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...
- 260 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221-230 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：

基于节点用户和概率矩阵分解模型的推荐算法

基于节点用户和概率矩阵分解模型的推荐算法

引用

作者：张敏杰天津大学

学位级别：硕士

基于矩阵分解的推荐算法在推荐系统领域已得到长足发展,同时随着社交网络等的兴起,用户社交关系在推荐算法中也越来越扮演着举足轻重的地位。社交网络较传统社交的最大区别在于社交网络中信息流动会显著的受一些影响力很大的用户影响,... 详细信息

基于矩阵分解的推荐算法在推荐系统领域已得到长足发展,同时随着社交网络等的兴起,用户社交关系在推荐算法中也越来越扮演着举足轻重的地位。社交网络较传统社交的最大区别在于社交网络中信息流动会显著的受一些影响力很大的用户影响,这些用户被称为“节点用户”。单纯的矩阵分解模型及将社交网络引入矩阵分解的模型在近些年被大量提出,但对于社交网络中的节点用户以及节点用户影响力对模型和推荐效果的影响鲜有研究。论文主要研究内容包括:1)分析社交网络中用户影响力指标,定义节点用户,并利用斯皮尔曼等级系数分析各指标之间关系;2)将节点用户影响力引入矩阵分解模型,提出基于节点用户的概率矩阵分解模型;3)提出二度拓展和基于影响力的限制性拓展两种社交关系拓展方法,通过缓解模型中社交关系数据的稀疏性,来提高预测准确度。论文首先研究社交网络中的用户影响力指标并对节点用户进行定义,提出基于节点用户的概率矩阵分解模型,并针对该模型采用豆瓣电影和Yelp数据集进行验证。实验证明了该模型的有效性,并且在社交关系数据质量较高时较其他模型优势明显,同时结果也展示出在不同特点的环境和数据下应选用不同影响力指标;其次本文提出了两种缓解社交关系稀疏性的方法,同样通过上述数据集进行了验证。实验结果显示了两种方法分别在不同情况下的有效性,且可以进一步提高推荐算法的预测准确性。

关键词：节点用户概率矩阵分解数据稀疏性推荐算法

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的个性推荐算法研究及应用

基于深度学习的个性推荐算法研究及应用

引用

作者：李志豪贵州大学

学位级别：硕士

在工业化4.0的号角吹响之时,互联网迎来了信息大爆炸时代,以电影、音乐、短视频为代表的媒体行业也进入了智能化时代,用户越发期待互联网平台可以为他们提供个性化推荐服务。传统的协同过滤推荐算法由于不能充分的协同用户与物品之间的... 详细信息

在工业化4.0的号角吹响之时,互联网迎来了信息大爆炸时代,以电影、音乐、短视频为代表的媒体行业也进入了智能化时代,用户越发期待互联网平台可以为他们提供个性化推荐服务。传统的协同过滤推荐算法由于不能充分的协同用户与物品之间的复杂特征,推荐效果并不理想;而深度学习具备非线性学习能力,能较好的挖掘用户与物品之间的复杂特征关系,从而提高推荐精度。数据稀疏性问题和冷启动问题是推荐算法领域的研究热点,本文从数据稀疏性和冷启动问题两个方面提高推荐系统的推荐精度,主要研究内容如下:(1)针对数据稀疏性问题,本文提出了一种深度矩阵分解推荐算法和一种深度混合推荐算法,并利用两个不同的公开数据集对两种方法进行验证。深度矩阵分解推荐算法从数量化信息角度出发,利用传统的协同过滤思想中的矩阵分解方法,结合深度学习神经网络对数据降维,有效的降低了运算量以及数据稀疏性对推荐结果的影响。深度混合推荐算法从文本信息角度出发,结合卷积神经网络和循环神经网络搭建了一个基于文本过滤推荐的模型。实验结果表明,深度矩阵分解推荐算法和深度混合推荐算法能有效地降低数据稀疏性对推荐精度造成的影响,提高推荐结果的准确度。(2)面向冷启动问题,本文利用以上提出的深度混合算法,以Django为框架结合Python语言搭建了一个在线电影的个性化推荐系统。该系统的前端设计实现了包括用户注册登录、热门推荐、分类推荐、电影评分评论、个性化推荐以及查看历史评分共计六大功能模块;后端设计实现了用户管理、数据库管理功能。实验结果表明,基于深度混合推荐算法的在线电影的个性化推荐系统可以有效的降低信息过载对用户造成的影响,具有一定的工程适用性和研究价值。

