检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

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

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

189 篇 学位论文
149 篇 期刊文献
5 篇 会议

馆藏范围

343 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

322 篇 工学
- 300 篇 计算机科学与技术...
- 259 篇 软件工程
- 29 篇 控制科学与工程
- 11 篇 仪器科学与技术
- 5 篇 机械工程
- 3 篇 电子科学与技术（可...
- 2 篇 测绘科学与技术
- 2 篇 公安技术
- 2 篇 网络空间安全
- 1 篇 材料科学与工程（可...
- 1 篇 信息与通信工程
- 1 篇 地质资源与地质工...
- 1 篇 纺织科学与工程
- 1 篇 环境科学与工程（可...
- 1 篇 生物医学工程（可授...
- 1 篇 食品科学与工程（可...
63 篇 管理学
- 57 篇 管理科学与工程(可...
- 5 篇 图书情报与档案管...
9 篇 理学
- 4 篇 数学
- 2 篇 系统科学
- 2 篇 统计学（可授理学、...
- 1 篇 地理学
- 1 篇 大气科学
- 1 篇 生态学
4 篇 艺术学
- 2 篇 音乐与舞蹈学
3 篇 经济学
- 2 篇 应用经济学
- 1 篇 理论经济学
2 篇 法学
- 1 篇 社会学
- 1 篇 公安学
2 篇 医学
1 篇 教育学
- 1 篇 教育学
1 篇 军事学

主题

343 篇 数据稀疏性
184 篇 协同过滤
97 篇 推荐系统
34 篇 冷启动
27 篇 推荐算法
18 篇 个性化推荐
16 篇 相似度
15 篇 矩阵分解
14 篇 协同过滤算法
14 篇 深度学习
13 篇 社交网络
12 篇 聚类
9 篇 知识图谱
9 篇 协同过滤推荐算法
9 篇 用户偏好
9 篇 可扩展性
8 篇 注意力机制
8 篇 相似度计算
8 篇 电子商务
8 篇 k-means聚类

机构

17 篇 重庆邮电大学
10 篇 桂林电子科技大学
9 篇 北京邮电大学
9 篇 浙江大学
9 篇 合肥工业大学
8 篇 广东工业大学
7 篇 中国科学院大学
7 篇 重庆大学
5 篇 华中科技大学
5 篇 上海理工大学
5 篇 电子科技大学
5 篇 华南理工大学
4 篇 天津大学
4 篇 浙江工商大学
4 篇 上海交通大学
4 篇 浙江工业大学
4 篇 武汉大学
4 篇 东华大学
4 篇 江苏科技大学
4 篇 中国科学技术大学

作者

4 篇 刘建勋
3 篇 陈德人
3 篇 王巧
3 篇 胡蓉
3 篇 唐明董
3 篇 张佳
3 篇 林耀进
3 篇 张娟娟
3 篇 刘旭东
3 篇 zhang jia
3 篇 毛宜钰
3 篇 李寒芳
2 篇 王建芳
2 篇 zhao wentao
2 篇 高强
2 篇 林建辉
2 篇 林梦雷
2 篇 刘杰
2 篇 chen deren
2 篇 李伟霖

语言

341 篇 中文
2 篇 英文

检索条件"主题词=数据稀疏性"

共 343 条记录，以下是141-150 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于Spark大数据的短视频推荐系统的设计与研究

基于Spark大数据的短视频推荐系统的设计与研究

引用

作者：杨东辰南昌大学

学位级别：硕士

在当今时代,科学技术飞速发展,短视频靠着短小精悍、内容丰富、生动鲜明等特点逐渐走向了日常生活。短视频作为当今休闲娱乐的重要活动方式,为用户提供了大量精彩的内容。而面对爆发式增长的短视频资源,如何获取用户感兴趣的短视频是一... 详细信息

