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191-200 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：

基于协同过滤的推荐技术研究

基于协同过滤的推荐技术研究

引用

作者：陈利娟北方工业大学

学位级别：硕士

协同过滤推荐技术根据用户对于资源的历史评价,分析用户的兴趣偏好,确定用户最近邻集合或者项目最近邻集合,然后为目标用户推荐与他们兴趣相符的资源。该技术已经被广泛的应用在实际的系统中,但是目前仍然面临着系统数据稀疏问题、冷启... 详细信息

协同过滤推荐技术根据用户对于资源的历史评价,分析用户的兴趣偏好,确定用户最近邻集合或者项目最近邻集合,然后为目标用户推荐与他们兴趣相符的资源。该技术已经被广泛的应用在实际的系统中,但是目前仍然面临着系统数据稀疏问题、冷启动问题、系统脆弱性等问题。本文主要深入研究了系统数据稀疏性问题,提出了基于加权相似性计算方法,提出了基于直接评分与间接评分的协同过滤算法,大量实验证明,算法在不同的数据稀疏情况下实现了高质量的推荐。提出了基于加权的相似性计算的算法。数据非常稀疏的情况下,传统的相似性计算方法得到的相似性结果具有一定的偶然性,这种偶然性影响系统最近邻的取值,导致系统推荐准确度降低,该算法主要解决相似性计算所存在的这种偶然现象,来提高推荐结果的质量。提出了基于直接评分与间接评分的协同过滤算法。对于直接评分部分,应用了加权相似性计算方法,定义了加权用户相似性和加权项目相似性度量标准,构造了直接推荐用户集合与直接推荐项目集合,给出了直接评分权重的计算方法。对于间接评分部分,构造了相似评分集合,定义了评分相似性度量标准。此外,定义了综合评分权重,在直接评分与间接评分的基础上得到最终推荐结果。我们对算法进行了大量的实验,结果验证了提出的算法在不同稀疏程度的数据上均具有较高的推荐质量。最后,将本文提出的算法进行了原型系统的实现,并分析了系统的推荐质量。

关键词：推荐系统协同过滤数据稀疏性直接评分间接评分

来源：评论

学校读者我要写书评

暂无评论

基于潜在因子模型的音乐推荐系统研究

基于潜在因子模型的音乐推荐系统研究

引用

作者：肖海峰山东科技大学

学位级别：硕士

随着音乐资源库不断地丰富发展,普通的音乐搜索方式已经不能适应海量音乐库的发展需求,音乐推荐系统的出现能够帮助用户解决这一问题。尽管当前有许多音乐平台推出了音乐推荐服务,但是其使用的推荐算法不能充分挖掘用户和音乐之间的联系... 详细信息

随着音乐资源库不断地丰富发展,普通的音乐搜索方式已经不能适应海量音乐库的发展需求,音乐推荐系统的出现能够帮助用户解决这一问题。尽管当前有许多音乐平台推出了音乐推荐服务,但是其使用的推荐算法不能充分挖掘用户和音乐之间的联系,不能根据用户的偏好进行个性化音乐推荐。因此,本文提出了基于潜在因子模型的音乐推荐系统,能够在一定程度上缓解上述问题。推荐算法、模型结合和用户模块三部分构成本文的音乐混合推荐系统的核心。混合推荐系统的基本思想是:首先对用户在特定时间段听歌的历史行为进行采集,通过这些历史行为结合潜在因子模型,构造用户评分矩阵,再对评分矩阵进行降维、分解,最终构建用户-音乐偏好模型;同时,在模型中加入时间变化函数,考虑用户在这一时间段内偏好的变化;最后通过计算与用户最相似的音乐,为目标用户产生歌曲推荐列表。为了验证文中音乐推荐模型的效果,选取了适合本文模型的用户-音乐数据集。利用均方根误差、准确率、召回率和综合评价指标对模型生成的音乐推荐列表进行检测;同时综合考虑预测评分准确性和推荐结果准确性对本文的推荐系统产生的影响。最终实验显示,文章中提出的的音乐推荐模型能够提高音乐推荐的准确率,和传统的协同过滤推荐算法相比,本文利用潜在因子模型对用户的评分数据进行降维,能够更加准确表示用户-音乐之间的关系,缓解数据稀疏性问题;在此基础上通过在传统的协同过滤算法中加入时间变化函数,能够动态显示用户偏好的变化,为用户推荐更加适合的音乐。

