多层嵌入（embedding）传播层充分捕获高阶连通性中的协作信号，并加入自循环连接层，增加节点自身信息对嵌入的影响，最终提出一种基于时空聚合和图神经网络的推荐模型STGCN。通过与其他几个主流推荐算法在MovieLens-1M，Amazon-book，Taobao三个公开数据集上进行对比实验，结果表明在用户和项目的嵌入学习中融入时间信息，能更好地表达用户和项目的实时兴趣，提升推荐算法的性能，验证了STGCN模型的有效性和准确性。　　（2）针对推荐系统的冷启动问题，本文根据用户注册时填写的基本信息提取用户特征，并根据这些特征，通过基于内容的推荐为用户提供个性化的初始化电影推荐列表，缓解冷启动问题，提高系统的推荐效果。本文设计并实现了一个实时电影推荐平台，包含离线推荐、实时推荐、热门推荐和电影搜索等功能。其中离线推荐采用本文提出的基于时空聚合和图神经网络的推荐算法STGCN，并通过在该电影推荐平台上的部署，验证了STGCN在模拟实际应用场景下的推荐性能。实时推荐则采用基于内容的推荐方法，并提出一种融入电影年代和评分信息的电影相似度计算方法。该实时推荐方法在保证电影推荐系统的实时性的同时，还兼顾了推荐的准确性。热门推荐则采用SparkSQL对电影的评分数量及平均分进行统计推荐。最终通过系统测试，证明该系统在功能和性能上均能达到预期效果。

关键词：推荐算法协同过滤时空聚合电影推荐系统冷启动问题

来源：评论

学校读者我要写书评

暂无评论

基于社会化标签的协同过滤个性化推荐策略的研究与实现

基于社会化标签的协同过滤个性化推荐策略的研究与实现

引用

作者：李雷东北大学

学位级别：硕士

随着互联网的高速发展与普及,越来越多的内容被用户创造,互联网上的信息呈爆发式增长,人类从信息匮乏时代进入到信息过载时代,如何在信息的海洋中快速地获取有效的信息就成了一个值得研究和解决的问题。这是企业界和学术界一直关注的问... 详细信息

随着互联网的高速发展与普及,越来越多的内容被用户创造,互联网上的信息呈爆发式增长,人类从信息匮乏时代进入到信息过载时代,如何在信息的海洋中快速地获取有效的信息就成了一个值得研究和解决的问题。这是企业界和学术界一直关注的问题,目前解决这个问题比较成熟的有两种技术,即搜索技术和推荐技术,而后者就是本文的研究重点。个性化推荐技术中比较成熟而且应用最广泛的是基于协同过滤(Collaborative Filtering)思想的推荐技术。协同过滤基于这样一种思想,即兴趣偏好相同或相近的用户对同一类型或相似的资源的偏好程度相同或相近。基于协同过滤思想的推荐技术是对群体智慧的一种技术应用。社会化标签(Social Tagging)是随着以用户创造内容为主的Web 2.0时代被应用广泛的一种资源标记技术。标签系统具有简单易用、灵活丰富等特性,不仅可以准确地描述资源特征,还可以真实地表现出用户的兴趣偏好。本文所做工作：首先,调研分析了个性化推荐技术的研究现状与应用趋势,重点针对两种经典的协同过滤算法,即基于用户的协同过滤算法与基于项目的协同过滤算法,进行了研究与分析并指出了算法存在的冷启动问题、用户兴趣模型单一性问题等一系列问题：其次,基于算法存在的问题结合推荐技术在社会化电商上的实际应用,提出了基于社会化标签的协同过滤推荐算法,该算法通过将社会化标签信息融入到基本的协同过滤算法中,实现对用户兴趣偏好更深入地挖掘,从而根据用户的兴趣点产生个性化项目推荐;再次,基于提出的算法实现了基于社会化标签的个性化推荐系统设计,改善了冷启动问题与兴趣模型单一问题;最后,进行了在现实数据集MovieLens数据集上基于社会化标签的协同过滤推荐算法的实验,对实验结果对比分析的出基于社会化标签的协同过滤推荐算法推荐效果明显优于传统协同过滤推荐算法的实验结论。

关键词：协同过滤推荐系统社会化标签冷启动问题用户兴趣模型

来源：评论

学校读者我要写书评

暂无评论

基于神经注意力机制的序列化捆绑推荐模型研究

基于神经注意力机制的序列化捆绑推荐模型研究

引用

作者：邓智颖华中科技大学

学位级别：硕士

随着互联网时代的到来,每天有数以亿计的信息在网络上更新,当用户需求不明确时,如何在纷繁复杂的信息中快速找到用户所需内容成为了挑战。推荐系统不仅可以向用户推荐曾经购买过的其他类似物品,还可以通过推荐物品附件来增加用户购买量... 详细信息

随着互联网时代的到来,每天有数以亿计的信息在网络上更新,当用户需求不明确时,如何在纷繁复杂的信息中快速找到用户所需内容成为了挑战。推荐系统不仅可以向用户推荐曾经购买过的其他类似物品,还可以通过推荐物品附件来增加用户购买量,捆绑推荐相比于传统推荐更加符合用户的消费习惯及购买偏好。在捆绑推荐基础上针对捆绑包中各个物品的序列关系,综合考虑静态捆绑包及动态捆绑包,提出序列化的捆绑推荐模型。不仅考虑捆绑包间的序列关系,还考虑捆绑包中各个物品间的序列顺序,捕捉用户全局偏好的同时考虑用户的局部偏好。模型首先加入各个物品的时间潜在表征保证了捆绑包内各物品的序列顺序,利用自注意力机制将用户的交互物品进行融合,学习各物品在捆绑包内的权重分布,融合成捆绑包后加入各个捆绑包的位置信息保证了捆绑包间的序列顺序。其次利用卷积神经网络捕捉捆绑包中各物品的特征信息及捆绑包间的序列模式,捕获用户局部偏好,并将其与全局偏好相结合,可以更准确描述用户整体偏好,提升推荐准确性。此外,由于文本中包含大量语义信息,针对捆绑推荐中存在的冷启动问题,将评论信息划分为用户评论及物品评论,并通过将用户评论和物品评论分别与用户及物品的潜在表示相融合的方式来缓解冷启动问题。在亚马逊三个真实数据集上的实验结果表明了模型的有效性。通过设置不同参数与其他模型进行对比,结果表明模型在不同参数设置下仍有较好表现,所提模型在捆绑推荐中相较于现有方法有一定的改进。

关键词：序列化捆绑推荐神经注意力机制潜在表示冷启动问题

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：