检索结果-内蒙古大学图书馆

地学前缘 2019年第4期26卷 131-137页

作者：王堃屹周永章王俊张奥多余晓彤焦守涛刘心怡中山大学地球科学与工程学院广东广州510275 中山大学地球环境与地球资源研究中心广东广州510275 广东省地质过程与矿产资源探查重点实验室广东广州510275 广东高质资源环境研究院广东广州510275

推荐系统算法是大数据挖掘的重要技术之一。根据钦杭成矿带南段文地幅1∶5万地质矿产调查所获得的数据,研究选取中型银金矿床、小型银金矿床(点)、确证无银金矿床、未评价区域(针对银金矿床)、中型铅锌矿床、小型铅锌矿床(点)、确证无... 详细信息

推荐系统算法是大数据挖掘的重要技术之一。根据钦杭成矿带南段文地幅1∶5万地质矿产调查所获得的数据,研究选取中型银金矿床、小型银金矿床(点)、确证无银金矿床、未评价区域(针对银金矿床)、中型铅锌矿床、小型铅锌矿床(点)、确证无铅锌矿床、未评价区域(针对铅锌矿床)作为待预测的能动项,选取加里东期混合岩、燕山早期侵入岩、燕山晚期侵入岩、北东向断裂、北西向断裂以及Au、Ag、Pb、Zn元素作为因素项,运用基于内容的推荐系统算法,构建能动项-因素项的效用矩阵,计算已知矿床(点)与其他未评价区域之间的相似度,进而预测银金矿床和铅锌矿床潜在的找矿区域。实验结果表明,推荐系统算法能够较好地挖掘与成矿有关的信息,快速抓取出与某类矿床(点)相似的潜在成矿区域。对于银金矿床,相似度较高的区域主要分布在已知矿点周围以及北东向断裂的两侧,少量分布于叠加断裂附近。对于铅锌矿床,中型铅锌矿床的结果显示出较高的区分度,高值区基本涵盖了所有已知的铅锌矿点,小型铅锌矿床的结果更加集中。除已知矿点外,还有几处高值区可作为重点的找矿靶区。

关键词：大数据挖掘推荐系统算法效用矩阵矿床预测钦杭成矿带广西文地幅

来源：评论

学校读者我要写书评

暂无评论

推荐系统算法在生物信息学中应用的研究进展

引用

辽宁大学学报（自然科学版） 2017年第4期44卷 357-363页

作者：赵琪于海帆胡桓张力刘宏生辽宁大学数学院辽宁沈阳110036 辽宁大学生命科学院辽宁沈阳110036 辽宁省生物大分子计算模拟与信息处理工程技术研究中心辽宁沈阳110036

推荐系统算法是一种应用非常广泛的智能算法,比如对用户进行商品推荐.应用推荐系统算法,不仅节约时间,还可以节约资源.除了应用在商品推荐方面,推荐系统算法还可应用于生物信息学研究方面,比如预测长非编码RNA与疾病的关系,长非编码RNA... 详细信息

推荐系统算法是一种应用非常广泛的智能算法,比如对用户进行商品推荐.应用推荐系统算法,不仅节约时间,还可以节约资源.除了应用在商品推荐方面,推荐系统算法还可应用于生物信息学研究方面,比如预测长非编码RNA与疾病的关系,长非编码RNA与蛋白质的关系等.随着生物技术和医学研究的发展,越来越多的实验结果表明长非编码RNA与蛋白质的关系在疾病的发展过程中愈发重要.另一方面,生物实验研究不仅耗费很多资源,花费的时间也很多,而且准确性不一定高,所以发展节约资源且高效的智能算法是必然趋势.就以智能算法中的推荐系统算法为例,叙述长非编码RNA的概念以及推荐系统算法的概念,推荐系统算法的应用领域,优点与局限性;然后讨论推荐系统算法在生物信息学领域中的应用;接着详述如何用改进的二分投影推荐算法预测长非编码RNA-蛋白质相互作用关系;最后讨论推荐系统算法发展趋势.

关键词：长非编码RNA 蛋白质推荐系统算法智能算法

来源：评论

学校读者我要写书评

暂无评论

推荐系统中超参数搜索算法的实践研究

推荐系统中超参数搜索算法的实践研究

引用

作者：覃璐上海财经大学

学位级别：硕士

推荐系统是信息过载问题下所采取的解决方案,用户在面临海量的信息时如何有效地发现自己真正所需的信息是推荐系统需要解决的首要问题。好的推荐系统可以利用用户、物品的信息以及历史交互信息,为进入系统的用户返回对应的推荐列表,帮... 详细信息