在当今时代,科学技术飞速发展,短视频靠着短小精悍、内容丰富、生动鲜明等特点逐渐走向了日常生活。短视频作为当今休闲娱乐的重要活动方式,为用户提供了大量精彩的内容。而面对爆发式增长的短视频资源,如何获取用户感兴趣的短视频是一个需要解决的问题,推荐系统随之应运而生。大部分短视频行业如抖音、快手、今日头条、微博、秒拍等的运营均采用了各式各样的推荐策略。推荐系统的功能在于根据用户的基本信息、喜好、浏览历史以及评分记录等,将用户感兴趣的内容呈现在用户面前。然而,短视频推荐系统事实上往往存在需要面对海量计算以及推荐算法面临的数据稀疏性问题。基于此背景,本文提出了采用Spark数据平台的方式以及一种改进协同过滤与内容推荐的短视频混合推荐算法。主要所做的工作如下:针对需要面对海量计算的问题,本文采用了Spark大数据平台来应对大规模的数据处理。Spark是与Hadoop相似的开源集群计算环境,但与Hadoop不同的是Spark可以将Hadoop集群中的应用在内存中的运行速度提升100倍,甚至能够将在磁盘上的运行速度提升10倍,有效的缓解了短视频推荐系统所面对的需要海量计算问题。针对数据稀疏性问题,有的学者提出了一种基于协同过滤与内容推荐的短视频混合推荐算法,本文将在此基础上提出一种改进协同过滤与内容推荐的短视频混合推荐算法。通过短视频的分类标签以及用户的评分历史来计算短视频之间的相似度,再预测用户-短视频评分矩阵中缺失的评分值并填充,有效的缓解了短视频推荐系统所面临的数据稀疏性问题。

关键词：大数据数据稀疏性 Spark平台混合推荐

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的新闻推荐算法研究

基于深度学习的新闻推荐算法研究

引用

作者：郭小勇重庆邮电大学

学位级别：硕士

随着公安信息化建设的发展,警务工作中收集了大量公共安全数据,而其中的新闻信息作为国家和公安机关了解社会动态和社会信息的重要窗口被高度重视。如何通过推荐算法从这些海量的新闻数据中准确地获取到需要的信息,为引导舆论方向和监... 详细信息

随着公安信息化建设的发展,警务工作中收集了大量公共安全数据,而其中的新闻信息作为国家和公安机关了解社会动态和社会信息的重要窗口被高度重视。如何通过推荐算法从这些海量的新闻数据中准确地获取到需要的信息,为引导舆论方向和监控预警舆情时间提供支持,成为了比较热门的研究方向。推荐算法作为解决信息过载的有效方法也受到了众多的关注。当前,基于内容的推荐算法因其优秀的性能成为应用最广泛的推荐算法之一,而深度学习的引入更进一步提高了推荐的精度。但是,现有推荐算法的推荐结果容易受到数据稀疏性的影响,且融合深度学习网络的方法大多又只关注了文本内容的学习,对用户行为的分析关注较少。此外,实际场景中不断新加入的新闻信息还会造成推荐系统的项目冷启动问题,这对推荐精度也造成了一定的影响。对此,本文展开了如下研究。首先,针对现有推荐算法存在数据稀疏性的问题,通过引入Skip-gram网络,提出了一种基于行为嵌入的新闻推荐模型(News Recommendation Model based on Behavior Embedding,NRMBE)。在该模型中,对用户的浏览数据先进行序列化处理,然后通过加入全局变量的形式来优化Skip-gram网络中心序列的编码方式,以此提高网络模型的学习能力,并使用改进后的Skip-gram网络来学习用户的浏览行为习惯,最后使用相似度公式计算得到目标用户的推荐序列。实验结果表明,改进的Skip-gram网络对稀疏的浏览数据的处理方式,使得推荐精度得到了一定的提升。其次,为了改善推荐中的项目冷启动问题,改进了一种基于段落嵌入的冷启动推荐模型(Cold-start Recommendation Model based on Paragraph Embedding,CRMPE)。在该改进模型中,首先利用Doc2vec网络计算出数据中原有的新闻文本与新加入的新闻文本最相似的N篇文本,然后利用为克服数据稀疏性问题而优化的Skip-gram网络计算得到这N篇文本的基于用户浏览行为的编码,并在此基础上结合数值法计算得到新文本的基于浏览行为的编码,最后通过相似度公式完成新项目的推荐。实验结果表明,融合了Doc2vec网络和改进的Skip-gram网络的冷启动推荐模型,使得推荐的准确度和覆盖率都得到了提高。最后,在上述模型基础上,设计并实现了新闻推荐原型系统。