关键词：推荐系统动态协同过滤潜在因子模型矩阵分解数据稀疏性

来源：评论

学校读者我要写书评

暂无评论

基于家居装饰系统的方案推荐算法研究与应用

基于家居装饰系统的方案推荐算法研究与应用

引用

作者：任钧电子科技大学

学位级别：硕士

随着家居电商的进一步发展,用户对个性化推荐的需求与日俱增,各种各样的推荐算法开始应用其中。传统的聚类推荐算法,每个参与的用户或物品只能属于一种类别,因此很难描述每个参与聚类的对象多个方面的特性。基于内存的协同过滤推荐算法... 详细信息

随着家居电商的进一步发展,用户对个性化推荐的需求与日俱增,各种各样的推荐算法开始应用其中。传统的聚类推荐算法,每个参与的用户或物品只能属于一种类别,因此很难描述每个参与聚类的对象多个方面的特性。基于内存的协同过滤推荐算法和聚类改进的协同过滤推荐算法预测准确度不高,且难以解决数据稀疏带来的影响。针对这些不足之处,本文提出了一种混合推荐算法LPHRA。该算法提高了预测准确度,解决了数据稀疏性带来的应用局限性。本文的主要研究成果如下:1.针对LSPM在物品类别推荐方面存在的不足,提出影响因子,对其中的关键算法EM算法进行参数的改进。实验证明影响因子提高了预测的准确度。EM算法允许用户以及物品属性可以属于多个隐类,适用性更强。LSPM对于新加入的用户也能够进行较为准确的推荐。***对某一类别物品的具体推荐通过PVH衡量。在物品的某一类别中,选取一些PVH属性良好的物品,加入推荐列表,这样可以根据用户的浏览习惯得到个性化的推荐。实验表明该混合推荐算法与传统的协同过滤推荐算法相比,预测的准确性更高,预测结果更接近用户偏好。3.基于混合推荐算法LPHRA,设计并实现一个家居装饰系统。经过系统实验测试,该家居装饰系统在使用LPHRA推荐算法进行方案推荐的时候,在用户体验和预测准确度上优于传统的协同过滤推荐算法和聚类改进的协同过滤推荐算法。

关键词：家居电商家具方案混合推荐算法数据稀疏性 LPHRA LSPM PVH 隐类

来源：评论

学校读者我要写书评

暂无评论

基于邻域关系的协同过滤算法研究

基于邻域关系的协同过滤算法研究

引用

作者：李泽鹏苏州大学

学位级别：硕士

随着互联网技术的不断发展,互联网已经成为人们日常生活中不可或缺的一部分。然而互联网的信息过载问题,使得人们无法从海量信息中提取自己需要的信息。为解决该问题,推荐系统应运而生,其核心思想是通过用户历史行为数据猜测出用户的兴... 详细信息

