检索结果-内蒙古大学图书馆

计算机工程与应用 2012年第21期48卷 21-25,30页

作者：姜维庞秀丽哈尔滨工业大学管理学院哈尔滨150001 黑龙江大学经济与工商管理学院哈尔滨150080

协同过滤技术是推荐系统中应用最为广泛的算法,其面临着数据稀疏性问题、冷启动、规模可扩展性等问题。工作体现在两点:一是在基于项的协同过滤模型中,改进了项间的相似度计算方法,相比调整余弦方法仅考虑一个要素,包含了三个要素:两项... 详细信息

协同过滤技术是推荐系统中应用最为广泛的算法,其面临着数据稀疏性问题、冷启动、规模可扩展性等问题。工作体现在两点:一是在基于项的协同过滤模型中,改进了项间的相似度计算方法,相比调整余弦方法仅考虑一个要素,包含了三个要素:两项的具有共同用户的评分、共同评分用户数量、非共同评分用户数量;二是组合基于用户、基于项和基于奇异值分解的协同过滤推荐,通过多模型组合提高推荐性能。实验结果表明在基于项过滤中MAE指标上提高了4.30%。进一步,加权的组合多种模型方法比基于项方法提高了1.26%。

关键词：个性化推荐协同过滤数据稀疏问题组合推荐

来源：评论

学校读者我要写书评

暂无评论

协同过滤推荐系统中的数据稀疏性及冷启动问题研究

协同过滤推荐系统中的数据稀疏性及冷启动问题研究

引用

作者：李晓菊华东师范大学

学位级别：硕士

推荐系统可根据用户的历史行为,自动挖掘用户的兴趣喜好,从而为用户提供个性化的推荐。协同过滤作为个性化推荐中最成功的算法之一,一直备受研究者的关注并得到了广泛的应用。由于协同过滤算法仅利用用户对商品的评分数据做推荐,存在严... 详细信息

推荐系统可根据用户的历史行为,自动挖掘用户的兴趣喜好,从而为用户提供个性化的推荐。协同过滤作为个性化推荐中最成功的算法之一,一直备受研究者的关注并得到了广泛的应用。由于协同过滤算法仅利用用户对商品的评分数据做推荐,存在严重的数据稀疏性和冷启动问题。但是,我们可以换一个角度出发,通常商品内容信息是能获取到的,并且商品内容中蕴含着商品自身的特征信息。因此,本文将商品内容作为评分数据的一个有益补充,融合到协同过滤中来缓解数据稀疏性和冷启动问题。本文主要的工作和贡献如下:1.针对数据稀疏性问题,本文综合考虑商品内容信息和评分矩阵,提出一个基于竞争循环自编码器(Competitive Recurrent Autoencoder,CRAE)的概率矩阵分解模型(CRAEmf)。CRAEmf可自动提取商品内容的特征表示,并将内容特征与矩阵分解中的隐特征相关联,缓解数据稀疏性问题。CRAEmf在提取商品内容特征表示时,可将商品内容的语义信息和上下文信息考虑在内。此外,我们在模型中加入竞争机制,使CRAEmf可以更有效地提取商品内容中的关键特征,舍弃冗余的信息,进而提升评分预测准确性。在三个取自真实世界的数据集上的实验表明,即使是在数据极度稀疏的情况下,本文算法的评分预测准确性也优于其它融合商品内容的协同推荐算法。2.为解决更极端的商品冷启动问题,本文提出一种商品内容特征到隐特征的映射模型。在矩阵分解模型中,用一个隐特征向量来表示商品,但对于新加入的商品,由于评分数据为空,无法通过矩阵分解模型准确获取到它的隐特征向量。因此本文首先利用CRAE从商品内容中自动生成商品内容特征,然后提出三种从商品内容特征到商品隐特征的映射方式。通过这一层映射,对评分数据为空的冷启动商品,可根据其内容信息获取它的隐特征向量,并将它加入到矩阵分解模型中,从而解决商品冷启动问题。此外,若新商品接收到用户评分,本文提出一个隐特征动态更新算法,其根据用户评分动态更新商品隐特征,实现了新商品到旧商品的平稳过渡,进而提升推荐准确性。最后,在三个真实的数据集上,分别验证了本文算法在处理商品冷启动问题上的有效性。