关键词：数据稀疏性项目冷启动 Skip-gram Doc2vec

来源：评论

学校读者我要写书评

暂无评论

基于内存的协同过滤推荐算法研究

基于内存的协同过滤推荐算法研究

引用

作者：赵琴琴中国科学院大学

学位级别：硕士

随着互联网的普及和电子商务的飞速发展，网络上的商品信息严重“过载”，用户很难在大量的商品信息中找到真正需要的商品。电子商务推荐系统根据用户个人的习惯和偏好向用户推荐其有可能感兴趣的商品，它是解决商品信息“过载”问题的... 详细信息

随着互联网的普及和电子商务的飞速发展，网络上的商品信息严重“过载”，用户很难在大量的商品信息中找到真正需要的商品。电子商务推荐系统根据用户个人的习惯和偏好向用户推荐其有可能感兴趣的商品，它是解决商品信息“过载”问题的主要工具。协同过滤技术是目前电子商务推荐系统中应用最广泛，并且最成功的技术之一。它的基本思想是：用户是可以按照兴趣分类的，具有相似兴趣的用户会购买相似的商品。但是随着商品信息量和用户量的与日俱增，协同过滤推荐系统，尤其是采用基于内存的协同过滤推荐算法的协同过滤推荐系统的发展面临着严重的用户评分数据稀疏性问题。因此，论文对协同过滤技术中的基于内存的协同过滤推荐算法进行了有益的探索和研究，特别是在数据稀疏性问题上的研究。　　本论文的工作贡献如下：　　一、详尽地阐述了基于内存的协同过滤推荐算法在缓和数据稀疏性问题上的国内外研究现状。总体来讲，我们可以把这些研究现状分为两大类：一类是矩阵填充技术;一类是传递技术。矩阵填充技术首先通过某种填充策略，比如固定的缺省值、用户的平均评分、神经网络等技术，得到更多的用户评分数据，然后在这些数据的基础上应用传统的基于内存的协同过滤推荐算法对用户进行推荐。然而传递技术利用传递或者递归的思想找到更多的用户间或商品间，或用户与商品间的关系，比如利用信任度的传递寻找更多与当前用户具有相似兴趣偏好的用户，然后利用这些关系对用户进行推荐。　　二、详细介绍了两类基于内存的协同过滤推荐算法-基于用户协同过滤推荐算法和基于项目协同过滤推荐算法，并通过实验分析了采用不同相似度度量函数和不同预测评分函数时，基于内存的协同过滤推荐算法在推荐准确度方面不同的原因。最后指出在随着用户和商品信息量不断急剧增加的情况下基于内存的协同过滤推荐技术存在的缺陷，即不能很好的处理数掘稀疏性问题。　　三、针对传统的基于内存的协同过滤推荐算法在数据稀疏性问题上存在的不足，我们提出了一种改进的基于内存的协同过滤推荐算法----利用相似度传递的基于内存的的协同过滤推荐算法。该算法通过相似度传播的思想，寻找到更多、更可靠的邻居，然后在这些邻居基础上，从用户和项目两方面信息考虑对用户进行推荐。最后，采用MovieLens数据集和Yahoo音乐数据集对论文提出的算法进行了仿真实验。实验结果表明：基于内存的相似度传递的协同过滤推荐算法在推荐准确性方面优于传统的基于内存的协同过滤推荐算法。

关键词：用户推荐系统相似度传递内存管理协同过滤数据稀疏性

来源：评论

学校读者我要写书评

暂无评论

基于知识图谱的推荐算法研究

基于知识图谱的推荐算法研究

引用

作者：蔡名红黑龙江大学

学位级别：硕士

伴随着移动互联网和大数据的高速发展,互联网产生大量的数据,这些海量的数据在给我们带来丰富选择的同时,也给我们带来了信息过载的问题。推荐系统旨在根据用户和项目之间的交互历史来自动构架用户和项目的之间的联系。学术和工业界的... 详细信息

