检索结果-内蒙古大学图书馆

作者：张婷玉厦门大学

学位级别：硕士

自互联网革命以来,伴随着经济的发展,作为文化产业中重要组成部分的动漫产业也逐渐进入大众视野。我国人口众多,文化需求也日益增高,未来动漫市场潜力广阔,具有良好的潜在经济效益。本文从动漫领域出发,立足于商业化技术中的推荐算法,... 详细信息

自互联网革命以来,伴随着经济的发展,作为文化产业中重要组成部分的动漫产业也逐渐进入大众视野。我国人口众多,文化需求也日益增高,未来动漫市场潜力广阔,具有良好的潜在经济效益。本文从动漫领域出发,立足于商业化技术中的推荐算法,分析总结动漫领域用户需求,结合现有研究存在的领域单一、忽视图像作用和伪马太效应问题,对两种基础的协同过滤算法分别进行了改进,得到本文提出的3sim-Item-CF算法和User-IIFN算法,并综合了两种算法,得到适用于动漫领域推荐的个性化综合推荐算法。在基于物品的协同过滤算法中,本文通过VGG16卷积神经网络加入了图像相似度,结合影视领域的标签属性,使用Jaccard相似系数得到标签相似度,通过选择加权因子获得加权相似度,融入更多物品信息,缓解了用户—物品矩阵的稀疏性,使用评分预测和RMSE与MAE指标,与关联算法进行对比;在基于用户的协同过滤算法中,本文考虑到动漫番剧上新的周期性和长短期动漫番剧的冷热门界定现状,在热门物品惩罚因子的基础上,加入了表示集平均评价人数的上新惩罚因子进行修正,使用TopN方式进行推荐,通过与关联算法进行精确度,召回率,覆盖度和新颖度上的指标对比,在缓解多剧集影视推荐系统存在的伪马太效应问题基础上,提高了推荐精度。最终对两种改进算法进行融合,先通过改进的基于物品的协同过滤算法填充用户—物品相似度矩阵,再通过改进的基于用户的协同过滤算法降低短期热门动漫的推荐权重,最后与非个性化推荐算法和传统协同过滤推荐算法进行对比并提出展望与不足。实证结果表明,两种算法的改进在对应的统计指标上,对比基准算法均有性能提升,提高了推荐算法的精度,适用于动漫网站的个性化推荐,同时对多剧集影视推荐算法的改进提供新思路。

关键词：协同过滤推荐算法卷积神经网络加权相似度上新惩罚因子长尾分布

来源：评论

学校读者我要写书评

暂无评论

基于深度强化学习的协同过滤推荐算法数据投毒攻击研究

基于深度强化学习的协同过滤推荐算法数据投毒攻击研究

引用

作者：范嘉昕广州大学

学位级别：硕士

随着推荐系统和协同过滤推荐算法在电商、流媒体、社交网络等在线平台的普及,其对个性化内容的准确推荐变得至关重要。而推荐系统的安全性和鲁棒性问题随之凸显,尤其是面对数据投毒攻击展现的脆弱性。在这种攻击中,恶意攻击者通过注入... 详细信息

