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161-170 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：

基于深度学习的稀疏序列推荐模型的研究

基于深度学习的稀疏序列推荐模型的研究

引用

作者：王恒霞黑龙江大学

学位级别：硕士

序列推荐根据历史交互动态建模用户行为,并由于其出色表现受到越来越多的关注。现有序列推荐主流方法包括Transformer和图卷积,虽然取得了很大的进展,提高了推荐的准确性。但是当前推荐系统的数据集普遍稀疏,表现欠佳,破坏了对序列推荐... 详细信息

序列推荐根据历史交互动态建模用户行为,并由于其出色表现受到越来越多的关注。现有序列推荐主流方法包括Transformer和图卷积,虽然取得了很大的进展,提高了推荐的准确性。但是当前推荐系统的数据集普遍稀疏,表现欠佳,破坏了对序列推荐的建模能力,导致推荐的准确性和效果受到影响。而数据稀疏性在推荐中普遍存在。数据稀疏性是指数据中的有效数据很少,数据分布稀疏。如今推荐系统规模越来越大,用户和项目数目巨大,但交互却很少,数据稀疏性始终影响推荐表现。在这种情况下,模型很难准确地捕捉用户的偏好,难以对稀疏数据建模,难以在稀疏数据上学习高质量的项目表示,推荐面临着巨大的挑战。因此,本文研究稀疏数据的序列推荐模型。针对上述挑战,本文提出三种基于深度学习的序列推荐模型: (1)基于交互和意图对比学习的稀疏序列推荐ICSSR:在序列推荐中同时从用户和项目角度分别采用对比学习和辅助意图来有效捕捉用户长期偏好。首先,本文从众多辅助信息中选取意图信息学习意图表示,意图信息采用卖家和项目分类作为辅助信息,弥补当前序列推荐因数据稀疏性导致只关注近期项目的不足。其次,本文对历史交互和辅助意图同时进行随机数据增强,分别从两个不同层面进行有效编码。最后,本文采取多任务训练策略,通过参数、结构共享,联合优化推荐。总的来说,本文是将对比学习和辅助意图在序列推荐中有机结合的一次尝试,本模型在两个数据集上进行实验,证明ICSSR模型的有效性。 (2)基于多重偏好的稀疏序列推荐MRSSR:交互序列之间的相关性作为监督信号来指导用户偏好的提取和表示。在序列推荐中识别不同交互序列之间的共同偏好和独特偏好,从而获得更好的偏好表示。该模型在基于双向Transformer的序列推荐模型BERT4Rec的基础上,加入了偏好预处理,提取多个用户偏好。偏好预处理包括偏好识别、偏好分离、偏好重组,它通过在每个序列的开头连接一些特殊标记来提取多个用户偏好,旨在挖掘不同交互序列之间项目之间的相关性。本文在两个基准数据集上进行了实验,具有偏好预处理的MRSSR在两个数据集上显著优于最先进的基线。 (3)基于位置时间意图增强的稀疏序列推荐PTSSR:在序列推荐中统一建模用户和项目的时间动态来显式编码用户和项目之间的高阶信息。该模型构建用户和项目交互的二部图,并设计包含时间和序列信息的特定图卷积,通过集成用户最近与之交互的项目的隐藏特征来表达用户嵌入。在图卷积操作中提出自注意力聚合器,同时对用户和项目的序列模式进行建模,以学习用户和项目在每个时刻的动态嵌入。对用户-项目二部图进行多层图卷积,以学习每个节点的协作信号和连续两阶连接之间的关系。在两个数据集上的实验结果表明,PTSSR优于最先进方法。

关键词：序列推荐数据稀疏性 Transformer 图卷积自监督学习

来源：评论

学校读者我要写书评

暂无评论

基于协同过滤的视频推荐系统研究与实现

基于协同过滤的视频推荐系统研究与实现

引用

作者：浦艺钟江苏科技大学

学位级别：硕士

近年来计算机技术蓬勃发展,由此带动的信息技术革新也再次定义了传统视频行业。由于网络信息在人类日常生活中占据了巨大的比重,同时伴随着网络科技发展日新月异,人们的日常生活日益被大量视频资源占据。需要在具有海量信息量的视频中... 详细信息