关键词：数据稀疏性冷启动个性化推荐矩阵分解混合推荐

来源：评论

学校读者我要写书评

暂无评论

基于多维特征的混合推荐系统模型研究

基于多维特征的混合推荐系统模型研究

引用

作者：任攀龙电子科技大学

学位级别：硕士

随着互联网的普及和电子商务的迅速发展,互联网中的各种信息量爆炸式增长,用户每天都被大量无关信息所包围,无法准确快速的获取到自己想要的信息,因此各种各样的个性化推荐系统应运而生。个性化推荐系统旨在为用户排除大量无关信息,向... 详细信息

随着互联网的普及和电子商务的迅速发展,互联网中的各种信息量爆炸式增长,用户每天都被大量无关信息所包围,无法准确快速的获取到自己想要的信息,因此各种各样的个性化推荐系统应运而生。个性化推荐系统旨在为用户排除大量无关信息,向用户提供定制的个性化内容。对于不同场景的推荐系统,通常使用不同的推荐算法,其中最常用的就是基于内容推荐和协同过滤推荐。基于内容推荐和协同过滤推荐都存在自己的不足,例如冷启动问题、数据稀疏性问题、可扩展性问题以及推荐效率低下等。为了解决这些问题,提高推荐质量,众多研究者参与其中,基于不同的场景提出了很多解决思路和方案。本文对基于内容和协同过滤的混合推荐方式以及如何解决数据稀疏性、推荐效率等问题行了研究。另外,本文认为用户的视觉信息对于推荐系统的研究有着十分积极的作用,因此本文对用户视觉信息在推荐系统中应用的可能性进行了探索。本文的主要内容及贡献如下:(1)绝大多数推荐系统都是基于用户静态配置数据特征或者动态交互数据特征来计算用户兴趣模型,本文尝试使用多个维度的数据来进行建模。除此之外,本文使用了图片视觉特征这一常被研究者所忽略的重要数据特征,来挖掘用户的潜在兴趣偏好。(2)本文根据基于内容的建模方式的优点,提出一种用户对多维特征的兴趣度量的计算方式,解决了数据稀疏性,以及推荐效率等问题。这种计算方式既能适应极度稀疏的数据集,也能适用于较大型的数据集。(3)本文把基于内容的用户建模方式和基于协同过滤的推荐方式结合起来,提出一种基于多维特征的混合推荐模型,该种推荐模型适用于各种不同的基于用户评分的推荐系统场合,提高了推荐模型的适配性、可扩展性等特性。(4)本文将提出的推荐模型在真实的Movie Lens数据集上进行了多组对比实验,实验结果表明本文提出的推荐方式相比较于传统方法有着更好的推荐效果和计算效率。无论是在比较稀疏的数据集上,还是较大型的数据集上,都能够进行比较良好的工作。

关键词：推荐系统数据稀疏性混合模型视觉特征潜在偏好

来源：评论

学校读者我要写书评

暂无评论

社会网络中多模态异质上下文感知推荐方法研究

社会网络中多模态异质上下文感知推荐方法研究

引用

作者：顾伟东桂林电子科技大学

学位级别：硕士

随着社会网络中的信息量正在快速增加，人们经常受到“信息过载”的影响。推荐系统的出现，可以利用人们的个性化偏好进行推荐，很大程度上缓解了“信息过载”的问题。然而推荐系统又常常遇到“数据稀疏性”的问题，直接影响着推荐效果... 详细信息