随着推荐系统和协同过滤推荐算法在电商、流媒体、社交网络等在线平台的普及,其对个性化内容的准确推荐变得至关重要。而推荐系统的安全性和鲁棒性问题随之凸显,尤其是面对数据投毒攻击展现的脆弱性。在这种攻击中,恶意攻击者通过注入虚假用户交互数据以操纵推荐系统的输出,达到个人利益的不当获取或危害推荐系统功能的目的。目前传统的投毒攻击方法大都需要推荐系统全面的背景知识,没有考虑推荐系统的动态性和推荐算法的复杂性,在这种情况下生成的虚假用户交互数据很难突破推荐系统的防御检测机制,导致攻击效果不佳。本文的研究重点便是通过深度强化学习技术,持续动态调整攻击策略以适应推荐场景的变化,从而生成更加高效和隐蔽的虚假用户交互数据,完成针对目标项目的数据投毒攻击。本文的主要贡献和创新点包括以下三个方面: (1)在白盒环境下提出了名为DRLAttack的攻击方法,该方法基于深度强化学习技术,即深度Q网络(DQN)及其变体算法,针对目标项目通过相似性度量方法找到其相似项目,设计了新型的动作空间和奖励函数,并引入Dueling Network改进了智能体攻击策略的优化过程。此外,结合Rec Bole推荐系统库,完善了虚假用户交互数据的自动化生成过程,使DRLAttack可以动态生成高质量的虚假用户交互数据,模拟真实用户的评分或交互行为,完成针对目标项目进行推广攻击的目的。 (2)改进了DRLAttack攻击方法,使之能适用于黑盒场景。该场景下攻击者无法获得普通用户的推荐列表,在缺乏奖励信息反馈的情况下,DRLAttack通过引入间谍用户模拟训练数据集中的积极用户和不积极用户的交互行为,来间接获取目标项目的推广情况,并据此调整攻击策略。为了逃避推荐系统防御检测机制,间谍用户的数量受到限制,通过改进奖励函数的设计,把目标项目的命中率和在推荐列表中的位次进行加权求和来给智能体提供了更多的反馈信息。在此基础上,DRLAttack又引入了LSTM网络,可以捕捉虚假用户交互行为的动态变化,为智能体提供了一种更加灵活的学习机制。 (3)基于上述技术,设计了针对协同过滤推荐算法的投毒攻击系统,该系统可以选择训练数据集、推荐算法和投毒攻击方法,输入必需的攻击参数,并在后台进行训练和评估过程后,生成投毒攻击方法的攻击效果,并在前端界面进行可视化展示。

关键词：推荐系统协同过滤推荐算法数据投毒攻击深度强化学习

来源：评论

学校读者我要写书评

暂无评论

推荐系统中一种改进的协同过滤推荐算法的研究

推荐系统中一种改进的协同过滤推荐算法的研究

引用

作者：方卫华西安电子科技大学

学位级别：硕士

伴随互联网信息资源规模的迅猛增长，用户要在海量信息空间中获得符合自己需求的信息也越发困难。推荐系统作为一种智能个性化信息服务系统，为用户推荐用户感兴趣的信息资源。推荐算法是推荐系统的核心，近些年来，协同过滤技术作为迄... 详细信息

伴随互联网信息资源规模的迅猛增长，用户要在海量信息空间中获得符合自己需求的信息也越发困难。推荐系统作为一种智能个性化信息服务系统，为用户推荐用户感兴趣的信息资源。推荐算法是推荐系统的核心，近些年来，协同过滤技术作为迄今为止应用最成功的推荐技术之一，得到了研究者广泛的关注。然而，传统的协同过滤算法存在许多的问题，其中数据稀疏性问题直接影响推荐系统的推荐结果的好坏。本论文对推荐系统做了深入了解与研究，认真学习了广泛使用的协同过滤推荐算法。为了解决传统的协同过滤推荐算法的数据稀疏性问题，本文在对矩阵分解技术进行有益的探索和研究的基础上，提出了一种基于非负矩阵分解的改进的协同过滤推荐算法，并且通过模拟数据和真实数据对改进后的算法进行了性能验证。最后，本文在模拟数据集上和真实数据集上对改进后的算法进行测试，从推荐的平均绝对误差、推荐精确率和推荐召回率三个方面验证了本文所提算法的有效性，并且与传统的基于用户的协同过滤推荐算法进行对比，实验证明了本文所提算法可以有效解决数据稀疏性问题从而提高算法的推荐效果。