近年来计算机技术蓬勃发展,由此带动的信息技术革新也再次定义了传统视频行业。由于网络信息在人类日常生活中占据了巨大的比重,同时伴随着网络科技发展日新月异,人们的日常生活日益被大量视频资源占据。需要在具有海量信息量的视频中获得有价值的信息往往十分麻烦,由此产生了信息过载问题。为了克服信息过载的技术难题,各大视频网站研发了推荐系统模块。推荐技术的诞生,在极大程度上提升了个人用户和视频服务平台的互动性,从而增加了网站用户黏性。传统推荐算法中,协同过滤算法是一个体现了群体智慧的设计思想,可以通过相似用户或者相似物品进行个性化推荐。然而,传统协同过滤算法仍然有不少局限性,面临着数据极度稀疏以及用户兴趣偏移等问题。与此同时,随着用户与视频资源的爆炸性增长,这个问题会越发严峻。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)为解决用户-视频评分矩阵稀疏问题,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类别间的对应关系来构造用户-视频标签矩阵,对原评分矩阵数据进行有效降维。为了提高计算过程中最近邻居的搜索效率,对用户-视频标签矩阵中采用K均值聚类算法,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)为解决用户兴趣偏移的问题,在遗忘曲线规律启发下,引入时间权重函数,对原评分预测公式进行改进。使得时间过去越久的评分权重越小。最后,将引入时间权重后的算法与融合视频类别标签的协同过滤算法相结合得到新的融合时间权重函数的协同过滤算法。(3)为验证改进算法的性能,在MovieLens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)在前文研究成果和实践的基础上,搭建了一个简单的视频推荐系统,用于检验本文提出的改进算法在现实应用中的有效性。

关键词：视频推荐协同过滤数据稀疏性视频标签时间权重

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的混合协同过滤推荐算法的研究与应用

基于深度学习的混合协同过滤推荐算法的研究与应用

引用

作者：胡杨江苏大学

学位级别：硕士

互联网技术的飞速发展极大地改变民众的生活,与此同时也带来数据规模的激增,提高用户准确快速地找到目标信息的难度。搜索引擎在一定程度上缓解了“信息过载”的问题,但是依旧无法满足民众变幻无常的需求,因此便产生推荐系统。推荐系统... 详细信息

互联网技术的飞速发展极大地改变民众的生活,与此同时也带来数据规模的激增,提高用户准确快速地找到目标信息的难度。搜索引擎在一定程度上缓解了“信息过载”的问题,但是依旧无法满足民众变幻无常的需求,因此便产生推荐系统。推荐系统已普遍应用于各行各业,一个好的推荐算法可以极大地提高企业的收入,提升用户的满意度。然而,现有的推荐算法饱受数据稀疏性、冷启动、推荐的解释性等问题的困扰,导致推荐精度较低,用户体验度较差。随着深度学习技术的蓬勃发展,将推荐算法与深度学习技术融合解决上述问题成为新的发展趋势。本文针对冷启动问题与数据稀疏性问题,综合分析现有研究的不足,并尝试将深度学习与协同过滤相结合进行混合推荐,充分利用物品属性、评论文本等辅助信息,以缓解上述问题带来的精度下降现象。本文的主要研究工作如下:(1)提出一种面向完全冷启动的深度混合协同过滤推荐算法。该算法设计一种将机器学习与协同过滤结合的通用框架,为充分挖掘物品属性,使用深度降噪自编码器学习物品的隐特征,替换物品因子。针对冷启动特性,根据学习到的隐特征,引入安全的S4VM算法初步预测新物品的评分,结合改进的考虑时间因素与实际情形的LFM模型,最终产生预测评分。通过理论分析与实验,表明该算法能够有效应对新物品的冷启动问题,提高推荐的解释性。(2)针对数据稀疏性问题,基于现有的深度合作神经网络,提出一种基于注意力机制的并行网络推荐算法。该算法考虑词序问题,使用两个并行的卷积神经网络同时对用户的评论文本与物品的描述信息建模。针对长文本中单词的重要性,设计一种基于注意力机制的池化算法,并应用于并行的CNN中。最终通过一个共享结构关联两个并行网络,使用因式分解进行预测评分。实验结果证实,该算法通过挖掘评论文本与描述信息,很大程度上解决了数据稀疏性问题,MAE与RMSE误差较经典算法降低约12%。(3)设计并实现一个电商原型系统,将上述两个算法封装成通用的推荐模块,以当今流行的微服务的形式应用其中,同时结合系统实际辅以相似推荐,提高用户的体验度与满意度。