随着互联网技术的不断发展,互联网已经成为人们日常生活中不可或缺的一部分。然而互联网的信息过载问题,使得人们无法从海量信息中提取自己需要的信息。为解决该问题,推荐系统应运而生,其核心思想是通过用户历史行为数据猜测出用户的兴趣爱好,并且根据猜测的爱好推荐相匹配的商品信息。协同过滤是推荐系统应用得最为广泛的技术之一,其关键步骤包括为目标用户选取近邻和对商品进行预测评分。但大部分用户的行为数据具有稀疏性,这为近邻的选取以及商品的预测带来了挑战。本文在稀疏的用户行为数据上,结合近邻的快速搜索方法以及近邻的传播方式来研究协同过滤方法,较好地解决了数据稀疏性和预测准确性的问题。本文的创新工作总结如下:(1)提出基于快速近邻搜索的协同过滤算法。在协同过滤算法中,组合相似度相比于简单相似度具有更高的推荐准确率。但在近邻搜索时,采用组合相似度的时间开销比采用简单相似度的要大很多,从而降低了推荐效率。为此,本文提出基于快速近邻搜索的协同过滤算法。首先,根据用户的评分习惯,将行为数据划分为高、中、低兴趣三个部分,反映了不同兴趣程度的物品空间。然后,在相对应的物品空间中分别选取近邻,并且通过近邻传播获取间接近邻。最后,对三个物品空间中的近邻用户进行合并作为目标用户的最终近邻集。在三个电影数据上的仿真实验验证了本文算法既可以提升时间效率,又能在一定程度保证推荐准确性。(2)提出基于子空间集成的近邻搜索的协同过滤算法。一般来说,快速算法会带来某种程度的性能损失。为了提高基于快速近邻搜索的协同过滤算法的性能,本文提出了基于子空间集成的近邻搜索协同过滤算法。在划分了三个物品空间之后,本文定义了共同评分支持度来计算用户之间的可信任度。通过加权把三个物品空间融合为一个空间,在此空间中进行近邻搜索。由此生成的近邻用户集体现了不同物品空间之间的差异性,又减少了无效近邻用户的影响。在三个实际数据集上的实验结果表明所提方法具有较好的推荐性能,不仅能提供好的近邻用户且所花时间代价也不大。(3)提出基于近邻迭代预测的协同过滤算法。数据稀疏性问题不仅对近邻的选取有影响,而且对商品的预测也有很大的影响,这两个步骤正是协同过滤推荐算法的核心。为了进一步提高推荐算法的性能,本文引入邻域传播的思想,提出了基于近邻迭代预测的协同过滤算法。该算法通过利用近邻的传播来传递信息,从而实现迭代地更新物品的预测评分。在迭代过程中,考虑近邻用户所提供评级信息的可靠性,加入了传播权重,且传播权重是随着迭代次数衰减的。实验结果表明,所提出方法有较好的预测能力,能够提高了推荐的准确度,较好地解决了协同过滤算法中存在的数据稀疏性的问题。(4)基于上述提出的算法,本文开发了一款电影推荐系统。该系统通过用户的注册与登陆记录用户历史评分与推荐结果,并且会根据用户对所给出电影提交的评分,自动生成新的、更加符合其兴趣爱好的电影集合。另外,在主界面上,通过对用户推荐当前热门电影,可以收集到用户的偏好,这样也为用户能够获得更加准确的推荐提供有效的信息。

关键词：推荐系统协同过滤近邻选取近邻传播迭代预测数据稀疏性

来源：评论

学校读者我要写书评

暂无评论

基于信任的推荐算法及其在Spark平台上的研究

基于信任的推荐算法及其在Spark平台上的研究

引用

作者：何琪武汉理工大学

学位级别：硕士

随着互联网技术的发展,大数据时代的到来,电影、音乐、电子商务等商业和娱乐网站在人们的日常生活中逐渐占据了重要地位,“信息超载”现象也日益凸显,传统推荐算法已经无法满足用户的个性化需求。协同过滤推荐算法由于其个性化推荐程度... 详细信息