关键词：推荐系统数据稀疏性非负矩阵分解协同过滤推荐算法

来源：评论

学校读者我要写书评

暂无评论

基于概率矩阵分解和谱聚类的协同过滤推荐算法

基于概率矩阵分解和谱聚类的协同过滤推荐算法

引用

作者：王亮河北经贸大学

学位级别：硕士

随着大数据时代的来临,数据呈现爆炸式增长。数据不仅表现在数据量大,也呈现“数据冗余”的问题。而推荐系统能很好地从海量的数据信息中获取用户感兴趣的信息,以便更好地产生用户推荐列表。目前,推荐系统较为广泛的应用在商业领域,它... 详细信息

随着大数据时代的来临,数据呈现爆炸式增长。数据不仅表现在数据量大,也呈现“数据冗余”的问题。而推荐系统能很好地从海量的数据信息中获取用户感兴趣的信息,以便更好地产生用户推荐列表。目前,推荐系统较为广泛的应用在商业领域,它不仅能挖掘企业潜在的商业价值,也能更好地满足客户的个性化需求。协同过滤推荐算法是推荐系统中应用最基础的算法,但是也存在着三个亟待解决的问题。“稀疏性”问题,是协同过滤推荐算法中面临的主要问题之一。其原理主要是用户-项目评分矩阵较为稀疏,即只有一部分人对一部分项目进行评分,从而造成数据量较少,进而影响推荐结果的准确度。“冷启动”问题,当系统中出现新的用户或者项目时,由于系统之前并没有相关用户或者项目的记录,所以会直接导致推荐结果的不准确。“可拓展性”问题,随着新用户和项目的逐渐加入,数据量逐渐增加,系统的计算复杂度逐渐提升,现有的推荐算法能否更好的进行实时推荐也成为其面临的主要问题。针对推荐系统三大问题和更好的生成个性化推荐列表,本文的主要工作具体如下:首先,缓解“数据稀疏性”问题,本文利用概率矩阵分解填充用户-项目稀疏矩阵。本文以Movie Lens100K数据集作为实验数据集,利用概率矩阵分解、全局平局值、Slope one和非负矩阵分解四种方法进行填充稀疏矩阵,以均方误差(RMSE)作为评价指标,结果表明:概率矩阵分解的RMSE最低,为0.9177。说明用概率矩阵分解填充稀疏矩阵的效果最好,预测评分的准确率有所提升。其次,为了更好的进行个性化推荐,我们对填充好的用户-项目矩阵进行谱聚类,缩小目标用户最近邻的搜索范围,给出更为准确的近邻区间,降低搜索范围。然后,在类内进行协同过滤推荐算法,计算目标用户与其他用户之间相似度,确定最紧邻集合,在最近邻内由预测评分公式计算预测评分。最后,为了验证本文算法的效果,我们以公共数据集Movie Lens100K作为实验数据集,利用均方根误差(Root Mean Square Error)和平均绝对误差(Mean Absolute Error)作为评价指标,进行了五组实验:实验一:概率矩阵分解正则化参数λ值的确定,以RMSE为评价指标,结果表明λ=0.1时,RMSE最小,后续实验λ恒为0.1;实验二:概率矩阵分解的潜在特征数量确定,当迭代数量为50次,潜在特征数量为5;实验三:概率矩阵分解融合不同的聚类算法,比较不同聚类数量产生的结果,以MAE作为评价指标,确定最优聚类数量;实验四:比较了概率矩阵分解融合聚类算法的RMSE数值,分别是融合谱聚类算法和K-Means算法与传统协同过滤推荐算法相比较,结果表明融合谱聚类算法的RMSE值最低,表明融合谱聚类算法的效果最好,能有效的改善冷启动问题;实验五:基于上面四个实验参数的确定,输出不同近邻数下的预测评分,与基于传统的协同过滤推荐算法、未聚类的概率矩阵分解(PMF)的协同过滤和本文改进的算法(PMF＿SC)进行比较,以RMSE和MAE作为评价指标,结果表明:本文所提出的算法相比于协同过滤算法和概率矩阵分解在MAE和RMSE上有所降低,说明该算法在预测的准确率有一定提升,具有一定的参考意义。