推荐系统是信息过载问题下所采取的解决方案,用户在面临海量的信息时如何有效地发现自己真正所需的信息是推荐系统需要解决的首要问题。好的推荐系统可以利用用户、物品的信息以及历史交互信息,为进入系统的用户返回对应的推荐列表,帮助用户节省时间的同时满足用户需求。基于以上优势和适用场景,推荐系统在多个领域得到了广泛的应用,从电子商务平台到社交媒体,根据供应服务商的业务目标服务大众。随着推荐系统二十年来的发展,有两个研究问题急需解决:1)为满足高评估指标需求,推荐系统算法模型的结构越来越复杂,导致模型中超参数的维度扩增,若实验者不公布超参数的设置将很难复制算法模型效果;2)相较于图像识别等成熟的研究领域,推荐系统领域还处于发展的状态,缺乏一些基准模型对比的指南,使得一些新发表论文的对比实验中基准模型未得到充分的调优,在这样的实验结果下得到的新模型效果优于基准模型效果的结论是站不住脚的。上述两个问题中有个共通的解法是实现模型最佳表现的自动复原,换句话说,若能寻找每个基准模型使用哪种超参数搜索算法,能有效寻找到最佳的超参数组合,从而就能在文献缺乏相关记载时通过实验自动返回特定模型的(最)优表现效果,达成复刻实验的目的;此外,若能自动返回基准模型的最佳表现效果,那么问题二也就迎刃而解,实现推荐系统领域的公平性比较。接下来是有关于本文主要研究问题的介绍。本文首先介绍了研究内容的背景以及研究的意义,接着概括性地讲述了本文的研究内容、研究方法与研究结构,在此基础上展示了论文的主要贡献。随后根据推荐系统算法与超参数搜索算法两大类型算法的底层逻辑,将两类算法分别做了归类与文献回顾,其中将推荐系统算法领域中的模型按照技术分为基于内容的、基于协同过滤的和基于表示学习的推荐系统算法;将超参数搜索算法领域中的模型按照底层概念分为基于采样、基于贪心式、基于模型与基于超梯度的超参数搜索算法。最后从四类搜索算法中选取了现目前为止影响力较大的七种算法,分别是基于采样的超参数搜索算法中的随机搜索、Hyperband搜索和BOHB搜索,基于贪心式的模拟退火算法Anneal,基于模型的超参数搜索算法中的基于高斯过程的贝叶斯优化GPBO、TPE搜索和SMAC搜索。根据本文设定的研究目标,首先从八个与推荐系统相关的顶级会议Rec Sys、KDD、SIGIR、WWWW、IJCAI、AAAI、WSDM和CIKM中收集了141篇2017年到2021年间的文献,通过对文献实验数据集、对比基准算法与评估指标三方面的统计,加上尽可能全面地覆盖推荐系统算法领域以及数据集领域的考虑,最后挑选出k近邻Item KNN、纯奇异值分解Pure SVD、矩阵分解BPRMF、因子分解机FM、基于深度学习的Neu MF和基于图的NDCG六种推荐系统算法,以及音乐数据集Last FM、电影数据集Movie Lens-1M和评论数据集Epinions。在本文的实验部分,针对每一个数据集,结合超参数搜索算法对每一个挑选出来的推荐算法进行自动调参,再利用调试好的模型对每一个测试集上的用户生成长度为5和10的推荐列表,根据推荐列表与真实列表之间的差异返回使用特定超参数搜索得到的推荐模型在此数据集上的效果评估。根据汇总的实验数据可以发现,针对于数据集大小的区别,若数据集较小,使用简单的模型比如Item KNN、Pure SVD和BPRMF结合充分调优进行推荐便可得到较好的推荐效果;若实验数据集较大,则使用更为复杂的推荐系统模型如Neu MF和NGCF进行推荐得到的效果更好。从搜索算法的采样路径可以看出,随机搜索的样本点较为分散,基于模型的超参数搜索算法随着运行时间的推进会更加倾向于表现较好的超参数空间,而Hyperband和BOHB这两个借助提前终止的思想使其在更短地时间内采样更多的样本点。最后根据实验的评估指标汇总可以得到,Item KNN、Pure SVD、BPRMF和FM这四个推荐系统算法适合使用Anneal或TPE搜索算法调优;而结构更为复杂、资源要求更高的Neu MF和NGCF算法则更加适合使用Hyperband或BOHB搜索算法调优。此外,为保证实验的鲁棒性不推荐使用随机搜索进行调优,为保证实验中超参数数据类型的拓展性不推荐使用GPBO调优。

关键词：推荐系统算法超参数搜索算法公平性比较

来源：评论

学校读者我要写书评

暂无评论

基于有效稠密序列提取的用户评分数据增强及二值评分转换策略

引用

南京邮电大学学报（自然科学版） 2021年第6期41卷 57-65页

作者：崔北亮周小康李树青南京工业大学图书馆江苏南京210009 南京财经大学信息工程学院江苏南京210023

通过评分数值提取反映每个用户主要兴趣特征的高兴趣项目特征,并利用用户高概率感兴趣的项目内容进行评分数据填充,形成用户评分数据的有效稠密序列,并进一步按照二值视图思想进行用户评分子序列的二值评分转换。文中所提出的算法普遍... 详细信息