关键词：推荐系统深度学习冷启动数据稀疏性混合推荐

来源：评论

学校读者我要写书评

暂无评论

电子商务个性化推荐系统中协同过滤算法的研究

电子商务个性化推荐系统中协同过滤算法的研究

引用

作者：高翔南京航空航天大学

学位级别：硕士

随着互联网的普及,人们在海量的各类信息资源中很难找到自己需要的信息,往往会陷入信息过载的困境。在这样一个大背景下,个性化推荐系统应运而生。个性化推荐系统可以根据已有的用户信息,向目标用户推荐其可能感兴趣的信息,可以帮助用... 详细信息

随着互联网的普及,人们在海量的各类信息资源中很难找到自己需要的信息,往往会陷入信息过载的困境。在这样一个大背景下,个性化推荐系统应运而生。个性化推荐系统可以根据已有的用户信息,向目标用户推荐其可能感兴趣的信息,可以帮助用户更方便、更快速地找到所需的信息。而协同过滤技术是个性化推荐系统中使用最广泛和应用最成功的技术之一,对它进行研究在理论和应用上都有非常重要的意义。本文首先对个性化推荐系统的基本知识以及主流推荐技术进行研究,然后分析了协同过滤推荐技术中应用最广泛的基于用户和基于项目的协同过滤算法,接着引出这两种协同过滤推荐算法的瓶颈问题:数据稀疏性、冷启动、扩展性问题,并总结了几种解决方法。本文分别从两个方面针对基于用户协同过滤算法进行改进,针对数据稀疏性的瓶颈问题提出了改进算法ICF-AD:其一是通过关联分析对用户-项目评分矩阵进行项目之间关联关系的挖掘,并利用关联关联对用户未评分项目进行预测评分,以实现对用户-项目评分矩阵补值的目的,降低数据稀疏性;其二是提出“领域”的概念,在领域内计算用户之间的相似性,既保证了相似度计算的可靠性,又降低了算法的复杂度,提高了算法性能。本文不仅对改进算法ICF-AD进行了理论分析,阐述其可行性,而且给出了改进算法在标准数据集上的实验结果,并对ICF-AD与其他两种基于用户的协同过滤算法进行了相关性能的比较分析。实验表明,改进的算法ICF-AD不仅能够有效缓解数据稀疏性问题,并且提高了算法性能,推荐质量得到了增强。

关键词：个性化推荐协同过滤改进算法关联分析数据稀疏性

来源：评论

学校读者我要写书评

暂无评论

基于LBSN的地点推荐算法研究

基于LBSN的地点推荐算法研究

引用

作者：邱丹晖合肥工业大学

学位级别：硕士

随着社交网络与定位技术的发展,基于位置的社交网络规模越来越大。人们可以在基于位置的社交网络中与朋友联系、探索有趣的地点并以签到的方式分享他们的地点和经历。随着签到数据的大规模增长,数据的价值也越来越大。如何从这庞大的数... 详细信息

随着社交网络与定位技术的发展,基于位置的社交网络规模越来越大。人们可以在基于位置的社交网络中与朋友联系、探索有趣的地点并以签到的方式分享他们的地点和经历。随着签到数据的大规模增长,数据的价值也越来越大。如何从这庞大的数据中,筛选出有价值的信息,为用户提供个性化的推荐成为了学者们研究的重点。其中根据用户历史的签到数据,向用户推荐感兴趣的地点是一个热门的研究方向。本文对地点推荐的相关算法展开研究,发现之前很多基于LBSN的协同过滤算法并没有考虑用户的当前位置。因此,无论用户在哪里,推荐算法都会向用户推荐相同的地点,这就会造成推荐的地点离用户的当前位置十分的远。考虑这样的一种场景,用户离开他的居住区域,到一个很远的地方旅行。依据之前不考虑用户当前位置的推荐算法,给用户推荐的地点将靠近他的居住区域。因为用户的历史签到数据在居住区域附近,基于用户的协同过滤算法给出的推荐地点也会靠近用户的居住区域,而不会推荐用户旅行地点附近的地点。由于时空的限制,远离用户当前位置的推荐地点是没有实际意义。本文针对这个问题展开了深入的研究,从用户相似性、社交因素、地理因素三个方面来改善基于用户的协同过滤算法,提出了一种距离自适应的算法。这个算法有两个简单但很重要的特征。1)算法会根据推荐地点和用户当前位置的距离过滤掉很远的候选地点。2)算法将时间因素融入了用户相似性的计算,将好友熟识度融入了社交因素。本文使用Foursquare中的数据集,对改进算法与其他推荐算法做了对比分析,验证了改进算法的可行性。实验结果表明,改进算法的在一定程度上提高了推荐的效果。