关键词：协同过滤数据稀疏问题冷启动问题自编码器概率矩阵分解

来源：评论

学校读者我要写书评

暂无评论

统计自然语言处理中的线性插值平滑技术

引用

计算机科学 2007年第6期34卷 223-225,244页

作者：张敬芝高强耿桦潘金贵南京大学计算机软件新技术国家重点实验室南京210093

统计自然语言处理中,一个很复杂的问题是数据稀疏问题。主要有两种平滑方法解决:回退法和线性插值法。本文分析和比较了几种典型的线性插值方法,着重研究了它们所引发的词性聚类倾向。在此基础上,给出了2种改进的平滑方法。实验表明,改... 详细信息

统计自然语言处理中,一个很复杂的问题是数据稀疏问题。主要有两种平滑方法解决:回退法和线性插值法。本文分析和比较了几种典型的线性插值方法,着重研究了它们所引发的词性聚类倾向。在此基础上,给出了2种改进的平滑方法。实验表明,改进的方法比原来的方法有更出色的平滑效果。

关键词：统计语言模型数据稀疏问题平滑技术回退法线性插值法 n-gram

来源：评论

学校读者我要写书评

暂无评论

TraDR:一种基于轨迹分解重构的移动社交网络位置预测方法

引用

计算机科学 2016年第3期43卷 93-98页

作者：薛迪吴礼发李华波洪征解放军理工大学指挥信息系统学院南京210007

随着移动社交网络的不断发展,利用用户发布的位置信息为其提供基于地域的个性化推荐服务不仅给用户提供了便利,也为商户带来了巨大的潜在利益。位置预测技术作为此类服务中的关键技术,是移动社交网络中的重要研究内容之一。结合移动社... 详细信息

随着移动社交网络的不断发展,利用用户发布的位置信息为其提供基于地域的个性化推荐服务不仅给用户提供了便利,也为商户带来了巨大的潜在利益。位置预测技术作为此类服务中的关键技术,是移动社交网络中的重要研究内容之一。结合移动社交网络的特点,提出了基于轨迹"分解-重构"的位置预测方法 TraDR,利用公开易得的先验知识,为用户建立个性化的位置推理模型,有效解决了常见位置预测算法所面临的"轨迹数据稀疏问题"。基于真实数据集的实验验证了该预测方法在预测有效性及效率方面的优越性。

关键词：移动社交网络位置预测数据稀疏问题签到轨迹

来源：评论

学校读者我要写书评

暂无评论

B2C环境下用户感知可信的推荐系统理论及其关键方法研究

B2C环境下用户感知可信的推荐系统理论及其关键方法研究

引用

作者：张尧哈尔滨工业大学

学位级别：博士

随着电子商务的发展，购物类互联网平台的逐渐成熟，网络购物这种购物方式逐渐被人们所接受。在商品极大丰富的今天，电子商务网站需要一种可以快速的并且准确的将符合消费者偏好的商品推荐给消费者的工具，因此推荐系统应运而生。推荐... 详细信息

