检索结果-内蒙古大学图书馆

计算机工程 2022年第1期48卷 12-23,42页

作者：汤佳欣陈阳周孟莹王新复旦大学计算机科学技术学院上海201203 复旦大学上海市智能信息处理重点实验室上海201203

在基于位置的社交网络(LBSN)中,用户可以在兴趣点(POI)进行签到以记录行程,也可以与其他用户分享自身的感受并形成社交好友关系。POI推荐是LBSN提供的一项重要服务,其可以帮助用户快速发现感兴趣的POI,也有利于POI提供商更全面地了解用... 详细信息

在基于位置的社交网络(LBSN)中,用户可以在兴趣点(POI)进行签到以记录行程,也可以与其他用户分享自身的感受并形成社交好友关系。POI推荐是LBSN提供的一项重要服务,其可以帮助用户快速发现感兴趣的POI,也有利于POI提供商更全面地了解用户偏好,并有针对性地提高服务质量。POI推荐主要基于对用户历史签到数据以及用户生成内容、社交关系等信息的分析来实现。系统归纳POI推荐中所面临的时空序列特征提取、内容社交特征提取、多特征整合、数据稀疏性问题处理这4个方面的挑战,分析在POI推荐中使用深度学习方法解决上述问题时存在的优势以及不足。在此基础上,展望未来通过深度学习提高POI推荐效果的研究方向,即通过增量学习加速推荐模型更新、使用迁移学习缓解冷启动问题以及利用强化学习建模用户动态偏好,从而为实现效率更高、用户体验质量更好的推荐系统提供新的思路。

关键词：兴趣点推荐深度学习特征提取特征整合数据稀疏性

来源：评论

学校读者我要写书评

暂无评论

基于GMM-FMs的广告点击率预测研究

引用

计算机工程 2019年第5期45卷 122-126页

作者：邓路佳刘平山桂林电子科技大学计算机与信息安全学院广西桂林541004 桂林电子科技大学商学院广西桂林541004

传统单一模型对广告点击率(CTR)的预测效果较片面,且广告日志数据存在稀疏性问题。为此,将高斯混合模型(GMM)与因子分解机(FM)相结合,建立一种广告点击率预测模型GMM-FMs。对原始数据集进行高斯聚类,在聚类后得到的数据子集上分别建立CT... 详细信息

传统单一模型对广告点击率(CTR)的预测效果较片面,且广告日志数据存在稀疏性问题。为此,将高斯混合模型(GMM)与因子分解机(FM)相结合,建立一种广告点击率预测模型GMM-FMs。对原始数据集进行高斯聚类,在聚类后得到的数据子集上分别建立CTR预测模型,将多个预测模型的结果进行有效加权得到最终结果。实验结果表明,相比传统逻辑回归与FM模型,该模型在训练集与测试集比例不同时均能取得较高的AUC值。

关键词：广告点击率高斯混合模型因子分解机数据稀疏性逻辑回归模型

来源：评论

学校读者我要写书评

暂无评论

LinkMF:结合Linked Data的协同过滤推荐算法

引用

中文信息学报 2016年第1期30卷 85-92页

作者：黄山山马军郭磊王帅强山东大学计算机科学与技术学院山东济南250101 山东财经大学计算机科学与技术学院山东济南250014

协同过滤(CF)是推荐系统中应用最为广泛的推荐算法之一,然而数据稀疏性和冷启动问题是协同过滤方法的两个主要挑战。由于Linked Data整合了关于实体的丰富且结构化的特征,可以作为额外的信息源来缓解以上两种挑战。该文中我们首次提出... 详细信息

协同过滤(CF)是推荐系统中应用最为广泛的推荐算法之一,然而数据稀疏性和冷启动问题是协同过滤方法的两个主要挑战。由于Linked Data整合了关于实体的丰富且结构化的特征,可以作为额外的信息源来缓解以上两种挑战。该文中我们首次提出了结合Linked Data改进CF推荐算法,基于矩阵分解提出了一种新的CF模型——LinkMF,在保证推荐准确度的基础上利用Linked Data缓解数据稀疏性和冷启动问题。首先,我们从Linked Data中抽取项目的特征表示并为项目建模;然后提出新的相似度度量方法计算项目相似度;最后利用项目相似度约束和指导MF分解过程产生推荐。在MovielLens和YAGO标准数据集上的大量实验结果表明,LinkMF优于现有的一些CF方法,特别在缓解数据稀疏性和冷启动问题上取得很好地效果。

关键词：推荐系统矩阵分解 Linked Data 数据稀疏性冷启动

来源：评论

学校读者我要写书评

暂无评论

融合协同过滤与用户偏好的旅游组推荐方法

引用

智能系统学报 2018年第6期13卷 999-1005页

作者：陈君同古天龙常亮宾辰忠梁聪桂林电子科技大学广西可信软件重点实验室广西桂林541004

近年来,组推荐系统已经逐渐成为旅游推荐领域的研究热点之一。传统的推荐系统面临的数据稀疏性问题在组推荐系统中同样存在。基于评分的推荐系统中,可以把组推荐系统分为对单个用户的偏好预测和对组内成员预测结果的融合两个阶段。为提... 详细信息