随着互联网技术的发展,大数据时代的到来,电影、音乐、电子商务等商业和娱乐网站在人们的日常生活中逐渐占据了重要地位,“信息超载”现象也日益凸显,传统推荐算法已经无法满足用户的个性化需求。协同过滤推荐算法由于其个性化推荐程度较高已被广泛使用,但用户数量和项目数量的急剧增长导致该算法面临的数据稀疏性、冷启动等问题愈发严重。同时,在大数据环境下的推荐算法由于计算量过大也存在着可扩展性和实效性问题。针对上述问题本文重点研究基于信任网络的协同过滤推荐算法,主要研究内容如下:(1)研究基于内存的协同过滤推荐算法的优化。针对基于内存的推荐算法存在的数据稀疏性和恶意推荐问题,在国内外学者对信任网络研究的基础上,改进了信任度计算公式,同时为了缓解热门项目对推荐算法性能的影响,改进了传统的用户相似度计算公式。最后对Slope One算法进行优化,得到STSO算法。实验结果表明该算法有效地缓解了数据稀疏性和恶意推荐的问题,明显提高了推荐精度。(2)研究基于模型的协同过滤推荐算法的优化。针对用户评分矩阵过于稀疏导致推荐精度下降的问题,选择对性能较好的基于概率矩阵分解模型的推荐算法进行改进。主要思想是在根据信任传递规则计算用户相似-非二值信任矩阵的基础上,改进RSTE模型,得到了优化后的TransT-RSTE算法,以解决用户项目评分矩阵的稀疏性问题。实验结果表明该算法提高了推荐准确度,并且其性能也优于STSO算法,但STSO算法更适合于在线推荐。(3)采用Spark平台对改进后的两种算法进行并行化研究。针对大数据环境下推荐算法的可扩展性问题和实效性问题,提出在大数据处理平台Spark上对上述两种推荐算法分别进行优化,优化方法则是对两种算法进行并行化处理,同时设计了并行化实现过程,分别得到基于Spark的并行化优化推荐算法。实验结果表明,采用并行化方式优化后的两种算法性能更好,有效地解决了推荐算法在单机模式下由于数据量过大导致的可扩展性和实效性问题。

关键词：推荐算法信任网络数据稀疏性并行化

来源：评论

学校读者我要写书评

暂无评论

基于矩阵填充与图嵌入表示的个性化推荐算法研究

基于矩阵填充与图嵌入表示的个性化推荐算法研究

引用

作者：陈垠芬江西师范大学

学位级别：硕士

个性化推荐可以根据用户兴趣爱好来提供用户可能感兴趣的内容,是解决信息过载问题的关键技术。个性化推荐系统中,协同过滤是一种重要的推荐策略。协同过滤算法根据用户-项目评分矩阵计算用户/项目相似度,将相似度高的用户/项目作为目标... 详细信息

个性化推荐可以根据用户兴趣爱好来提供用户可能感兴趣的内容,是解决信息过载问题的关键技术。个性化推荐系统中,协同过滤是一种重要的推荐策略。协同过滤算法根据用户-项目评分矩阵计算用户/项目相似度,将相似度高的用户/项目作为目标用户/项目的近邻,然后根据近邻的评分内容将某些目标用户未评分过的项目推荐给目标用户。由于协同过滤过于依赖用户-项目评分矩阵,而在现实生活中,大多数的推荐系统中的用户仅仅只对少量的项目进行评价,并且大多数项目也仅仅被少量用户评价,这就导致用户-项目评分矩阵具有很大的稀疏性,从而很难得到较高的推荐质量。另外,当新的用户进入系统时,由于没有评分记录,协同过滤算法就不能根据其评分分值进行推荐,这就是冷启动问题。因此,冷启动情况下,推荐系统要如何给新用户推荐就成为待解决问题。本文针对协同过滤算法中评分矩阵稀疏性问题,提出使用LMaFit算法对评分矩阵进行填充,降低矩阵的稀疏度,缓解了数据稀疏性问题;同时根据用户属性(年龄、性别、职业)和评分记录融合加权,计算用户相似度,使得推荐系统可依据用户相似度向新用户推荐,从而缓和了冷启动现象;以上述研究为基础,利用k-means++算法对用户聚类,寻找目标用户的近邻,预测出用户评分。基于数据Movielens-100k的实验表明,本文提出的方法在MAE和RMSE两个指标上均有不错的结果。为了学习到用户和项目深层次的嵌入表示,更加了解用户和项目间非线性结构特征,本文在传统的协同过滤算法基础上引入了图嵌入表示,基于DNGR模型学习到用户和项目的图嵌入表示,并计算用户特征、项目特征的相关度。该方法在Movielens-100k数据集上的实验表明推荐精度要高于传统的协同过滤算法。