随着电子商务的发展，购物类互联网平台的逐渐成熟，网络购物这种购物方式逐渐被人们所接受。在商品极大丰富的今天，电子商务网站需要一种可以快速的并且准确的将符合消费者偏好的商品推荐给消费者的工具，因此推荐系统应运而生。推荐系统不仅可以帮助消费者提高决策效率、决策质量，也可以帮助网站提高利润、降低成本，因此具有非常重要的应用价值与研究价值。在学术研究领域，关于推荐系统的研究已取得了大量的研究成果，这些研究成果不仅可以提高推荐结果的准确性，而且对于消费者多样性的需求也可以很好的支持，但是，推荐系统能够实现其重要作用的前提是消费者信任推荐系统并利用推荐结果，所以本文针对如何设计推荐系统，才能让消费者感受到推荐系统在帮助消费者完成购买任务方面的仁慈性（Benevolence）、感受到推荐系统在帮助消费者提高购买决策质量方面的能力（Competence）、感受到推荐系统在坚持推荐原则方面的正直性（Integrity），从而信任推荐系统，进而实现推荐系统的预期作用而展开相关研究的。研究过程是以成熟的信息系统设计理论（Information System Design Theory，ISDT）的设计流程为依据的，具体研究过程及内容如下：本文首先通过理论推导，分析并构建了影响消费者对推荐系统产生信任的理论模型。该理论模型描述了消费者在与推荐系统不断深入的交互过程中逐渐产生信任的过程。根据任务技术匹配理论，分析了系统功能与消费者购买任务的匹配（需求认知支持、信息搜集支持、商品评价支持），对消费者初始使用意愿的影响；根据详尽可能性模型（Elaboration Likelihood Model），分析了消费者的积极参与，对于其理性认知及评价推荐系统的信任属性的影响；由于用户的良好体验与消费者的积极参与具有较强的相关关系，因此根据流体验理论（Flow experience），分析了系统的及时反馈、技能与挑战的匹配等特征对消费者的良好体验的影响；而消费者的良好体验又影响了其对系统的感知控制力及感知乐趣，进而影响了消费者对系统的感知易用性；最后与消费者对系统的感知透明性一同影响了消费者对系统的信任感知。在该理论模型的基础上，构建了系统的功能框架，详细分析了与理论相对应的功能模块。其次，针对推荐系统对消费者需求认知支持的问题，提出了基于商品网络成份分析及关联强度Q指标中间度分析的消费者需求预测方法。该方法将所有商品类型划分成若干成份，每个成份近似体现了消费者的一种主题偏好，并依据消费者需求具有相似性及连续性的特点，对消费者的需求进行预测。同时通过对中介作用强的商品类型进行推荐，可以使消费者最大程度的从当前所处的主题偏好集合迁移到另一个主题偏好集合中，从而为新颖性推荐提供理论基础。由于网络分析过程可以在线下完成，并且消费者的需求模式不会经常变化，因此可以实时的为网上消费者提供快速的、准确的并新颖的需求认知支持。第三，针对为消费者提供信息搜集及商品评价的支持问题，提出了基于消费者主观信任倾向分析的兴趣相似邻居寻找方法，及基于消费者消费水平的商品排序方法。该方法将消费者细分为相似用户、专家用户与可信用户，并通过分析不同类型的消费者对这三类用户的信任倾向，为目标用户寻找与其偏好相似的其他用户。该方法使得推荐的结果更符合消费者的偏好，提高了信息搜集及商品评价的准确性。在实践中，网站可以通过该方法提高消费者与推荐系统之间的交互体验，同时在交互过程中通过一定形式的反馈，让消费者认识到其与目标的差距及缩小这种差距的方法建议，以提高消费者的技能匹配其所面对的挑战，进而促进消费者对推荐系统产生良好的体验。第四，提出了一种缓解用户共同评价数据稀疏的方法。由于在实际电子商务中很难找到具有相同购买历史的两个用户，因此消费者共同评价项目的数据稀疏问题非常普遍，其严重影响了协同过滤推荐方法的应用。为了提高系统在数据极度稀疏环境下的适应性，文中在前面算法研究基础上，提出了基于商品互补性与替代性关系扩展消费者共同评价项目集的方法，经过验证，该方法能够在共同评价数据极度稀疏的环境下得到不失准确性的新颖性推荐结果。最后，让推荐系统自动地在恰当的时间给予消费者恰当的推荐结果及解释，是提高消费者对系统信任感知的重要手段，因此构建了个性化反馈Agent。设计的Agent在经典BDI Agent的基础上，针对设计的用户感知可信的推荐系统特征，对其核心组成要素，目标库、事件库、信念库及方案库的内容进行了详细设计，并通过对组成要素的之间的关系分析构建了方案选择策略。本文围绕用户感知可信的推荐系统设计问题，沿着理论分析—>系统设计与功能分析—>功能实现与验证—>推荐结果及解释的反馈设计这一主线对推荐系统进行了分析与设计，所提出的理论模型及推荐算

关键词：电子商务推荐系统感知可信基于知识的信任信息系统设计理论数据稀疏问题反馈Agent设计

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网络的移动对象目的地预测

引用

小型微型计算机系统 2019年第12期40卷 2519-2525页

作者：江婧张怀峰皮德常南京航空航天大学计算机科学与技术学院

移动对象目的地预测是基于位置服务的一项基本任务.常用的基于历史轨迹的目的地预测方法会引起"数据稀疏问题",即所要查询的轨迹很难与历史轨迹完全匹配.本文提出一种新颖的方法,在实现目的地预测的同时,有效克服了数据稀疏问... 详细信息

