检索结果-内蒙古大学图书馆

作者：尤珍妮武汉大学

学位级别：硕士

近年来,电子商务所带来的便利渗透了人们生活的方方面面。其中,在线评论记录来自于消费者的真实体验和感受,因此成为了众多消费者做出消费决定的重要参考依据。这背后存在的巨大商业利益,导致垃圾评论在众多电子商务网站大量涌现。毋庸... 详细信息

近年来,电子商务所带来的便利渗透了人们生活的方方面面。其中,在线评论记录来自于消费者的真实体验和感受,因此成为了众多消费者做出消费决定的重要参考依据。这背后存在的巨大商业利益,导致垃圾评论在众多电子商务网站大量涌现。毋庸置疑,垃圾评论的泛滥将严重误导消费者的选择,导致消极的消费体验,同时也将对商家、网站的信誉和发展造成不利影响。因此,垃圾评论检测成为亟待解决的问题。现有工作主要致力于提取有效的语言特征和行为特征用于区分垃圾评论和真实评论。然而,此类特征工程方法在用户冷启动环境下的垃圾评论检测任务中表现耗时且无效。针对用户冷启动的垃圾评论检测研究甚少,最新的研究进展提出基于神经网络联合编码文本信息和行为信息的框架以应对用户冷启动导致的数据稀疏问题。但是,该框架忽略了丰富的属性信息,检测效果有待改进。本文首先提出行为特征生成模型(BFGN),基于评论的文本特征为用户冷启动环境下的垃圾评论生成对应的行为特征。通过深入分析现有方法与BFGN模型的本质思想与存在问题,本文提出了联合建模实体、属性及其间关联的属性增强评论表示模型(AE)。该模型不仅编码评论者、商品、评论等实体信息,同时建模实体的固有属性信息,如地点、时间、价格档等。通过在AE模型的基础上引入领域分类器实现辅助领域与目标领域间的知识迁移,本文进一步提出基于属性增强和领域适应的评论表示模型(AEDA)。通过集成丰富的实体、属性与辅助领域的信息,本文所提出的AE与AEDA模型能够有效应对用户冷启动环境下的数据稀疏问题。在Yelp数据集上的实验结果表明,我们的模型效果均显著优于基线方法。

关键词：垃圾评论检测用户冷启动属性增强领域适应表示学习

来源：评论

学校读者我要写书评

暂无评论

新闻推荐系统中用户冷启动问题的研究

引用

小型微型计算机系统 2016年第3期37卷 479-482页

作者：杨秀梅孙咏王美吉李岩中国科学院大学北京100049 中国科学院沈阳计算技术研究所沈阳110168

提出利用用户上下文信息,解决新闻推荐系统中用户冷启动问题的方法.通过已有用户对于新闻的点击浏览记录,提取其在不同环境中的上下文信息,并利用兴趣分类记录构建决策树分类模型.新用户到达时,提取此用户在当前环境中所带有的上下文信... 详细信息

提出利用用户上下文信息,解决新闻推荐系统中用户冷启动问题的方法.通过已有用户对于新闻的点击浏览记录,提取其在不同环境中的上下文信息,并利用兴趣分类记录构建决策树分类模型.新用户到达时,提取此用户在当前环境中所带有的上下文信息并与决策树模型进行匹配,以此预测新用户的新闻浏览兴趣,并将新闻主题与用户兴趣进行匹配,进而完成新闻推荐.实验结果表明,本文提出的基于用户上下文信息的方法能够有效缓解新闻推荐系统中用户冷启动问题,用户满意度明显提高,新闻推荐结果更为人性化.

关键词：新闻推荐用户冷启动上下文信息决策树

来源：评论

学校读者我要写书评

暂无评论

基于信任环的用户冷启动推荐

引用

计算机科学 2013年第11A期40卷 363-365,397页

作者：杨圩生罗爱民张萌萌国防科学技术大学信息系统与管理学院长沙410073

近年来,为了解决推荐系统的用户冷启动问题,信任推荐技术得到了长足发展。然而,传统的信任推荐技术在处理信任关系上比较粗糙。基于信任环的推荐思想严格控制了信任度对推荐结果的影响。实验结果表明,该方法能有效解决用户冷启动问题,... 详细信息

近年来,为了解决推荐系统的用户冷启动问题,信任推荐技术得到了长足发展。然而,传统的信任推荐技术在处理信任关系上比较粗糙。基于信任环的推荐思想严格控制了信任度对推荐结果的影响。实验结果表明,该方法能有效解决用户冷启动问题,并提高推荐的准确率。