关键词：推荐算法概率矩阵分解谱聚类协同过滤推荐算法稀疏性

来源：评论

学校读者我要写书评

暂无评论

基于协同过滤推荐算法的研究

基于协同过滤推荐算法的研究

引用

作者：葛鹏江苏科技大学

学位级别：硕士

随着互联网技术的发展,网络信息资源成指数级别增长。面对海量的信息资源,用户很难找到自己所需要的信息资源,面临着严重的信息过载问题。为了帮助用户更轻松的找到自己所需要的信息资源,推荐算法应运而生,并被广泛应用于各种推荐系统... 详细信息

随着互联网技术的发展,网络信息资源成指数级别增长。面对海量的信息资源,用户很难找到自己所需要的信息资源,面临着严重的信息过载问题。为了帮助用户更轻松的找到自己所需要的信息资源,推荐算法应运而生,并被广泛应用于各种推荐系统中。协同过滤推荐算法是目前应用最为成功的一种推荐算法。它主要依据目标用户在推荐系统中的历史行为信息,计算其余用户与目标用户之间的相似度,与目标用户最为相似的用户集将决定向目标用户推荐的信息资源。针对数据稀疏性问题,本文提出了一种基于用户评分和项目属性偏好的推荐算法。该算法改进了传统推荐算法的两个方面。一方面,从用户对项目属性偏好的角度出发,构造了基于项目属性偏好的相似度。从评分差异、评分习惯、置信度的角度出发,构造了基于项目评分的相似度。将两个相似度粗细结合,取代传统推荐算法的相似度。另一方面,改进了传统推荐算法的搜索空间。通过以项目属性偏好相似度为距离的聚类和以共同评分相似度为距离的聚类,获取两个与目标用户最相似的类,并将两个类结合起来作为最近邻集合的搜索空间。实验表明该算法一定程度上能够缓解数据的稀疏性问题,比传统的协同过滤推荐算法拥有更高的推荐精确度,更快的推荐效率。针对用户信任关系稀疏的问题,本文提出了一个扩充信任关系的方法。该方法充分考虑了多种因素对信任关系的影响,扩充了初始的信任关系。进一步将信任关系和相似度融合,并提出了基于信任相似度的协同过滤推荐算法。实验表明相比传统基于信任的推荐算法,该算法具有更高的推荐精度,更高的覆盖率。

关键词：协同过滤推荐算法项目属性信任度稀疏性问题

来源：评论

学校读者我要写书评

暂无评论

基于用户动态行为的协同过滤推荐算法研究

基于用户动态行为的协同过滤推荐算法研究

引用

作者：柳金山华中科技大学

学位级别：硕士

随着互联网服务的迅速发展,“信息爆炸”和“信息过载”促进了人性化推荐系统在电子商务、影视娱乐等服务方面的发展。人性化推荐系统通过分析收集到的用户信息来建立用户兴趣模型,根据相应的推荐算法,对用户提供个性化推荐服务。根据... 详细信息