近年来,组推荐系统已经逐渐成为旅游推荐领域的研究热点之一。传统的推荐系统面临的数据稀疏性问题在组推荐系统中同样存在。基于评分的推荐系统中,可以把组推荐系统分为对单个用户的偏好预测和对组内成员预测结果的融合两个阶段。为提高推荐的效果,提出了一种融合协同过滤与用户偏好的旅游组推荐方法,它考虑了用户的预测评分和组推荐结果的准确性。在协同过滤中通过加入相似性影响因子和关联性因子进行预测评分,然后在均值策略和最小痛苦策略的基础上,提出了满意度平衡策略,该策略考虑了组内成员的局部满意度和整体满意度。实验表明,所提出的方法提高了推荐的准确率。

关键词：组推荐旅游推荐数据稀疏性协同过滤用户偏好均值策略最小痛苦策略

来源：评论

学校读者我要写书评

暂无评论

基于用户兴趣的电子商务推荐方法

引用

沈阳工业大学学报 2009年第5期31卷 573-576,595页

作者：崔宝侠任重段勇沈阳工业大学信息科学与工程学院沈阳110870

针对数据稀疏性与推荐实时性的技术难题,在结合传统用户合作过滤推荐的基础上,提出了基于兴趣度向量模型的用户合作推荐机制.该方法合理利用了用户的人口统计信息,即用户提交给网站的注册信息,来辅助基于兴趣度向量模型的推荐方法,在提... 详细信息

针对数据稀疏性与推荐实时性的技术难题,在结合传统用户合作过滤推荐的基础上,提出了基于兴趣度向量模型的用户合作推荐机制.该方法合理利用了用户的人口统计信息,即用户提交给网站的注册信息,来辅助基于兴趣度向量模型的推荐方法,在提高预测精度的同时还可以解决推荐系统的新用户问题.采用MovieLens网站上提供的研究数据进行模拟推荐实验,通过对平均绝对偏差对比分析可得,兴趣向量模型的推荐方法在一定程度上比传统合作过滤算法有更高的推荐精度.

关键词：合作过滤兴趣度向量模型平均绝对偏差人口统计信息推荐系统数据稀疏性推荐机制推荐方法

来源：评论

学校读者我要写书评

暂无评论

基于三部图的随机游走知识推送方法研究

引用

情报杂志 2013年第9期32卷 185-189,184页

作者：王道平周丹云李秀雅北京科技大学东凌经济管理学院北京100083

针对传统知识推送方法中数据稀疏性的问题,本文提出了一种基于三部图的随机游走知识推送方法。该方法首先建立并分析了"用户-项目-标签"三部图,得到了用户对项目和标签的初始评分值;然后分别在项目空间和标签空间中利用随机... 详细信息

针对传统知识推送方法中数据稀疏性的问题,本文提出了一种基于三部图的随机游走知识推送方法。该方法首先建立并分析了"用户-项目-标签"三部图,得到了用户对项目和标签的初始评分值;然后分别在项目空间和标签空间中利用随机游走算法,生成若干个待推送项目,并重新计算预测评分;最后对用户进行知识推送。实验结果表明,该推送方法有效地提高了知识推送的精确度,满足了用户的知识需求。

关键词：数据稀疏性知识推送三部图随机游走

来源：评论

学校读者我要写书评

暂无评论

基于聚类矩阵近似的协同过滤推荐研究

引用

运筹与管理 2020年第4期29卷 171-178页

作者：张文崔杨波李健陈进东北京工业大学经济管理学院北京100124 北京化工大学经济管理学院北京100029 西安文理学院信息工程学院陕西西安710065 北京信息科技大学经济管理学院北京100101

由于推荐系统中存在巨量的用户和商品,现有的协同过滤方法很难处理用户-商品推荐中的数据稀疏性和计算可扩展性问题。本文提出了一种基于聚类矩阵近似的协同过滤推荐方法CF-cluMA。一方面,CF-cluMA方法通过对用户和商品进行分别聚类,并... 详细信息

由于推荐系统中存在巨量的用户和商品,现有的协同过滤方法很难处理用户-商品推荐中的数据稀疏性和计算可扩展性问题。本文提出了一种基于聚类矩阵近似的协同过滤推荐方法CF-cluMA。一方面,CF-cluMA方法通过对用户和商品进行分别聚类,并利用聚类后的用户-商品分块评分矩阵来刻画用户对于商品兴趣的局部性特点,以降低用户-商品评分矩阵的全局稀疏性。另一方面,CF-cluMA方法通过对局部稠密分块矩阵实施奇异值分解,并利用施密特变换近似全局用户-商品评分矩阵来预测用户对未知商品评分,以降低协同过滤算法的复杂性。在EachMovie电影评分真实数据集上的实验表明,相比于已有的基于矩阵近似的协同过滤推荐方法,本文所提出的CF-cluMA方法能够有效提升推荐系统的准确性并降低推荐系统的计算复杂性。本文的研究对于电子商务推荐系统具有重要的管理启示。