伴随着移动互联网和大数据的高速发展,互联网产生大量的数据,这些海量的数据在给我们带来丰富选择的同时,也给我们带来了信息过载的问题。推荐系统旨在根据用户和项目之间的交互历史来自动构架用户和项目的之间的联系。学术和工业界的研究表明,推荐系统能够有效解决信息过载问题,提升数据的利用率。然而传统的推荐算法受限于有限的附属信息和模型结构,无法实现理想的效果,而且非常容易受到数据稀疏的影响,尤其是冷启动问题。冷启动问题是数据稀疏问题的极端,即新加入到推荐系统的用户或者项目,由于它们不存在任何交互历史,所以传统的推荐算法无法对它们进行学习,形成推荐结果。为了解决以上问题本文引入知识图谱到推荐系统中,研究使用深度学习和图神经网络提取知识图谱丰富的语义信息辅助推荐,主要工作如下:知识感知的多关系卷积神经网络推荐算法(KAMR)。本文引入知识图谱到推荐系统,增强推荐系统的表征能力。首先KAMR根据项目,找到知识图谱上的映射实体,然后由知识图谱上的拓扑结构获取当前项目的相关实体,并使用用户向量和关系向量求解attention,以刻画用户对不同关系的偏好,再使用attention来融合相关实体的信息得到项目向量,最后将项目向量和用户进行点积得到预测概率。模型以广度优先的方式聚合与项目密切相关的语义信息,它们可以很好地缓解推荐系统数据稀疏的问题。知识感知的图神经协同过滤推荐算法(KGCF)。本文提出了知识感知的图神经协同算法(KGCF),以一种全新的方式对知识图谱上的领域信息进行编码构建信息。KGCF同时整合广度优先和深度优先聚合信息优点。然后通过用户对邻域信息的个性化权重融合领域的信息。此外通过叠加多个KGCF层,对用户的交互项目进行扩展,捕获知识图谱的高阶语义信息,强化项目的表示,同时模拟对用户的兴趣进行扩展,以减轻数据稀疏问题。知识感知的Transformer序列推荐算法(KA-Tran)。本文提出了知识感知的Transformer序列推荐算法来提取知识图谱丰富的语义信息,并从多个角度来挖掘项目之间的相关性。KA-Tran首先为序列中的每个项目的位置和知识图谱构建嵌入信息,然后将序列中项目分别通过知识提取层从知识图谱提取关于项目的语义信息并和对应的序列位置嵌入信息进行融合。最后再Transformer的作用下,在每个时间步步骤中,KA-Tran都会设法去确定和用户交互历史相关的项目,并使用它们来预测下一个潜在的交互。

关键词：推荐系统知识图谱图神经协同过滤数据稀疏性注意力机制深度学习

来源：评论

学校读者我要写书评

暂无评论

基于矩阵分解的社交推荐研究

基于矩阵分解的社交推荐研究

引用

作者：王传龙重庆邮电大学

学位级别：硕士

推荐系统是一种基于交互式评分数据的数据挖掘技术,通过深层次地挖掘显式评分数据和隐式反馈数据中具有潜在价值的信息,得到用户和物品的个性化偏好,从而预测用户对物品的喜好程度。然而,推荐技术在实际应用过程中遇到了一些瓶颈问题,... 详细信息