随着互联网服务的迅速发展,“信息爆炸”和“信息过载”促进了人性化推荐系统在电子商务、影视娱乐等服务方面的发展。人性化推荐系统通过分析收集到的用户信息来建立用户兴趣模型,根据相应的推荐算法,对用户提供个性化推荐服务。根据用户对项目的历史评分记录提出准确度更高的推荐算法,是每一个推荐系统应该高度重视的内容,也是本文研究的出发点。本文的主要研究内容和创新点如下:1、对推荐系统的设计模块流程、评价指标、常见问题和目前常用的推荐算法进行了综合的介绍。通过对推荐系统的各个模块的了解和常见算法的理解分析,明确系统需要改进的地方和传统算法的优缺点。2、通过添加时间因子,提出了基于用户动态行为项目相似度的推荐算法(DIBCF)。在邻居模型的协同过滤算法中,项目相似度具有稳定的优点,本文在基于项目相似度推荐算法的基础上添加时间窗,为包含在时间窗中的项目相似度分配较高权重,从而提高推荐性能。3、通过添加时间因子,提出了基于用户动态行为SVD++的推荐算法(DSVD++)。在潜在因子模型的协同过滤算法中,目前的SVD++算法具有分析用户隐性反馈因子和用户项目特征的优点,在此基础上提出了用户评分偏差随时间变化的函数,通过准确地追踪用户的兴趣偏移,纠正推荐的评分分值,从而提高推荐性能。4、通过线性组合DIBCF和DSVD++,提出了基于用户动态行为的协同过滤推荐算法(DCF)。该算法通过结合DIBCF算法中项目相似度稳定性的优点,和DSVD++算法中用户项目特征维度与隐性反馈特征的优点,并综合时间因子的考虑,从而提高推荐的准确度。5、通过Netflix数据集进行仿真实验,并利用MPI并行运算机制仿真本文设计的算法DIBCF、DSVD++和DCF,经实验验证提出的考虑用户动态行为的协同过滤推荐算法优于其他传统算法,能够很好的提高推荐系统的预测性能。本文提出的基于用户动态行为的协同过滤推荐算法,从理论分析到实验仿真都说明了能够提高个性化推荐系统的推荐性能。

关键词：动态行为相似度隐性反馈特征维度协同过滤推荐算法

来源：评论

学校读者我要写书评

暂无评论

基于用户聚类及项目评分的混合协同过滤推荐算法研究

基于用户聚类及项目评分的混合协同过滤推荐算法研究

引用

作者：韩嫣北京邮电大学

学位级别：硕士

在互联网发展迅速的时代，用户面临着大量的信息筛选问题。尤其是在近些年电子商务的蓬勃发展时期，用户很难从海量的商品中挑选出最合适的，推荐系统的产生有效的帮助和推动了电子商务网站的技术，也提高的用户在线购买的用户体验。\n ... 详细信息

在互联网发展迅速的时代，用户面临着大量的信息筛选问题。尤其是在近些年电子商务的蓬勃发展时期，用户很难从海量的商品中挑选出最合适的，推荐系统的产生有效的帮助和推动了电子商务网站的技术，也提高的用户在线购买的用户体验。\n 目前国内外很多大型的电子商务网站使用推荐系统，该领域无论在理论和实践上都得到了很大发展，推荐系统算法的研究是其核心部分，对于推荐系统的效果和效率至关重要。推荐系统已成为独立的研究领域，被国内外的学者们逐渐重视起来。\n 推荐系统可根据不同的面向用户群体，不同的数据来源以及不同的使用场景分成多类，比较常见的有基于人口统计的推荐系统、基于内容的推荐系统和基于协同过滤的推荐系统，还可将以上方法组合为混合推荐系统。本文研究的是目前使用较为广泛的协同过滤推荐算法。尽管算法较其他几类相对成熟一些，但仍旧面临着推荐质量、数据稀疏性、冷启动和拓展性等问题。\n 因此，本文详尽的分析了协同过滤推荐算法，分析该算法所面临的挑战，在基于用户的协同过滤算法基础上，优化了传统算法的流程，并引入了用户属性的因素，预先灌入从项目角度离线计算的评分，提出了基于用户聚类及项目预评分的混合协同过滤推荐算法。首先该算法首先离线预计算项目之间的相似度，结果保存在数据库中；其次在用户的邻居形成阶段，引入了用户个人信息属性预先将用户聚类，在利用预计算项目间相似性来预测用户间评分并集中未评分的项目的相似度；最后根据用户最近邻居集合预测对每个项目的评分，产生推荐给目标用户。\n 本文通过实现新算法对改进的协同过滤算法进行了测试，验证了改进算法的合理性和有效性，从而可以有效解决用户评分数据稀疏且新用户无法推荐下传统方法表现的不足，有效地提高了电子商务推荐算法的推荐质量。