关键词：谱聚类矩阵近似协同过滤数据稀疏性可扩展性

来源：评论

学校读者我要写书评

暂无评论

采用Sigmoid函数的Web服务协同过滤推荐算法

引用

计算机科学与探索 2017年第2期11卷 314-322页

作者：毛宜钰刘建勋胡蓉唐明董石敏湖南科技大学知识处理与网络化制造湖南省普通高校重点实验室湖南湘潭411201

协同过滤推荐技术被广泛用于各个推荐系统,但它仍然存在着用户评分数据稀疏性问题,可能导致推荐结果不准确。针对该问题,提出了一种采用Sigmoid函数的协同过滤推荐算法。首先,分析用户兴趣与其调用服务的次数之间的关系,利用TF-IDF算法... 详细信息

协同过滤推荐技术被广泛用于各个推荐系统,但它仍然存在着用户评分数据稀疏性问题,可能导致推荐结果不准确。针对该问题,提出了一种采用Sigmoid函数的协同过滤推荐算法。首先,分析用户兴趣与其调用服务的次数之间的关系,利用TF-IDF算法计算用户对服务内容的兴趣度;其次,定义一个Sigmoid函数,根据服务调用次数计算用户对服务功能的兴趣度;最后,基于内容兴趣度和功能兴趣度计算用户兴趣相似度完成协同过滤算法,实现个性化的服务推荐。实验证明,该方法能有效缓解数据稀疏性问题,提高了推荐质量。

关键词：协同过滤 Sigmoid函数数据稀疏性推荐系统用户兴趣

来源：评论

学校读者我要写书评

暂无评论

个性化推荐中的隐语义模型

引用

小型微型计算机系统 2016年第5期37卷 881-889页

作者：王升升赵海燕陈庆奎曹健上海市现代光学系统重点实验室光学仪器与系统教育部工程研究中心上海理工大学光电信息与计算机工程学院上海200093 上海交通大学计算机科学与技术系上海200030

协同过滤是最流行的推荐算法之一,已经成功地应用在很多推荐系统中,而隐语义模型就是协同过滤的典型代表.隐语义模型的核心思想是通过隐类联系用户兴趣和物品,通过矩阵分解技术建立用户和隐类之间的关系,隐类和物品之间的关系,最终得到... 详细信息

协同过滤是最流行的推荐算法之一,已经成功地应用在很多推荐系统中,而隐语义模型就是协同过滤的典型代表.隐语义模型的核心思想是通过隐类联系用户兴趣和物品,通过矩阵分解技术建立用户和隐类之间的关系,隐类和物品之间的关系,最终得到用户对物品的偏好关系,从而个性化地对用户进行物品的推荐.但是,数据稀疏性和冷启动是协同过滤面临的最大挑战,幸运的是,伴随着社交网络的异军突起,很多学者已经将社交特征数据信息(比如标签、社交等)融入隐语义模型之中来解决协同过滤面临的问题.本文综述了近些年来基于隐语义模型的推荐算法研究成果,总结了常见的基于隐语义模型的推荐算法拓扑结构,并给出了未来的研究方向.

关键词：协同过滤隐语义模型矩阵分解社交网络数据稀疏性冷启动

来源：评论

学校读者我要写书评

暂无评论

Hadoop下基于聚类协同过滤推荐算法优化的研究

引用

计算机工程与科学 2016年第8期38卷 1615-1624页

作者：田保军胡培培杜晓娟苏依拉内蒙古工业大学信息工程学院内蒙古呼和浩特010080

作为重要的个性化推荐算法之一,协同过滤推荐算法有其独特的优势,但同时存在数据稀疏性、冷启动和扩展性问题。针对数据稀疏性问题,对项目相似度进行改进,利用基于项目的协同过滤对原始评分矩阵进行填充,以此降低数据稀疏性对推荐质量... 详细信息

作为重要的个性化推荐算法之一,协同过滤推荐算法有其独特的优势,但同时存在数据稀疏性、冷启动和扩展性问题。针对数据稀疏性问题,对项目相似度进行改进,利用基于项目的协同过滤对原始评分矩阵进行填充,以此降低数据稀疏性对推荐质量的影响。针对冷启动问题,采用基于用户和项目属性分别进行聚类的方法,通过聚类模型建立新用户和新项目与现有用户和现有项目之间的联系,根据对现有用户和现有项目的推荐预测新用户和新项目的推荐。针对扩展性问题,利用云平台Hadoop的MapReduce框架完成相关算法的并行化,以此解决传统协同过滤推荐算法面临的严重扩展性问题。实验表明,改进后的算法较好地解决了以上问题。

关键词：协同过滤数据稀疏性扩展性聚类 Hadoop

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：