随着社会网络中的信息量正在快速增加，人们经常受到“信息过载”的影响。推荐系统的出现，可以利用人们的个性化偏好进行推荐，很大程度上缓解了“信息过载”的问题。然而推荐系统又常常遇到“数据稀疏性”的问题，直接影响着推荐效果。\n 目前用户行为所处的上下文情境数据越来越重要。相比评分信息这种单模态数据而言，融入上下文信息以及行为序列信息这些多模态数据到推荐系统中，更能适当地减轻数据稀疏性的影响，从而提升推荐效果。\n 本文针对推荐系统中的数据稀疏性问题，研究的主要内容如下两个方面：\n （1）针对传统的上下文信息表示方法往往忽略了上下文信息的特定影响，提出了一种异质上下文感知的推荐算法。首先基于张量分解模型并利用交互上下文信息来构建了一个交互上下文感知子模型。然后基于矩阵分解模型并利用属性上下文信息来构建了一个属性上下文感知子模型。最后将两个子模型通过半监督的协同训练算法进行相互优化并融合，从而进行推荐。该方法不仅利用了显性反馈的评分信息，还利用了隐性反馈的不同种类上下文信息和未标记的评分数据，适当地减轻了数据稀疏性的影响，提升了推荐效果。\n （2）针对传统的上下文信息融合方法往往忽略了用户行为序列信息对推荐的影响，提出了一种行为上下文感知推荐模型。首先基于循环神经网络并利用交互上下文信息和行为序列信息构建交互上下文感知序列预测模型，然后基于矩阵分解模型并利用属性上下文信息和评分值信息构建属性上下文感知评分预测模型，最后从不同角度进行分析，将两个子模型分别通过三种不同的融合方式进行有效地融合并应用于推荐。该推荐方法不仅能感知交互上下文信息和属性上下文信息，还能利用隐性反馈数据的行为序列信息以及显性反馈数据的评分值信息，适当地减轻了数据稀疏性的影响，提升了推荐效果。\n 本文的两个主要研究内容均进行了对比实验。根据实验的分析与结果，合理地验证了模型的有效性。

关键词：推荐系统数据稀疏性上下文感知张量模型社会网络

来源：评论

学校读者我要写书评

暂无评论

基于用户相关性的协同过滤推荐算法研究

基于用户相关性的协同过滤推荐算法研究

引用

作者：李睿智烟台大学

学位级别：硕士

随着社会科学和信息技术的迅猛发展,人们不断地通过互联网传递大量信息,导致互联网上信息的爆炸式增长。面对体量巨大的数据信息,如何满足不同用户的兴趣和需求逐渐成为一个难以解决的问题。为了应对这一问题,个性化推荐技术应运而生。... 详细信息

随着社会科学和信息技术的迅猛发展,人们不断地通过互联网传递大量信息,导致互联网上信息的爆炸式增长。面对体量巨大的数据信息,如何满足不同用户的兴趣和需求逐渐成为一个难以解决的问题。为了应对这一问题,个性化推荐技术应运而生。在图书、影视等众多领域,基于物品的协同过滤推荐算法因其卓越的推荐准确性和高效性而被广泛应用。尽管该算法在许多方面表现出色,但其也面临着冷启动与数据稀疏性等问题,这些问题制约了该算法的应用范围和性能。并且随着数据规模的逐渐增加,推荐算法在计算用户相似性以及根据用户喜好进行推荐的环节所花费的时间较长,使得推荐效率较低。本文针对这两部分内容,对现有协同过滤算法进行适当改进。在缓解数据稀疏性方面,提出一种改进的Slope One协同过滤算法。此外,本文通过对算法进行研究,提出了一种并行算法,提高了算法的推荐效率。具体研究内容如下: 考虑到现今协同过滤算法在面对数据稀疏问题时可能引起的推荐效果不理想的情况,本文提出一种基于用户相关性的加权Slope One协同过滤算法。该算法考虑到不同用户评论数等因素对推荐准确度的影响,加入用户活跃度与公正度对传统加权Slope One算法进行改进,并且根据共同评分项目对Pearson相关系数进行改进,减少干扰数据对推荐的影响,提高了推荐精度。在真实数据集上的实验结果表明,在确定了最优填充比例和最优近邻数的情况下,相比于其他协同过滤推荐算法,该算法有更好的推荐效果。为了解决改进算法运行效率较低的问题,本文在该算法的基础上,提出了一种加权Slope One协同过滤并行算法。该算法对数据集进行数据划分,并将这些数据分配给多个处理器并行计算,从而减少项目均差矩阵、用户相似度等计算密集部分所花费的时间。在真实数据集上的实验结果表明,该算法具有较高的加速比,能够较大提升运行效率。