移动对象目的地预测是基于位置服务的一项基本任务.常用的基于历史轨迹的目的地预测方法会引起"数据稀疏问题",即所要查询的轨迹很难与历史轨迹完全匹配.本文提出一种新颖的方法,在实现目的地预测的同时,有效克服了数据稀疏问题.文章首先引入参数化最小描述长度策略(PMDL)对原始轨迹进行最优分段表示,削弱相似轨迹之间的差异程度,增强不相似轨迹各自的重要特征;随后,提出轨迹的像素化表示方法(PRT),将一维轨迹序列转换成二维像素图片,以获取更多空间上的细节信息;最后,从轨迹图像中截取重要特征部位输入卷积神经网络(CNN),进行特征提取和目的地预测.本文在真实轨迹数据集上进行了大量的实验,实验结果表明,与当前先进模型2.81(10^5km)的预测误差相比,本文提出的方法实现了1.98(10^5km)的预测误差,在有效解决数据稀疏问题的同时,对目的地实现了更为准确的预测.这为解决移动对象目的地预测提供了新的可能.

关键词：目的地预测数据稀疏问题 PMDL PRT CNN

来源：评论

学校读者我要写书评

暂无评论

个性化信息推荐中若干关键问题与技术研究

个性化信息推荐中若干关键问题与技术研究

引用

作者：殷风景国防科学技术大学

学位级别：博士

互联网技术的飞速发展与信息网络化趋势的蔓延使得互联网上信息的数量快速膨胀,人们面临着信息过载带来的信息获取方面的困难。如何帮助互联网用户更加有效地获取自己想要的信息,成为信息科学、计算机科学与网络科学等交叉领域的研究热... 详细信息

互联网技术的飞速发展与信息网络化趋势的蔓延使得互联网上信息的数量快速膨胀,人们面临着信息过载带来的信息获取方面的困难。如何帮助互联网用户更加有效地获取自己想要的信息,成为信息科学、计算机科学与网络科学等交叉领域的研究热点。得益于众多研究人员的不懈努力,当前已经有了几种可以比较高效地获取感兴趣的信息的方式,最主要的是信息检索技术和信息过滤技术,前者以各种搜索引擎为典型代表,通过与用户的交互获取用户对目标信息的描述,通过描述关键词在网络中进行查找;后者以信息推荐为主要方法,通过收集用户的行为数据和其他属性信息,分析用户的潜在兴趣,为用户筛选可能感兴趣的信息。搜索技术需要用户提供尽可能明确的关键词来描述自己的需求,并且有限的关键词无法进一步区分具有不同习惯的用户,得到的结果都是相同的;而推荐技术使用用户的有关信息以及其过往行为所代表的兴趣分析得到用户的偏好与倾向,并不以用户需求的自我描述为前提,所以用户可以以较少的付出得到更精准的信息。因此,对于没有明确需求的情况,推荐技术可以很好地满足用户的需求。推荐技术已经发展了近二十年,在很多领域已经取得了较为成功的应用,在理论研究方面,推荐技术得到了大量研究人员的关注,对经典推荐方法——比如协同过滤方法——的研究热度不减,还有很多其他的新方法——比如基于二分网络的方法——被不断提出,进一步丰富了推荐技术的相关研究。随着研究的不断深入以及应用环境的持续变化,推荐技术面临着不少问题与挑战,这其中最主要的就是数据稀疏性问题与大规模数据处理问题。