推荐系统是一种基于交互式评分数据的数据挖掘技术,通过深层次地挖掘显式评分数据和隐式反馈数据中具有潜在价值的信息,得到用户和物品的个性化偏好,从而预测用户对物品的喜好程度。然而,推荐技术在实际应用过程中遇到了一些瓶颈问题,比如数据冷启动,数据稀疏性和动态增量数据。众所周知,数据稀疏性是推荐系统最为常见的难题之一。推荐技术是从显式评分数据中深度挖掘出用户的兴趣偏好并进行有效合理的推荐。然而,由于评分数据的缺失,推荐模型不能最大化地学习用户的兴趣特征,导致评分预测值与真实值存在很大的偏差,从而降低了推荐准确率。针对数据稀疏性问题,本文开展了一系列的相关研究工作,主要内容如下:1.为了缓解数据稀疏性,本文除了对显式评分数据进行数据挖掘以外,还为推荐模型引入了隐式反馈信息,如社交信息。由于社交用户的兴趣共享性,模型能够深层次地学习用户的兴趣偏好。本文利用矩阵分解将显式评分信息和社交信息分别投影到相应的低维特征空间,生成了用户的兴趣偏好和物品的个性化特征并为用户进行推荐。2.针对模型的准确性,本文在显隐式信息的基础上提出了多种推荐策略,其中包括基于矩阵分解的推荐、基于用户的推荐和基于物品的推荐。这三种推荐策略分别从用户和物品的潜在因子、用户的社交因子、物品的特征因子的角度进行推荐。在对显隐式信息进行矩阵分解的同时,本文将这三种推荐策略融合成统一的预测评分机制,共同学习出用户的兴趣偏好和物品的特征。这种方法有利于改善推荐模型的预测准确性。3.为了充分地挖掘社交网络信息,本文基于用户行为的方法学习社交用户的个性化偏好并使用特征向量来表示。接着,利用社交用户的兴趣差异性衡量用户之间的社交关系度,其代表了社交用户之间的兴趣相似性。最后,将细粒度化的社交信息作为隐式信息嵌入到矩阵分解中,进一步地学习用户的个性化偏好,提高了预测准确性。

关键词：推荐系统数据稀疏性矩阵分解社交网络协同推荐

来源：评论

学校读者我要写书评

暂无评论

基于粗糙集和注意力的协同过滤推荐方法研究

基于粗糙集和注意力的协同过滤推荐方法研究

引用

作者：刘笑笑太原理工大学

学位级别：硕士

随着互联网技术的迅猛发展,衍生了海量网络数据资源,信息过载问题愈发严重,如何高效获取有用信息成为当今社会的热点关注问题。推荐系统能够有效过滤不相关信息,主动为用户推荐符合其兴趣或需求的内容,缓解了信息过载问题对用户造成的... 详细信息

随着互联网技术的迅猛发展,衍生了海量网络数据资源,信息过载问题愈发严重,如何高效获取有用信息成为当今社会的热点关注问题。推荐系统能够有效过滤不相关信息,主动为用户推荐符合其兴趣或需求的内容,缓解了信息过载问题对用户造成的困扰。目前,主流的推荐算法是协同过滤技术,它通过从用户历史行为信息中挖掘用户偏好进行推荐,但评分数据稀疏性和冷启动问题一直制约着协同过滤技术的发展。为解决上述问题,提升推荐准确性,本文从两个方面展开了研究,一方面添加评论文本作为辅助信息,通过充分挖掘评论文本来全面刻画用户偏好和商品属性特征,进而提升推荐质量;另一方面将稀疏的评分矩阵看作是不完备信息系统,利用粗糙集在处理在不完备数据上的优势,有效填补缺失评分值,从而改善数据稀疏性。具体的工作体现在三个方面: (1)提出了一种融合双重注意力机制的深度推荐模型(MSDA)。该模型在基于矩阵分解的协同过滤推荐算法中引入了评论文本信息,首先采用卷积神经网络提取评论文本特征,然后为学习有用性评论下用户-商品特征之间的相关性,先后设计了评论级别的注意力机制和共同注意力机制;最后,为全面刻画用户偏好和商品属性特征,将评论潜在特征与矩阵分解得到的评分潜在特征相融合,并利用神经因子分解机建模复杂的用户-商品评分行为,以实现评分预测。实验结果表明,相比于NARRE、HRDR等基准方法,MSDA能有效挖掘评论文本信息提升推荐质量。 (2)提出了一种基于粗糙集的不完备混合信息系统填补算法(HIRS)。首先,为避免决策规则冲突,该算法优先填补决策属性缺失值,并将填补后的决策属性作为等价关系来划分信息系统;其次,为提高样本在混合属性下的相似度量准确性,从定性和定量角度对属性进行了细分,并针对不同类型属性定义了相应的距离度量方式;最后,结合k近邻思想填补缺失条件属性值,从而得到完备化的信息系统。实验结果表明,相比于ROUSTIDA、RSHISMIA等基准方法,HIRS的填补性能得到了显著提升。 (3)在前两个工作的基础上,结合评论文本和粗糙集理论在缓解数据稀疏性上的优势,提出了一种基于粗糙集的协同过滤推荐模型(MSDA-RS)。该模型首先结合K-means++算法和改进的HIRS-SM算法对原始稀疏的评分矩阵进行缺失值填补,得到稠密的评分矩阵;然后,将稀疏性处理后的稠密评分矩阵输入到第一个工作提出的推荐算法中,与评论文本一起进行深度建模,最终输出评分预测值。实验结果表明,相比于MSDA模型,MSDA-RS的评分预测性能进一步得到了显著提升,充分验证了本文所提方法的有效性。