关键词：基于位置的社交网络地点推荐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

基于多视图的雾霾数据分析方法

基于多视图的雾霾数据分析方法

引用

作者：吴铭浙江大学

学位级别：硕士

随着我国现代化进程的推进,国民对自身的生活环境要求也与日剧增,而作为公众关注的雾霾问题首当其冲。PM2.5作为研究雾霾影响的重要监测指标,基于地面的监测站点能够提供精确的雾霾监测值但数量却相当有限。基于卫星大面积的气溶胶浓度... 详细信息

随着我国现代化进程的推进,国民对自身的生活环境要求也与日剧增,而作为公众关注的雾霾问题首当其冲。PM2.5作为研究雾霾影响的重要监测指标,基于地面的监测站点能够提供精确的雾霾监测值但数量却相当有限。基于卫星大面积的气溶胶浓度观测数据,可以有效地给予大范围雾霾形成和预测研究提供海量的数据支持,但是由于卫星的周期性运动造成数据的不完整和大气层及地形地貌影响数据获取的准确性,使得基于卫星的观测数据质量较低。针对上述雾霾分析应用中的数据稀疏性问题,我们围绕多视图的方法研究以下几个方面的内容:首先,我们根据卫星监测得到的气溶胶浓度来拟合该地的PM2.5值以此来解决雾霾观测数据的地域覆盖不全;其次,获取不同卫星设备监测到的数据结合多视图学习模型融合多数据源数据在不补全数据的情况下提高拟合后PM2.5数据的准确性;最后,采用以python为主的技术栈实现原始数据的自动获取和天地一体空气质量监测展示系统,极大地提高开发的效率和数据可视化呈现效果,易于实验和操作。实验结果表明,本文采用的雾霾预测模型在合成数据和气溶胶数据方面都有极强的鲁棒性和可靠性。

关键词：雾霾数据稀疏性多视图学习

来源：评论

学校读者我要写书评

暂无评论

基于概率矩阵分解的协同推荐算法研究

基于概率矩阵分解的协同推荐算法研究

引用

作者：窦丽莎燕山大学

学位级别：硕士

随着互联网的普及,电子商务越来越受到人们的关注,网络中的信息逐渐增多,甚至出现了信息过载问题,为了解决该问题,推荐系统应运而生。然而,由于网络中的数据越来越多,只有很少数的用户会对同一个项目进行评分,有很多项目根本没有评分,... 详细信息

随着互联网的普及,电子商务越来越受到人们的关注,网络中的信息逐渐增多,甚至出现了信息过载问题,为了解决该问题,推荐系统应运而生。然而,由于网络中的数据越来越多,只有很少数的用户会对同一个项目进行评分,有很多项目根本没有评分,因此数据稀疏性问题越来越严重,推荐系统的推荐精度也在逐渐下降。因此,人们不得不寻找其他的资源,信任网络就是一种可以利用的资源,但是信任网络同样也面临着数据稀疏性问题。因此,如何缓解数据稀疏性问题,提高推荐系统的预测精度,就成为了人们关注的热门话题。本文在国内外研究的基础之上,针对上述问题进行了深入的研究。首先,针对现有的推荐算法在数据非常稀疏情况下推荐精度较低的问题,提出一种融合概率矩阵分解和邻居模型的协同推荐算法。采用基于概率矩阵分解模型的相似度计算方法来计算用户或者项目之间的相似度;构造一个自然指数函数来计算用户或者项目之间的加权相似度;提出一个平衡调节因子来动态调整基于用户邻居模型和基于项目邻居模型的推荐结果,为目标用户进行协同推荐。其次,针对评分数据稀疏性问题,提出一种融合概率矩阵分解和信任模型的协同推荐算法。同样采用基于概率矩阵分解的方法计算用户之间的相似度,进而计算加权相似度;计算基于信任矩阵的相似用户集合,转换相似度,并且预测潜在的信任关系;将加权相似度和信任度融合,计算得到用户之间的权重,将权重代替基于用户邻居模型算法中的相似度,实现协同推荐。最后,将本文提出的协同推荐算法与现有的其他相关的推荐算法进行实验对比与分析。