关键词：个性化推荐协同过滤数据稀疏性图嵌入

来源：评论

学校读者我要写书评

暂无评论

基于混合方法的电子商务推荐系统的研究与应用

基于混合方法的电子商务推荐系统的研究与应用

引用

作者：顾牡丹广东工业大学

学位级别：硕士

随着互联网的普及和电子商务的快速发展,电子商务系统提供更多选择的同时,其结构也变得更加复杂,用户经常会迷失在大量的商品信息空间中,无法顺利找到自己所需商品。电子商务推荐系统解决了“信息迷航”和“信息过载”问题,实现了直接... 详细信息

随着互联网的普及和电子商务的快速发展,电子商务系统提供更多选择的同时,其结构也变得更加复杂,用户经常会迷失在大量的商品信息空间中,无法顺利找到自己所需商品。电子商务推荐系统解决了“信息迷航”和“信息过载”问题,实现了直接与用户交互,帮助用户快速找到他们真正所需购买的商品。电子商务推荐系统能有效保留用户、防止客户流失,提高电子商务系统的销售量。但当前的电子商务推荐系统在实际运用中还相当不成熟,仍然存在推荐质量不高、推荐实时性差、数据稀疏性、冷启动等问题。　　针对电子商务推荐系统面临的主要挑战,本文通过文献综述分析了当前国内外电子商务推荐系统研究现状,归纳了主要推荐技术的优缺点。在原有的组合推荐系统基础上,推出一种基于内容过滤、协同过滤和Web数据挖掘的混合方法推荐系统,以协同过滤为主,内容过滤为辅,利用内容过滤来弥补协同过滤的缺点,解决数据的稀疏性问题和扩展性问题,同时结合基于Web数据挖掘的推荐技术综合应用,通过浏览器的方式进行用户评分数据收集与推荐结果显示,解决非注册用户的行为模式,有效提高推荐系统的推荐质量和推荐效率。基于协同过滤产生的数据稀疏性问题,以及冷启动和扩展性问题,恰恰可通过基于内容过滤的推荐方法来进行改善,同时利用Web数据挖掘技术解决大量用户信息,特别是非注册用户的行为模型,三种推荐方法的互补性使得各自的优点均得到发挥。该混合推荐技术充分利用了用户的相关信息,结合用户隐性兴趣和显性兴趣,使得推荐结果更符合用户需求。本文的主要研究工作包括:(1)对当前国内外主流推荐技术进行研究分析,发现普遍存在推荐方法单一、推荐自动化程度低和缺乏个性化推荐等问题。(2)提出基于协同过滤为主,Web挖掘和内容过滤为辅的转换型混合推荐方法,详细介绍了该混合方法模型设计与实现,该方法的优势在于有效的弥补各自算法缺陷,同时充分发挥了各自的优势。(3)以设计基于混合方法的数码电子商务推荐系统实验型网站为实例,并与其他采用传统推荐方法的推荐系统作比较,得出客观有效的测试结果。

关键词：推荐系统电子商务混合推荐协同过滤数据稀疏性数据挖掘

来源：评论

学校读者我要写书评

暂无评论

基于隐语义模型的个性化推荐系统研究

基于隐语义模型的个性化推荐系统研究

引用

作者：徐启东广东工业大学

学位级别：硕士

伴随着互联网技术的迅猛发展,使人们获取信息的方式发生着前所未有的改变,只要具备相应的条件就可以较方便从互联网上面获取丰富的资源信息,其给用户带来便捷的同时也面临着新的问题,那就是“信息过载”问题出现。然而推荐系统的出现可... 详细信息