数据稀疏性问题指的是基于协同过滤的推荐中用户与项目数量规模较大,但是用户对项目的评价数据相对较少,导致整个用户-项目矩阵中的评分数据十分稀疏,给推荐方法的计算带来准确性方面的影响。大规模数据处理问题是指随着实际应用中推荐技术要处理的数据量的不断增大,推荐算法的实时性压力越来越大,这就要求设计更加高效的方法或者提出其他提高算法执行效率的方法,提升推荐算法对数据的处理能力与处理速度。针对推荐技术面临的以上主要挑战,本文将对下面几个问题展开研究。第一,基于协同过滤方法的评分预测中数据稀疏性问题研究。评分预测是个性化信息推荐的一个主要研究内容,通过分析用户以往评分来预测未评分的项目的评分值。数据稀疏性问题对协同过滤算法的影响主要体现在用户相似度计算与评分预测生成两个阶段,数据稀疏导致用户之间的公共数据变得更加有限,使得用户之间相似结果的可信度下降;而受稀疏性的影响近邻的评分完整性无法保证,在不完整参考评分集上得到的评分预测值也就不能保证较高的准确度。因此,提出了基于绝对相似度度量进行参考用户(项目)选择和利用跨维度填补方法提高参考评分集完整性的方法。实验结果验证了本文提出的算法在减少数据稀疏性影响并提高推荐准确性方面的作用。第二,基于二分网络的top-n推荐中数据稀疏性问题研究。Top-n推荐是个性化信息推荐中的另一个基本问题,目的是向每个用户提供一个包含N个项目的推荐列表。二分网络的推荐方法是一种比较新颖的方法,这类方法能够更好地适应比较稀疏的数据,并且可以获得更高的推荐精度。以用户评分为依据划分用户兴趣时,只考虑用户喜欢的项目部分使得数据利用率很低,而对用户不喜欢的项目部分利用的不够;用户评分反映的兴趣差别不仅应该体现在兴趣的有无上,还应该进一步细化到兴趣强度的差异上以及兴趣资源转移过程中。本文提出了一种新的二分网络方法,通过分析用户不喜欢的项目所透露出来的信息建立负兴趣感知的用户兴趣模型,并且使用评分敏感的用户兴趣资源初始化方法与资源转移方法来体现用户兴趣在程度上的不同。接下来的实验表明,使用本文提出的新方法,推荐的效果取得了明显的提高。第三,基于二分网络的评分预测算法研究。针对节点度分布不均衡的数据,提出一种二分网络上无偏温差传导和有偏温度恒定的算法处理评分预测问题。由于不需要进行相似计算和选择固定个数用户(项目)作为近邻,二分网络的方法可以更好地缓解稀疏数据的影响。本文提出的算法基于热传导的过程,并采用用户之间的温差作为传导与比较的内容,并设定节点获得的温差是从所有连接节点处传导过来的温差的均值,以此平衡所有节点的影响;此外,利用温度恒定的过程计算项目节点的预测温度,得到用户对项目的评分预测值。由文中进行的实验可知,在特定类型的数据集上,本文提出的算法可以取得比基于协同过滤的方法更好的效果,并且该算法比经典热传导方法具有更高的计算效率。第四,基于Mapreduce的评分预测与top-n推荐算法的大规模数据处理问题研究。个性化信息推荐在实际应用中要处理的数据量越来越大,因此对算法的执行效率提出了更高的要求。有些研究针对算法计算过程进行精简,比如矩阵降维等,但这类方法受限于算法本身,并不能保证精简的效果一定能够满足要求,也不能无限地精简来提升算法的扩展能力。本