关键词：个性化推荐协同过滤矩阵填充数据稀疏性并行计算

来源：评论

学校读者我要写书评

暂无评论

基于随机游走模型的个性化信息推荐

基于随机游走模型的个性化信息推荐

引用

作者：王丽莎大连理工大学

学位级别：硕士

随着网络信息和资源的急遽膨胀,用户面临着从海量数据中筛选自己所需信启、的困难,找到一种有效的工具或方法来帮助用户完成这个信息筛选的过程已成为一种必要。为了满足这种需求,个性化信息推荐服务应运而生,并且成功应用在各大社会媒... 详细信息

随着网络信息和资源的急遽膨胀,用户面临着从海量数据中筛选自己所需信启、的困难,找到一种有效的工具或方法来帮助用户完成这个信息筛选的过程已成为一种必要。为了满足这种需求,个性化信息推荐服务应运而生,并且成功应用在各大社会媒体网站,如YouTube, MovieLens,亚马逊等。在推荐系统中最常用、实现过程较简单、性能也较好的一种技术就是协同过滤,然而数据稀疏性问题和冷启动问题成为了影响其推荐结果准确性的两大障碍因素。除此之外,协同过滤算法利用的数据只有用户对于项目的评分信息,但是随着网络的发展,我们可利用的资源还有用户的标签标注信息和社交网络信息,这些信息的合理应用都会在一定程度上提高推荐系统的性能。为了消减协同过滤算法中的数据稀疏性,本文首先在随机游走(RWR)算法的基础上进行了改进,提出了一种项目-标签导向的随机游走推荐模型(TRWR),针对特定用户分别在项目空间和标签空间中根据对象之间的相似性计算转移概率,进行有限步长的随机游走,在两个空间中都生成若干个待推荐项目,然后重新计算预测评分,最后对该用户进行个性化信息推荐。其次,在计算对象之间相似性的过程中,考虑到共同评分用户数也是影响对象之间相似度的一个重要因素,本文又对传统的Pearson Correlation公式进行了改进,采用了融合评分差异性和共同评分用户数的相似度计算方法。最后,除了用户对于项目的评分信息和标签标注信息,本文又引入了用户之间的信任网络信息,着重针对那些可利用数据较少的冷启动用户来进行个性化信息推荐。总的来说,本文在传统的协同过滤推荐算法的基础上引入了更多的用户信息,在项目空间、标签空间、用户信任网络中进行随机游走,目的是消减数据稀疏性和解决冷启动用户的推荐问题。本文分别在MovieLens数据集和Epinions数据集上对两种算法进行了验证,并且取得了不错的结果。

关键词：个性化信息推荐数据稀疏性冷启动用户信任网络随机游走

来源：评论

学校读者我要写书评

暂无评论

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

基于自编码器的推荐算法研究

基于自编码器的推荐算法研究

引用

作者：朱慢华中科技大学

学位级别：硕士

随着互联网技术的飞速发展，网络上的信息呈爆炸式增长。科技的发达方便了人们的生活，同时也带了许多问题。用户通常很难在大量的信息中找到自己真正想要的信息，这就是“信息过载”问题。以个性化推荐系统为代表的一类技术能有效的缓... 详细信息