关键词：协同过滤数据稀疏性评论文本注意力机制粗糙集评分预测

来源：评论

学校读者我要写书评

暂无评论

基于评论和评分数据的推荐系统研究

基于评论和评分数据的推荐系统研究

引用

作者：吴晓桐山东科技大学

学位级别：硕士

信息技术的飞速发展,让人类真正迈入了大数据时代,这个时代在给我们提供巨大便利的同时,也带来了“信息过载”的问题。为了解决这一难题,研究人员提出诸多方案,其中,推荐系统是解决这一问题的重要方法。它可以将不同的用户和项目联系起... 详细信息

信息技术的飞速发展,让人类真正迈入了大数据时代,这个时代在给我们提供巨大便利的同时,也带来了“信息过载”的问题。为了解决这一难题,研究人员提出诸多方案,其中,推荐系统是解决这一问题的重要方法。它可以将不同的用户和项目联系起来,不仅可以将项目高效推荐给用户,还可以使用户轻松发现自己感兴趣的物品。但是在推荐系统中,历史评分数据的缺失造成的数据稀疏性一直制约着推荐系统的发展。随着电子商务技术发展成熟,平台和用户的交互越来越多,用户开始对物品或服务等发表评论,而这些评论比评分更加能体现用户的个性化需求以及用户对物品的偏好。因此,本文提出了基于评论和评分数据的推荐系统研究方法。具体来说,可以分为以下两个工作:（1）提出了基于评论数据的社交矩阵分解模型ReTOMF,改善评分数据不足带来的稀疏性问题。缺少历史评分数据会造成冷启动问题,导致推荐质量不佳。本文使用丰富的评论数据,使用主题模型对文档建模,挖掘用户之间和项目之间的隐式邻居关系,并集成到社交推荐框架中。过去的推荐系统中,项目之间保持独立,但项目之间也应有相应联系,所以本文对项目之间也建立社交关系。当用户在购买不熟悉的物品时会选择查看评论等信息用来判断物品的价值,所以在模型中加入项目信誉,提高推荐的精确度。（2）提出了基于评论数据情感特征的推荐模型ReTFGM,用来挖掘用户对项目的情感特征。首先,利用主题模型计算每个文档的主题分布,并用评分数据建立用户评论态度,因为评分数据可以看做是评论文本所具有的情感的数值化体现,利用用户评论态度改进主题分布,形成新的用户偏好,用以计算用户之间的相似度,并称之为信任度。其次,为了弥补共同评论数据不足导致的信任度低的问题,提出了用户声誉的概念,利用用户和其朋友的相似度以及用户的评分偏差计算用户声誉,并作为信任值计算的一部分,通过信任值的大小为目标用户找到邻居集并集成到基于信任传播的矩阵分解技术中。最后,为了更好地改进模型提升推荐系统的准确性,在模型中加入了用户和项目的个性化特征即用户的评分偏好和项目信誉。

关键词：推荐系统数据稀疏性评论数据情感特征用户相似度

来源：评论

学校读者我要写书评

暂无评论

基于协同过滤的个性化推荐算法研究

基于协同过滤的个性化推荐算法研究

引用

作者：赵维浙江工业大学

学位级别：硕士

在网民覆盖率日益攀高的今天，互联网俨然成为了一个大型的信息交互平台，人们每天都在互联网上不断地创造和分享信息，随之而来的“信息过载”问题也越来越严重：如何从纷繁复杂的信息中找到感兴趣的信息？人们熟知的搜索引擎如Baidu、... 详细信息