关键词：个性化信息推荐评分预测 top-n推荐协同过滤二分网络数据稀疏问题大规模数据处理问题 Mapreduce 并行计算

来源：评论

学校读者我要写书评

暂无评论

基于协同过滤的推荐算法研究

基于协同过滤的推荐算法研究

引用

作者：刘青文中国科学技术大学

学位级别：博士

***2.0技术将互联网带入了一个崭新的时代,互联网用户在互联网生活中发挥着越来越主动的作用,用户不再只是被动地从互联网上接受信息,而是主动地创造信息,并利用Web2.0平台与其他用户进行交互和分享。随着互联网用户的飞速增长,以用户... 详细信息

***2.0技术将互联网带入了一个崭新的时代,互联网用户在互联网生活中发挥着越来越主动的作用,用户不再只是被动地从互联网上接受信息,而是主动地创造信息,并利用Web2.0平台与其他用户进行交互和分享。随着互联网用户的飞速增长,以用户为中心的信息生产模式造成了互联网信息的爆炸式增长,人们正面临着越来越严重的“信息过载”问题。“信息过载”问题是指,人们无法从海量的信息中快速准确的定位到自己所需要的信息。目前,解决信息过载问题的技术主要分两类,第一类是以搜索引擎为代表的信息检索技术,第二类是以推荐系统为代表的信息过滤技术。两者最重要的区别在于用户通过搜索引擎获取的信息的质量的好坏在很大程度上依赖于用户对于信息求描述的准确程度,而推荐系统不需要用户提供明确的需求,而是从用户的历史行为和数据中出发,建立相关的模型从而挖掘出用户的需求和兴趣,从而以此为依据从海量的信息中为用户筛选出用户感兴趣的信息。由此可见,在用户需求不明确时,推荐系统的作用显得尤为重要。到目前为止,已经有许多推荐算法被提出,协同过滤是这些算法中应用最多且最为有效的推荐算法。虽然协同过滤算法已经被成功地应用到许多商业推荐系统中,但是仍然存在着诸如数据稀疏问题、冷启动问题等亟待解决。随着互联网的飞速发展,以微博为代表的各种社交媒体纷纷涌现,以用户为中心的社交网站产生了海量的和用户兴趣相关的数据,如何有效的利用这些数据来改进推荐算法的性能已经成为一个重要的研究领域。针对以上关键问题,本文展开了如下几个方面的研究。第一,协同过滤中相似度模型的研究。用户(项目)相似度计算是基于内存的协同过滤算法中最为关键的问题,正负标注信息不对称和数据稀疏性导致了传统的相似度模型不准确从而影响推荐精度。本文针对这两个问题,提出了基于变权重和罚函数的用户相似度模型。实验结果表明,本文提出的算法能够有效缓解上述两个问题,从而提高推荐精度。第二,融合社交网络信息的协同过滤算法研究。丰富的社交网络信息给推荐系统带来的新的机遇也提出了更大的挑战,如何有效地挖掘海量的社交网络信息以提高推荐算法的精度是社交网络推荐系统研究的核心问题。本文基于腾讯微博用户的真实社交网络信息,构建有效的用户相似度模型,并将该相似度模型与基于评价矩阵信息的用户相似度模型相结合,提出了融合社交网络信息的协同过滤算法。实验结果表明,通过融合社交网络信息,数据稀疏问题得到了明显缓解且推荐精度显著提高。第三,基于用户与基于项目的融合协同过滤算法的研究。根据不同的假设,协同算法可以分为基于用户的方法与基于项目的方法。本文研究了两种方法在推荐性能与效果上的本质差别,并在此基础上针对两种方法的优缺点进行模型融合,提出了融合基于用户和基于项目的融合协同过滤算法。实验结果表明,基于用户的方法更擅长于热门推荐而基于项目的方法更擅长于长尾推荐,本文提出的模型融合算法能有效的缓解数据稀疏问题并提高算法精度。第四,协同过滤算法中的全局模型融合与局部模型融合研究。目前存在着许多有效的协同过滤算法(例如基于内存的方法与基于模型的方法、基于用户的方法与基于项目的方法),不同的算都具有各自的优势和缺陷。本文提出了不同的方法对于不同的用户(项目)的适用程度不一致的观点。基于上述观点,本文通过机器学习的方法,自动发现用户(项目)对于各种方法的适应程度,并进行局部模型融合。实验结果表明,局部融合模型比全局融合模型具有更高的推荐精度。

关键词：推荐系统协同过滤社交网络数据稀疏问题冷启动问题用户相似度模型模型融合堆叠回归基于用户的方法基于项目的方法

来源：评论

学校读者我要写书评

暂无评论

基于用户画像与协同过滤的混合推荐系统研究

基于用户画像与协同过滤的混合推荐系统研究

引用

作者：胡兆山云南财经大学

学位级别：硕士

随着互联网的迅猛发展,信息呈指数级增长。面对如此庞杂的信息,帮助用户快速、有效地获取需要的信息成为一项具有挑战性的工作,这也是当前学术界研究的热点问题。学术界和业界针对信息过载问题开展了大量的研究和实践工作,提出了多种个... 详细信息