关键词：协同过滤推荐算法 K-均值聚类 Top-N推荐用户聚类项目评分

来源：评论

学校读者我要写书评

暂无评论

融合隐式信任与层次社区发现的协同过滤推荐算法

引用

武夷学院学报 2022年第12期41卷 26-32页

作者：郭磊吴清寿武夷学院数学与计算机学院福建武夷山354300 福建省茶产业大数据应用与智能化重点实验室福建武夷山354300

针对海量数据环境下,推荐算法存在的数据稀疏性与低效率的问题,提出一种融合社区结构与用户隐含信任度的协同过滤推荐算法。首先通过信任矩阵获得用户信任与被信任的非对称信任关系,依此计算用户隐含信任度,并通过隐含信任度对用户进行... 详细信息

针对海量数据环境下,推荐算法存在的数据稀疏性与低效率的问题,提出一种融合社区结构与用户隐含信任度的协同过滤推荐算法。首先通过信任矩阵获得用户信任与被信任的非对称信任关系,依此计算用户隐含信任度,并通过隐含信任度对用户进行社区划分,更准确的寻找用户间的影响力关系,最后通过社区用户的评分预测目标用户的评分并形成推荐。通过在FilmTrust数据集上验证,与对比算法比较,算法MAE和RSME值均提升4%以上,算法能够获得更好的推荐效果。

关键词：协同过滤推荐算法社区结构非对称信任隐含信任度社区用户

来源：评论

学校读者我要写书评

暂无评论

融合多因素的专家组评分协同过滤推荐算法

引用

计算机与现代化 2015年第7期 25-30页

作者：赖锦辉广东石油化工学院实验教学部计算机中心广东茂名525000

针对传统协同过滤推荐算法的不足,提出一种新的推荐算法,该算法重新诠释专家与用户的关系。首先,结合全局专业指数和局部活跃指数定义专家的条件,再选取合适的比例组成专家组,然后按照专家的判断力以及与目标用户的相异度分配评分权重,... 详细信息

针对传统协同过滤推荐算法的不足,提出一种新的推荐算法,该算法重新诠释专家与用户的关系。首先,结合全局专业指数和局部活跃指数定义专家的条件,再选取合适的比例组成专家组,然后按照专家的判断力以及与目标用户的相异度分配评分权重,最后定义预测评分选出最佳推荐,同时,专家组成员是动态变化的,其评分也各有权重,推荐的结果更贴近目标用户。因此,本算法推荐的信息利用率高,推荐的结果清晰明了,在公开数据集Group Lens和Netflix上的实验结果表明,本算法预测用户评分的准确率明显优于传统算法。

关键词：全局专业指数局部活跃指数相异度判断力协同过滤推荐算法

来源：评论

学校读者我要写书评

暂无评论

基于税收数据的协同过滤推荐算法设计与实现

引用

长沙民政职业技术学院学报 2023年第1期30卷 117-124页

作者：张作玲山东经贸职业学院山东潍坊261011

针对商品流通环节采购商与供应商信息不对称问题,采用现阶段主流的协同过滤推荐算法设计个性化推荐方案,为供应商匹配“资信良好”的采购商信息,为采购商提供“质优价廉”的供应商信息,有效沟通供求双方需求。文章首先介绍了基于税收数... 详细信息

针对商品流通环节采购商与供应商信息不对称问题,采用现阶段主流的协同过滤推荐算法设计个性化推荐方案,为供应商匹配“资信良好”的采购商信息,为采购商提供“质优价廉”的供应商信息,有效沟通供求双方需求。文章首先介绍了基于税收数据进行协同过滤推荐算法设计的必要性,然后设计了基于近邻的协同过滤推荐算法,分别论述了基于用户的协同过滤和基于物品的协同过滤;为克服数据稀疏问题,进一步设计了基于模型的协同过滤推荐算法,通过隐语义模型构建User与Item的关联,详细阐述了基于用户相似度的Incremental SVD推荐算法实现过程,丰富了个性化推荐的应用场景。

关键词：个性化推荐协同过滤推荐算法隐语义模型税收数据

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：