随着互联网技术的飞速发展，网络上的信息呈爆炸式增长。科技的发达方便了人们的生活，同时也带了许多问题。用户通常很难在大量的信息中找到自己真正想要的信息，这就是“信息过载”问题。以个性化推荐系统为代表的一类技术能有效的缓解“信息过载”问题，使得用户能在较短的时间获取有用的信息。\n 首先，在基于自编码器的推荐算法上，针对推荐系统中的数据稀疏性问题进行了改进，提出了结合评论的自编码器推荐算法。使用自然语言处理技术对非结构化的评论信息进行向量表示，然后结合评分向量作为自编码器模型的输入。使用评论信息加强了网络对用户和物品的偏好特征的学习，提升了评分预测的精准度，在数据特别稀疏的情况下，这种提升更为明显。\n 然后，提出了基于自编码器隐藏层特征的回归预测模型。由于电子商务网站中用户和物品的数量规模较大，使用传统的one-hot编码方式会导致“维数灾难”问题。本文通过训练自编码器推荐系统，对用户和物品ID属性进行压缩表示，同时结合用户和物品的评论信息以及物品的辅助信息构造特征，使用线性回归模型进行评分预测。\n 最后，基于上述提出算法，在多个真实的数据集上进行了验证，使用评分预测中最流行的RMSE评估方法进行评估。数据集包含三个英文数据集yelp13、yelp14、IMDB以及中文数据集dianping。实验结果表明，所提出的两个算法在性能上都优于标准的自编码器推荐算法以及传统的协同过滤推荐算法。

关键词：推荐系统自编码器数据稀疏性自然语言处理偏好特征回归预测模型

来源：评论

学校读者我要写书评

暂无评论

基于改进的加权Slope one协同过滤推荐算法研究

基于改进的加权Slope one协同过滤推荐算法研究

引用

作者：王潘潘昆明理工大学

学位级别：硕士

互联网的快速发展以及电子商务的不断壮大,如何处理信息过载的问题成为研究热点。面对杂乱文章的信息,如何从大量信息中找出自己感兴趣的信息变得十分浪费时间和精力,基于此,推荐系统应运而生。在没有确切的浏览目的情境下,推荐系统能... 详细信息

互联网的快速发展以及电子商务的不断壮大,如何处理信息过载的问题成为研究热点。面对杂乱文章的信息,如何从大量信息中找出自己感兴趣的信息变得十分浪费时间和精力,基于此,推荐系统应运而生。在没有确切的浏览目的情境下,推荐系统能够帮助用户找到自己感兴趣的内容,所以在具体的应用中获得了比较大的成功。目前推荐系统在电子商务网站,电影,视频网站,音乐网络电台,社交网络等方面应用广泛,例如国外的亚马逊、Netfix、CDNow和国内的淘宝网、当当网、豆瓣等。然而人们对项目的需求一般是模糊和不稳定的,因此研究出高准确率的算法和能捕捉到用户的实际需求的推荐系统,这些需求对探索推荐算法的计算机研究者们提出了比较高的要求。协同过滤推荐是现有的最成功的推荐技术之一,但是数据稀疏性问题导致其推荐效率低,推荐准确度不高。针对数据稀疏问题,本文基于协同过滤算法和加权Slope one算法,提出了一种基于Mahout的改进的加权Slope one协同过滤推荐算法。算法首先根据用户-项目评分数据,计算用户与用户之间的评分相似度,找出每个用户的最近邻居集合,然后根据最近邻用户评分,使用改进的加权Slope one算法预测目标用户的未评分项目,最后进行推荐。实验部分采用MovieLens数据集作为测试数据。实验结果表明,和原算法相比,该算法提高了预测准确度,有效提高了推荐性能。简而言之,本论文针对现有推荐系统中常用的协同过滤推荐算法,对协同过滤推荐算法和Slope one算法进行了分析对比,在了解现今的研究状况和分析协同过滤算法的优劣基础上,提出基于加权Slope one算法的协同过滤算法作为本文的研究重点,并通过基础算法和改进算法的对比实验,验证算法优劣。