关键词：协同推荐数据稀疏性概率矩阵分解信任网络邻居模型

来源：评论

学校读者我要写书评

暂无评论

面向古村落旅游的个性化推荐算法研究

面向古村落旅游的个性化推荐算法研究

引用

作者：方乐林华南理工大学

学位级别：硕士

近年来,随着人民群众的收入水平越来越高,旅游变成了国民们一种新的生活方式,旅游极大程度地丰富了国民的业余生活;另一方面,旅游也拉动了经济的增长,给社会增加了就业机会。然而,互联网上众多的旅游信息在丰富了游客出行选择的同时,也... 详细信息

近年来,随着人民群众的收入水平越来越高,旅游变成了国民们一种新的生活方式,旅游极大程度地丰富了国民的业余生活;另一方面,旅游也拉动了经济的增长,给社会增加了就业机会。然而,互联网上众多的旅游信息在丰富了游客出行选择的同时,也带来了信息过载的问题。因此,个性化旅游推荐是各类旅游网站或APP未来的发展趋势。中国有许多的古村落,这些古村落或散发着独特的地区文化底蕴,或记载着历史文化的变迁,它们是岁月的化身。然而,在现代化的发展进程中,古村落正在慢慢消失。如何让更多的游客了解古村落,去到合适的景点旅行,充分考虑游客的偏好风格,增加游客对古村落的好感度,从而保护好这些正在慢慢消失的“历史遗迹”,变得极为迫切。本文基于协同过滤算法研究了面向古村落旅游的推荐模型,具体工作主要包括三个方面:一、提出了相似度传递的协同过滤算法。为了改善数据稀疏性对Item-Based协同过滤算法的影响,本文利用游客-景点评分矩阵(即User-Item矩阵)对不同的古村落旅游景点进行可信关系建模。通过这种可信关系,对古村落景点之间的相似度进行传递,改善相似度计算不准确甚至无法计算的问题,最终达到提高推荐质量和准确度的目的。二、提出了融入时间权重的隐语义模型。一般而言,可以通过矩阵分解的方式来改善数据的稀疏性问题(降维),隐语义模型LFM就是矩阵分解模型中的一种。但是,旅行游客用户的兴趣偏好往往不是固定不变的,而隐语义模型却忽略了游客用户的兴趣喜好随时间变化的问题。本文通过对推荐准确度的评价标准RMSE进行改进,利用最小化改进后的RMSE来对模型进行求解,以适应游客用户的兴趣偏好随时间变化的问题。三、提出了混合模型推荐方法。针对协同过滤算法中数据稀疏导致古村落景点之间的相似度计算不准确甚至无法计算的问题,我们在相似关系传递后加入了基于古村落特征向量的相似关系,其中,古村落景点的特征向量通过隐语义模型进行求解,已达到修正相似度的目的;针对融入时间权重的隐语义模型中信息丢失的问题,我们直接将其与基于相似度传递的协同过滤算法进行融合。但是,由于参数过多出现了占用内存空间大、过度拟合等现象,所以对该模型进行进一步的优化,最后通过不断迭代对模型进行求解。本文针对古村落评分数据的稀疏性和游客兴趣变化等问题,进行了一系列算法研究,并通过实验验证了算法的有效性,对古村落旅游的推荐工作具有深远的理论及现实意义。