随着互联网的迅猛发展,信息呈指数级增长。面对如此庞杂的信息,帮助用户快速、有效地获取需要的信息成为一项具有挑战性的工作,这也是当前学术界研究的热点问题。学术界和业界针对信息过载问题开展了大量的研究和实践工作,提出了多种个性化解决方案,希望为用户提供符合其需求的信息。而推荐系统就是解决此问题的有效方法,它是一种个性化信息服务系统,通过推荐算法实现有针对性的个性化推荐。而协同过滤是在推荐系统中应用最成功和最广泛的一种推荐算法。协同过滤通过用户评价过项目的历史评分数据来预测未知项目的用户评分,但随着互联网不断发展与普及,像淘宝、抖音、微信这样的大型平台用户数都已过亿,而且其中的项目资源也增长至千万级。但大部分用户仅仅对个别项目进行过评价,而且用户评价过的项目也不尽相同,因此用来进行预测评分的用户-项目评分矩阵变得极端稀疏。很难根据这些数据找到偏好真正相近的用户,传统基于协同过滤方法所生成的推荐质量越来越差,稀疏性问题己成为影响推荐效果的关键问题,因此需要新的方法来解决这个问题。而用户画像的产生原因是为了准确、高效地分析用户的偏好信息,将其与协同过滤相结合可能会改善这一问题。并且有调查显示80%的用户愿意向平台提供自己的姓名、年龄、性别等基本信息。因此笔者就对如何使用用户基本信息构建用户画像、如何将用户画像融入到协同过滤进行了研究。提出了一种构建用户画像的用户信息度量模型,一种基于用户画像与协同过滤的混合推荐模型UPCF。本文在实验阶段考察了相似度量模型(PCC、COS、ADCOS)、评分预测算法(DFM、WS)、不同用户特征对混合推荐模型UPCF的影响,并在其中选出了使UPCF模型表现最优的组合。然后将此UPCF模型分别与UBCF、SM模型在MAE、Precision、Recall、F1四种评价指标下进行了比较,实验结果表明本文提出的方法在这四种评价指标上,确实要优于传统的UBCF、改进的SM方法,证明了本文提出的方法提高了协同过滤推荐算法的预测准确性,缓解数据稀疏性问题带来的影响。

关键词：推荐系统协同过滤用户画像混合推荐数据稀疏问题

来源：评论

学校读者我要写书评

暂无评论

融合用户关系强度的协同过滤算法研究

融合用户关系强度的协同过滤算法研究

引用

作者：张志强华中科技大学

学位级别：硕士

随着互联网的高速发展,网络信息也飞速增长,以协同过滤系统为代表的推荐系统(RS)可以帮助用户在较短时间内找到其感兴趣的内容。协同过滤算法在推荐系统中发挥了重要的作用,其应用最广泛也最有效,但还是有一系列的问题存在,如历史标注... 详细信息

随着互联网的高速发展,网络信息也飞速增长,以协同过滤系统为代表的推荐系统(RS)可以帮助用户在较短时间内找到其感兴趣的内容。协同过滤算法在推荐系统中发挥了重要的作用,其应用最广泛也最有效,但还是有一系列的问题存在,如历史标注信息过于稀疏问题、新用户(项目)问题等亟待解决。近年来社交网络飞速发展,以微博为代表的应用受到大量的用户追捧,产生了海量的以用户为中心和用户兴趣相关的社交信息,结合用户的历史行为和标注信息,如何综合利用这些信息来改进协同过滤算法的性能,缓解评价矩阵数据稀疏导致的预测精度不高的情况,是本文的研究重点。为了解决上述的问题,本文进行了如下两方面研究。第一,基于正负二值标注评价矩阵的用户相似度模型研究。协同过滤算法中最关键一步是用户相似邻居选择,而邻居选择的依据是用户相似度计算模型。在二值标注评分矩阵的模式下,传统的相似度模型存在一些不足,同时由于评价标注信息十分稀疏,用户共同评价的项目过少,用户相似度计算受到了严重影响,从而影响算法的预测精度。在正负二值标注模式,我们对三种典型的相似度计算方法进行了理论分析和实验对比,发现杰卡德相似度模型更加适应二值标注的评分模式,又针对评分矩阵数据稀疏性问题,在杰卡德相关系数的基础上引入平滑函数,来降低用户之间共同标注项目过少带来的相似度计算不准确的情况。实验的结果证明,改进后的算法能够有效缓解数据稀疏性问题,从而提升了系统预测性能。第二,融合用户关系强度的协同过滤算法研究。社交网络中,用户社交信息的飞速增长为我们提供了很多评价矩阵信息以外的数据,可以提供给研究者进行挖掘。本文的研究重点就是如何充分利用这些额外的社交信息来缓解评分矩阵数据稀疏的问题,从而提升算法的性能。文中依据腾讯微博用户真实数据,首先依据用户社交信息建立了合理的用户关系强度模型,再结合基于评价矩阵信息的引入平滑函数的杰卡德相似度计算方法,提出了融合两种信息的预测算法。并采用融合算法对评分矩阵进行缺失值预测填充处理,相较与文中对比的方法,我们采用的融合算法增加了有效的信息量。从实验结果可以看出,融合用户关系强度的协同过滤算法有效的减轻了评价矩阵过于稀疏带来的影响,使得算法的预测性能有了显著提升。

关键词：关系强度协同过滤数据稀疏问题评分矩阵社交信息

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：