通过评分数值提取反映每个用户主要兴趣特征的高兴趣项目特征,并利用用户高概率感兴趣的项目内容进行评分数据填充,形成用户评分数据的有效稠密序列,并进一步按照二值视图思想进行用户评分子序列的二值评分转换。文中所提出的算法普遍优于其他对比实验算法,随着最近邻居数量的不断增加,RMSE最优值达到0.8988,准确率和F值提高最为明显,其中准确度最高提高8.66%,F值最高提高33.96%。使用基于有效稠密序列提取的用户评分数据增强策略要比传统协同过滤方法表现更为优异,并且在表达用户兴趣特征的准确性和一致性方面,使用二值评分数据方法要明显优于原始评分数据方法。

关键词：稠密序列二值视图数据增强数据稀疏推荐系统算法

来源：评论

学校读者我要写书评

暂无评论

基于本体的知识结构拓扑图的智能图书馆模型研究

引用

图书馆学研究 2012年第1期 40-44页

作者：马正华任超常州大学信息科学与工程学院常州市过程感知与互联技术重点实验室常州大学

本体、智能语义检索、可视化检索、推荐系统算法都是图书馆的智能化关键技术,这四者都与图书的知识结构有着密切的关联。基于本体的知识结构拓扑图是通过关联规则算法挖掘出来的,由领域专家确定,然后由图书本体来承载的图书知识间内在... 详细信息

本体、智能语义检索、可视化检索、推荐系统算法都是图书馆的智能化关键技术,这四者都与图书的知识结构有着密切的关联。基于本体的知识结构拓扑图是通过关联规则算法挖掘出来的,由领域专家确定,然后由图书本体来承载的图书知识间内在的修后集成的复杂关系图,将这种图书本体应用到智能图书馆中,将进一步提高智能系统的效率和可视化效果。

关键词：本体智能化检索可视化检索推荐系统算法知识结构拓扑图关联规则

来源：评论

学校读者我要写书评

暂无评论

基于用户社交网络信息的微营销渠道优化分析

引用

商业经济研究 2018年第4期 49-51页

作者：陈思静刘峥赵程程赵袁军上海工程技术大学管理学院上海201620 上海交通大学安泰经济与管理学院上海200030 东华大学旭日工商管理学院博士生上海200051

微营销渠道是微营销广告信息从发送者传向接收者经过的整个路径。由于社交网络媒体存在大量的冗余信息,采用微营销渠道将营销广告准确传递给用户变得越来越困难。为了黏住企业社交平台关注者并将他们转化为消费者,本文构建微营销渠道模... 详细信息

微营销渠道是微营销广告信息从发送者传向接收者经过的整个路径。由于社交网络媒体存在大量的冗余信息,采用微营销渠道将营销广告准确传递给用户变得越来越困难。为了黏住企业社交平台关注者并将他们转化为消费者,本文构建微营销渠道模型,并结合用户的社交网络信息,对模型进行优化。同时,采用算例分析验证优化后模型的优越性,结果表明优化后的微营销渠道模型能够在三个月内,将公司的客户流失率从10%降到8%,并将公司的营销利润提高27%。

关键词：微营销渠道优化社交网络推荐系统算法客户流失率

来源：评论

学校读者我要写书评

暂无评论

基于Wed2.0的网摘评论系统

基于Wed2.0的网摘评论系统

引用

作者：董翔复旦大学

学位级别：硕士

本文通过对web2.0应用领域和相关技术的分析，针对各种网站的评论系统的缺陷，提出了一个基于web2.

关键词： web2.0技术评论系统体系架构业务模式标签归类算法推荐系统算法模块设计

来源：评论

学校读者我要写书评

暂无评论

基于受限波兹曼机的推荐算法研究

引用

软件 2013年第12期34卷 156-159,185页

作者：陈达高升蔺志青北京邮电大学模式识别实验室北京100876

本文针对推荐系统中传统推荐算法在处理较稀疏数据效果表现不佳的问题,将一种最新的机器学习方法带入到推荐算法中,利用多层波兹曼机组成的深度结构模型与传统最近邻推荐方法相结合,形成一种新的推荐模型算法。本文还利用有限步吉布斯... 详细信息

本文针对推荐系统中传统推荐算法在处理较稀疏数据效果表现不佳的问题,将一种最新的机器学习方法带入到推荐算法中,利用多层波兹曼机组成的深度结构模型与传统最近邻推荐方法相结合,形成一种新的推荐模型算法。本文还利用有限步吉布斯采样的最小化散度差(Constrastive Divergence)方法解决了该模型的无监督训练问题,并且通过预训练和反馈微调使得模型的训练得以实现;最后利用深度结构抽取的抽象特征结合最近邻方法进行预测推荐。另外,本文利用传统基于相似度最近邻方法 ,矩阵分解方法和新模型算法在相关数据集上进行多组实验,实验结果表明该算法不仅在稀疏的数据上也表现出更好的效果,并且拥有着更快的收敛速度。

关键词：推荐系统算法受限波兹曼机深度学习吉布斯采样

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：