关键词：推荐算法协同过滤算法加权Slope one算法数据稀疏性

来源：评论

学校读者我要写书评

暂无评论

基于图神经网络的推荐方法研究

基于图神经网络的推荐方法研究

引用

作者：宋亚飞桂林电子科技大学

学位级别：硕士

随着网上信息量的急剧增加,信息过载问题成为了制约网络发展的一个重要因素。个性化推荐系统作为解决信息过载问题的有效手段,得到了工业界和学术界越来越多地关注和研究。图作为一种重要的数据结构,可以表示一组对象及其之间的复杂关... 详细信息

随着网上信息量的急剧增加,信息过载问题成为了制约网络发展的一个重要因素。个性化推荐系统作为解决信息过载问题的有效手段,得到了工业界和学术界越来越多地关注和研究。图作为一种重要的数据结构,可以表示一组对象及其之间的复杂关系。随着人工智能的发展,可以有效提取图中特征表示的图神经网络被提出,并在生物化学、经济金融等领域取得了显著的研究成果。推荐系统中的大部分数据本质上具有图结构,将图神经网络应用于推荐系统,可以更有效的从各种数据中了解用户的偏好和需求。因此基于图神经网络的推荐系统成为推荐系统领域的一个重要研究方向。信息量剧增的另一个影响是用户-物品交互数据变得越来越稀疏,相比于庞大的物品数而言,每个用户交互的物品数几乎可以忽略,这极大的影响了推荐系统的性能。本文基于图神经网络技术,结合多模态数据,研究推荐算法以期缓解数据稀疏性问题,增强个性化推荐的准确率。本文的主要研究内容如下:(1)目前基于图神经网络的推荐方法主要针对用户-物品交互图等结构化数据进行处理,而无法很好的处理非结构化的评论数据。物品评论作为用户选择购买的一种独特渠道,包含着用户对物品丰富特征的评论。因此在推荐时,在用户-物品交互图的基础上,结合评论信息可以有效的缓解数据稀疏性问题,产生更好的推荐效果。同时,大多数已提出的推荐方法通常将来自不同模态的表示简单拼接起来以进行预测,无法很好的利用不同模态的信息。针对上述问题,提出了一种用于个性化推荐的互注意力图神经网络。首先通过节点特征提取模块提取用户-物品交互图上的用户/物品节点表示,同时通过文本特征提取模块提取用户/物品评论表示,然后使用一个互注意力模块,将节点表示和评论表示互相关联,从而在训练过程中捕获节点表示和评论表示之间的相关性。(2)目前基于图神经网络的推荐方法通常使用用户过去交互的所有物品构建用户-物品交互图,然后通过在图上进行邻居聚合为用户生成长期偏好表示。然而用户偏好本质上是动态的,随着时间的推移和一些趋势流行,除了相对稳定的长期偏好外,用户也可能产生一些短期偏好,短期偏好更可能导致用户和物品产生交互。针对上述问题,提出了一个结合长期和短期用户偏好表示的图神经网络用于个性化推荐,同时将物品标题信息和描述信息纳入推荐以缓解数据稀疏性问题。最后在3个真实数据集上进行了充分的实验,验证了所提出模型的推荐效果优于目前最先进的个性化推荐方法。综上所述,本文针对目前基于图神经网络的推荐方法中存在的问题和挑战,提出了相应的解决方法和思路,并进行了相应的科学实验,为推荐系统领域的研究提出了一些可能的方向。

关键词：推荐系统图神经网络数据稀疏性多模态数据

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 << < 19 20 21 22 23 24 25 26 27 28 > >>

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：