伴随着互联网技术的迅猛发展,使人们获取信息的方式发生着前所未有的改变,只要具备相应的条件就可以较方便从互联网上面获取丰富的资源信息,其给用户带来便捷的同时也面临着新的问题,那就是“信息过载”问题出现。然而推荐系统的出现可以有效解决此类问题,它能够根据用户的历史行为数据主动为其推荐所偏好的数据。在推荐系统中隐语义模型是一个较年轻的推荐算法,目前其在很多领域得到了应用,但是该模型在实际的应用中仍然还有一些缺陷值得我们去深入研究。首先,传统隐语义模型推荐算法存在冷启动问题以及面对用户历史评分数据过于稀疏导致了推荐精度下降的问题。其次,随着用户和物品规模不断的增长,推荐系统需要处理的数据量变得越来越大,使得传统隐语义模型推荐算法面临着扩展性较差的问题。因为该模型推荐算法中的参数要经过不断迭代与更新,所以在时间消耗以及计算量方面都比较大。为了解决传统隐语义模型推荐算法存在的问题,本文在该模型的基础上做了相应的改进,有效解决冷启动以及数据稀疏性所带来预测准确度下降的问题。为了使改进后隐语义模型推荐算法有较好的扩展性,本文通过分布式环境使推荐算法并行化来解决此问题。本文主要研究工作如下:(1)针对传统隐语义模型存在冷启动以及在面对数据稀疏性所带来预测精度下降的问题,因此本文对该模型进行了相应的改进。通过将用户的自身特征属性信息融合到传统的模型中去,当用户评分数据存在稀疏或者极端稀疏时,可以利用用户的自身特征属性来获取邻居用户的评分数据,然后基于邻居用户的评分数据来为该用户做出相应的推荐结果。最后实验结果验证了改进后的算法有效解决数据稀疏性所带来预测准确性下降的问题。(2)为了使改进后隐语义模型推荐算法在处理大量数据时有着较好的扩展性,本文提出一种在spark分布式环境中使推荐算法并行化的解决方案。为了验证改进后推荐算法在分布式环境中面对大量数据计算时是否有较好的扩展性,进而在不同大小的MovieLens数据集上面实验,实验结果验证了改进后推荐算法在spark分布式环境运算中有着不错的扩展性。(3)基于本文改进后的隐语义模型为核心,然后设计一个基于spark大数据平台的原型推荐系统,最后在该原型系统的前端界面完成了相关的功能测试。

关键词：推荐系统隐语义模型冷启动数据稀疏性大数据

来源：评论

学校读者我要写书评

暂无评论

基于社区划分的协同过滤推荐算法研究

基于社区划分的协同过滤推荐算法研究

引用

作者：万慧中国科学院大学

学位级别：硕士

随着互联网技术的迅猛发展，互联网中的资源呈现出爆炸式增长的态势。如何从海量的资源中准确定位到适合用户的资源逐渐成为工业界和学术界的研究热点。推荐系统在这样的背景下应运而生。　　协同过滤推荐是推荐系统中应用最广泛也是最... 详细信息

随着互联网技术的迅猛发展，互联网中的资源呈现出爆炸式增长的态势。如何从海量的资源中准确定位到适合用户的资源逐渐成为工业界和学术界的研究热点。推荐系统在这样的背景下应运而生。　　协同过滤推荐是推荐系统中应用最广泛也是最成功的技术，但因存在数据稀疏性和精确度不够等问题，影响了协同过滤推荐系统的发展。本文在分析总结基于内容推荐和协同过滤推荐的优缺点的基础上，引入社区划分思想，将社区划分与协同过滤推荐算法相结合，提出一种基于社区划分的协同过滤推荐算法，旨在解决协同过滤推荐中数据稀疏性和推荐准确率问题。本文主要研究内容如下:　　(1)针对传统协同过滤推荐算法的数据稀疏性问题，提出一种基于项目类别的社区划分解决方案。使用项目的类别提取出能表达用户偏好的特征向量，利用该特征向量对用户进行社区划分，缩小待推荐用户的最近邻用户的范围，缓解数据稀疏性。　　(2)为提高推荐准确性，提出一种融合用户评分和用户标签的相似性计算方法。根据用户的标签和评分信息提取出用户基于标签的相似性和用户基于评分的相似性，使用平衡因子衡量二者的比例综合得到用户相似性，以能更全面准确地反映用户的相似性。　　(3)基于社区划分和改进的相似性计算方法，提出一种基于社区划分的协同过滤推荐算法。从划分的社区中使用改进的相似性搜索最近邻用户集合，根据最近邻用户集合的用户评分预测待推荐用户的评分并进行推荐。以MoviesLens数据集为实验数据，实验结果表明，所提算法能显著提高评分预测的准确性和推荐结果的质量，并验证了社区划分以及用户标签信息对推荐系统的重要性。