在网民覆盖率日益攀高的今天，互联网俨然成为了一个大型的信息交互平台，人们每天都在互联网上不断地创造和分享信息，随之而来的“信息过载”问题也越来越严重：如何从纷繁复杂的信息中找到感兴趣的信息？人们熟知的搜索引擎如Baidu、Google等对于用户主动且明确的需求给予了很好的支持，然而很多时候用户的需求是模糊和被动的，此时的搜索引擎不再能满足人们的需求。个性化推荐系统在对用户历史行为数据进行分析的基础上，利用相关推荐技术对用户的需求和兴趣进行挖掘、对信息进行过滤和筛选，最后产生推荐。在用户需求是模糊和被动的情况下个性化推荐系统的作用显得更加有效。\n 推荐算法是个性化推荐系统的核心，随着大数据时代的来临，如何有效利用数据来改进推荐算法性能已经成为一个重要的研究领域。到目前为止，主流的推荐方法主要有基于协同过滤的推荐方法、基于内容的推荐方法和基于知识的推荐方法等，其中基于协同过滤的推荐方法是最为行之有效的，并大量应用于电子商务网站之中。尽管如此，和许多推荐方法一样，基于协同过滤的推荐方法依然面临着数据稀疏性问题、冷启动问题等亟待解决的问题。鉴于此，本文作了相关研究和分析，改进了协同过滤算法性能，并从一定程度上缓解了数据稀疏性问题，其主要工作内容和创新点如下：\n 1.研究和分析了现有的主流推荐算法，指出了各自的优势和不足，为后面算法的改进提供了理论基础。\n 2.对基于用户邻域的推荐算法进行研究，通过改变不同用户群体的权重因子、利用时间上下文信息和“惩罚”热门物品等方法改进了相似度模型以改进算法，并采用最小二乘法对算法进行融合。实验结果表明，和传统的利用皮尔森相似度的基于用户邻域的算法相比，改进和融合后的算法推荐精度有所提高。\n 3.对基于矩阵奇异值分解的推荐算法进行研究，通过利用时间上下文信息和引入相似度信息等方法对算法进行改进，并采用最小二乘法对算法进行融合。实验结果表明，改进和融合后的算法和传统的基于矩阵奇异值分解的方法相比算法精度有所提高。\n 4.针对数据稀疏性问题，通过把用户信任度引入基于随机游走的PersonalRank算法来改进算法。实验结果表明，和基于随机游走的PersonalRank算法相比，改进后的算法在有效缓解数据稀疏性问题的同时提高算法精度和算法稳定性。

关键词：协同过滤个性化推荐算法数据稀疏性奇异值分解

来源：评论

学校读者我要写书评

暂无评论

融合信任关系的协同过滤算法改进研究

融合信任关系的协同过滤算法改进研究

引用

作者：王艳北京交通大学

学位级别：硕士

随着Web2.0、移动互联网等技术的崛起,人们获取信息的方式发生了巨大的改变,信息化已经日益深入。互联网上的信息迅速增长,人们进入了大数据时代。对于信息消费者而言,如何在海量的信息数据中找到自己感兴趣的、对自己有价值的信息变得... 详细信息