关键词：古村落旅游协同过滤推荐算法数据稀疏性偏好变化隐语义模型

来源：评论

学校读者我要写书评

暂无评论

基于用户上下文和项目近邻的协同过滤推荐算法

基于用户上下文和项目近邻的协同过滤推荐算法

引用

作者：张义龙中国矿业大学

学位级别：硕士

互联网技术的蓬勃发展导致信息过载,使得公众难以辨别琳琅满目的商品和选择最符合自己需要的商品。因此,基于信息检索的个性化推荐系统应运而生,协同过滤技术是应用最广泛的、最成功的推荐技术之一,但也面临着数据稀疏性、冷启动等问题... 详细信息

互联网技术的蓬勃发展导致信息过载,使得公众难以辨别琳琅满目的商品和选择最符合自己需要的商品。因此,基于信息检索的个性化推荐系统应运而生,协同过滤技术是应用最广泛的、最成功的推荐技术之一,但也面临着数据稀疏性、冷启动等问题的严峻挑战,同时传统的协同过滤算法在相似度计算中往往忽视了用户个人的上下文信息对项目相似度的影响。针对以上问题,本文通过融入了项目近邻信息对约束概率矩阵分解算法进行改进,并结合用户上下文信息和用户动态预测评定方法,提出一种基于用户上下文和项目近邻的协同过滤推荐算法。首先,将项目标签划分为基于内容和基于情感两类,通过计算这两类标签的权重,来确定每个项目的内容和情感向量,并计算出项目的邻居集,融入到约束概率矩阵分解算法中;其次,根据用户上下文信息以及用户对项目的情感设定,选择出近邻用户及其相关项目;最后,采用动态预测填充的方法来解决个性化推荐中的数据稀疏性问题。在Movie Lens-1M数据集上,通过实验分别与余弦相似度、皮尔森相似度和用户上下文算法的MAE值、Pu值进行比较。测试结果表明:该算法能够缓解评分稀疏性对算法的影响并更有效的预测用户对项目的评分,显著降低平均绝对误差,提高推荐准确率。

关键词：用户上下文项目近邻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

基于聚类和矩阵分解的推荐算法的研究与改进

基于聚类和矩阵分解的推荐算法的研究与改进

引用

作者：周超青岛大学

学位级别：硕士

互联网的快速发展使得人类社会面临着严重的信息过载问题,推荐系统是解决这种现象的有力工具。但是传统的协同过滤推荐算法存在数据稀疏性及用户兴趣漂移问题,前者会极大影响相似度计算精度,后者会使得推荐结果不一定完美契合用户需求... 详细信息

互联网的快速发展使得人类社会面临着严重的信息过载问题,推荐系统是解决这种现象的有力工具。但是传统的协同过滤推荐算法存在数据稀疏性及用户兴趣漂移问题,前者会极大影响相似度计算精度,后者会使得推荐结果不一定完美契合用户需求。本文基于聚类和矩阵分解模型提出两种解决方案,试图解决上述问题。基于聚类,本文提出一种基于用户和项目双重聚类的协同过滤推荐算法DCCF(Double Clustering-based Collaborative Filtering),将评分矩阵从用户和项目两个方面进行聚类处理,以降低数据稀疏性影响。并改进相似度计算方法,将时间信息与皮尔逊相关系数及杰卡德系数结合起来,提出一种新的相似度计算方法P-J-T(Pearson-Jaccard-Time)系数,降低用户兴趣漂移的影响,进一步提高相似度计算精度。基于矩阵分解,本文提出基于用户相似度和项目相似度的矩阵分解算法USIS MF(User Similarity and Item Similarity-based Matrix Factorization),将用户相似度和项目相似度融入损失函数中,能够保证矩阵分解之后不会改变用户间和项目间的相似性关系,同时使得模型更加细化,提高矩阵分解的效果。并且提出两种预测评分的处理方法:映射处理机制(Mapping)能够解决预测评分超出系统评分区间的问题,预测评分取整算法PRN(Prediction Round to Neighbor)对预测评分进行取整处理,能够降低计算误差,提高推荐准确度。本文通过仿真实验研究参数对两个算法的影响,并且验证算法的有效性。实验结果表明,本文提出的两种算法都有效降低了数据稀疏性和用户兴趣漂移的影响,提升了推荐准确度。

关键词：推荐算法协同过滤数据稀疏性用户兴趣漂移双重聚类矩阵分解

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 << < 13 14 15 16 17 18 19 20 21 22 > >>

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：