关键词：数据集合协同过滤推荐数据稀疏性社区划分

来源：评论

学校读者我要写书评

暂无评论

基于图神经网络的个性化兴趣点推荐算法研究

基于图神经网络的个性化兴趣点推荐算法研究

引用

作者：龚彬重庆邮电大学

学位级别：硕士

由于移动互联网的大面积普及和全球定位技术的日益成熟,基于位置的社交网络(Location-Based Social Network,LBSN)得到了长足发展。其中根据签到数据为特定用户提供个性化的兴趣点(Point-of-Interest,POI)推荐服务是一个正被广泛关注着... 详细信息

由于移动互联网的大面积普及和全球定位技术的日益成熟,基于位置的社交网络(Location-Based Social Network,LBSN)得到了长足发展。其中根据签到数据为特定用户提供个性化的兴趣点(Point-of-Interest,POI)推荐服务是一个正被广泛关注着的研究方向。因为其可以给用户带来选择的便利和满足商家盈利的愿望。但是POI推荐依然存在数据稀疏性和上下文信息挖掘不充分的问题。受到图神经网络在处理非欧式数据方面具有鲁棒性的启发,本文针对POI推荐中的Top-K POI推荐任务和下一个兴趣点(Next POI)推荐任务进行了分析研究,并取得如下成果: 1.提出了融合社交关系和地理影响的Top-K POI推荐方法。首先,为了保护用户活动轨迹的隐私,本文使用了地理编码器对POI的经纬度进行编码脱敏处理。其次,为了达到降低噪声干扰、提升模型性能的目的,本文对数据集中没有物理空间交互的社交关系进行了必要的剪枝。紧接着,本文基于社交数据、经纬度数据、签到数据分别构建用户关系图、POI关系图、用户-POI关系图。然后,本文基于图卷积网络(Graph Convolutional Network,GCN)融合社交关系和地理影响,并挖掘出用户之间、POI之间、用户与POI之间的高阶协作关系。最后,为了更好地利用负样本来提高模型的健壮性和泛化性,本文在贝叶斯个性化排序(Bayesian Personalized Ranking,BPR)损失函数中添加了置信度。通过在两个公开数据集上的实验证明了本文提出的方法能够有效挖掘出社交和地理上下文中的信息,并提高Top-K POI推荐的性能。 2.提出了基于图卷积网络融合类别和时间影响的下一个POI推荐方法。首先,引入了一种能够将时间戳映射为多尺度周期表示的编码方法,从而达到有效捕捉时间信息特征的目的。其次,提出了一个由注意力机制与前馈层构成的聚合层。该聚合层能够有效对类别、时间和序列建模。最后将该聚合层融入到图卷积体系结构之中以实现下一个POI推荐目标。通过在两个公开数据集上的实验证明了本文提出的方法在解决下一个POI推荐问题时是有效的,并且与基准方法相比表现出了最佳效果。

关键词：兴趣点推荐图神经网络图卷积网络数据稀疏性

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 << < 16 17 18 19 20 21 22 23 24 25 > >>

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：