随着Web2.0、移动互联网等技术的崛起,人们获取信息的方式发生了巨大的改变,信息化已经日益深入。互联网上的信息迅速增长,人们进入了大数据时代。对于信息消费者而言,如何在海量的信息数据中找到自己感兴趣的、对自己有价值的信息变得越来越困难,另一方面也让网络中大量的信息无人问津变成长尾沉默使信息利用率降低。在此需求的推动下,推荐系统应用而生[1],它可以通过分析用户历史行为数据,运用数据挖掘的相关技术预测用户的兴趣爱好,主动向用户推送信息。目前推荐系统已被广泛应用于各个领域。此外,近几年社交网络发展十分迅速,它将现实生活中的人们通过网络联系在一起。人们可以在网络上交换信息,将这些信息应用到推荐过程中,在很大程度上弥补推荐算法的不足。本文充分挖掘社会网络中用户之间的关系,结合传统推荐算法预测用户对服务项目的评分,提高推荐的质量和可靠性。本文的主要研究工作如下:(1)在用户评分数据极端稀疏的情况下,传统的用户相似度计算方法存在弊端,导致推荐系统的推荐质量急剧下降。本文使用局部相似度的概念,引入重叠度因子修正用户局部相似度,然后将修正的局部相似度相加得到用户全局相似度。改进的用户相似度算法避免了传统方法中共同评分项目数据稀少但评分非常相似、用户相似度较高的不合理现象。(2)传统协同过滤算法将用户间的相似度作为最终权重,生成邻居用户,没有考虑到用户间的信任关系对推荐结果的影响,本文认为用户间的信任关系也可以作为推荐的权重,生成邻居用户进而进行推荐。针对传统协同过滤算法中存在的数据稀疏性问题,本文提出了信任关系传递规则,在一定程度上缓解了上述问题。(3)传统的协同过滤算法仅仅依靠用户-项目评分数据进行推荐,没有考虑到用户评分信息过期的问题,越早的评分信息价值越低,越晚的评分信息价值越高。为了更准确的对未评分项目进行预测,本文在评分预测阶段引入时间权重函数,以此来提高推荐的质量。最后,为了验证本文提出的融合信任关系的协同过滤算法(STCF)的有效性,采用MovieLens数据集进行仿真实验,实验的结果表明本文提出的算法比传统的协同过滤算法准确度更高。

关键词：协同过滤数据稀疏性信任度相似度信息过期

来源：评论

学校读者我要写书评

暂无评论

基于协同过滤技术的视频推荐方法研究

基于协同过滤技术的视频推荐方法研究

引用

作者：周立寒江苏科技大学

学位级别：硕士

智能互联网技术带来的信息变革重塑着传统视频服务行业。互联网是人类生活的一个重要部分,随着其技术的不断发展,海量视频资源不断充斥着人类生活。人们很难从如此大数据量的视频中获取想要的信息,这就导致了信息爆炸现象。为解决这种... 详细信息

智能互联网技术带来的信息变革重塑着传统视频服务行业。互联网是人类生活的一个重要部分,随着其技术的不断发展,海量视频资源不断充斥着人类生活。人们很难从如此大数据量的视频中获取想要的信息,这就导致了信息爆炸现象。为解决这种信息过载问题,视频服务平台引入推荐系统模块。推荐技术的出现,极大地促进用户与信息服务平台的交互,提升用户粘滞性。在基本的推荐算法中,协同过滤算法是基于一种群体智慧的思想,能够在用户基础上实现个性化需求。然而,传统协同过滤算法仍有其缺陷,面临着数据极度稀疏以及用户兴趣偏移等问题。此外,随着用户与视频资源的迅速增多,该问题会更加严重。在结合上述背景的情况下,本文所做工作主要包含如下几点:(1)针对用户评分稀疏问题,本文引入用户对视频类别的偏好信息。根据用户原评分数据和视频与类别间的对应关系来构造类别偏好矩阵,对数据进行有效降维。在此基础上,考虑用户显式评分信息和用户与类别间的隐含意义,加权计算评分矩阵与类别偏好上的用户相似度。同时,为了提高计算过程中近邻的搜索效率,在类别偏好矩阵中引入基于最小生成树的K均值算法,得到目标用户所在簇类,并将其作为目标用户近邻集合的搜索空间。(2)针对用户偏好偏移的问题,在遗忘曲线规律启发下,引入时间权重函数。评分时间距现在越久,则权重越小。在这种思想下,对原评分预测公式进行改进。最后,将引入时间权重后的算法与基于类别偏好的协同过滤算法相结合得到新的融合时间权重函数的混合协同过滤算法。(3)为验证改进算法的性能,在Movie Lens数据集上进行多次实验验证并分析。实验结果表明,对比传统协同过滤,本文提出的融合时间权重函数的混合协同过滤算法能够一定程度上缓解稀疏性问题,提高推荐准确性。(4)在前文研究及实验基础上,搭建一个视频推荐系统,用以验证改进算法在实际应用中的有效性。

关键词：视频推荐协同过滤数据稀疏性类别偏好时间权重

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

全选清除本页清除全部题录导出标记到“检索档案”

共35页 << < 11 12 13 14 15 16 17 18 19 20 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

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：