关键词：信任环用户冷启动推荐

来源：评论

学校读者我要写书评

暂无评论

融合用户属性与项目流行度的用户冷启动推荐模型

引用

计算机科学 2021年第2期48卷 114-120页

作者：韩立锋陈莉西北大学信息科学与技术学院西安710127

冷启动一直是推荐系统领域中被密切关注的问题,针对新注册用户冷启动的问题,文中提出了一种融合用户人口统计学信息与项目流行的推荐模型。首先对训练集用户进行聚类,将训练集用户划分为若干类。然后计算新用户与所属类别中其他用户之... 详细信息

冷启动一直是推荐系统领域中被密切关注的问题,针对新注册用户冷启动的问题,文中提出了一种融合用户人口统计学信息与项目流行的推荐模型。首先对训练集用户进行聚类,将训练集用户划分为若干类。然后计算新用户与所属类别中其他用户之间的距离,选择其近邻用户集,在评分计算时综合考虑项目流行度对推荐效果的影响,进而为目标用户推送感兴趣的节目。最后在经典推荐系统数据集中对所提模型进行验证。实验结果表明,该模型明显优于传统协同过滤算法,并在一定程度上解决了冷启动问题。

关键词：推荐系统用户冷启动社会统计学信息协同过滤项目流行度

来源：评论

学校读者我要写书评

暂无评论

基于随机森林-马尔可夫用户冷启动推荐系统

引用

计算机工程与设计 2020年第11期41卷 3094-3098页

作者：滕传志赵月旭杭州电子科技大学经济学院浙江杭州310018

为解决用户冷启动问题,提出一种基于随机森林-马尔可夫链相结合的方法。利用随机森林对原始数据进行有监督分类,为特征属性与商品标签建立关联,以此形成第一层推荐列表;利用马尔可夫优良的动态时效性以及最大信息熵原理去除冗余信息,在... 详细信息

为解决用户冷启动问题,提出一种基于随机森林-马尔可夫链相结合的方法。利用随机森林对原始数据进行有监督分类,为特征属性与商品标签建立关联,以此形成第一层推荐列表;利用马尔可夫优良的动态时效性以及最大信息熵原理去除冗余信息,在第一层的列表的基础上进行实时推荐的第二层推荐列表,依次类推形成K层推荐列表。通过MovieLens数据集验证该模型相较于已有的模型具有较高的准确率和召回率。

关键词：推荐系统用户冷启动随机森林马尔可夫链最大熵

来源：评论

学校读者我要写书评

暂无评论

基于主动学习的用户冷启动推荐研究

基于主动学习的用户冷启动推荐研究

引用

作者：李承超苏州大学

学位级别：硕士

协同过滤推荐是个性化推荐系统中应用最成功、最广泛的一种技术，但该技术不能为系统中的新用户产生精准的项目推荐，这就是用户冷启动问题。挑选项目引导新用户评分，以获得更多的用户偏好信息，是解决用户冷启动问题的常用方法。将主... 详细信息

协同过滤推荐是个性化推荐系统中应用最成功、最广泛的一种技术，但该技术不能为系统中的新用户产生精准的项目推荐，这就是用户冷启动问题。挑选项目引导新用户评分，以获得更多的用户偏好信息，是解决用户冷启动问题的常用方法。将主动学习用于评分引导过程，用尽可能少的交互次数获得信息含量较高的评分数据，从而为新用户进行项目推荐，关键在于主动学习项目选择策略的设计。针对此，本文进行了详细的研究，主要研究工作如下：　　(1)深入研究了协同过滤推荐、主动学习以及主动学习用于用户冷启动推荐的相关内容，为后续的工作提供理论基础。　　(2)在基于用户的协同过滤推荐中，提出了一种自适应主动学习方法。在项目选择过程中，自适应方法能动态调整不确定性和代表性的权重分配，基于用户满意度最大化标准择优选择当前最有价值的项目交由用户评分。在常用推荐数据集上的实验结果表明，自适应方法能有效获得冷启动用户的高质量评分信息，提高了推荐准确率。　　(3)针对新用户可能不会为查询项目提供评分的情况，提出了一种融合矩阵分解特征的主动学习方法。该方法充分利用矩阵分解的特征信息挑选热门项目给用户评分，目标就是使挑选出的项目最有可能被新用户评价并且能够充分利用当前用户与训练用户给出的评分信息。与多个方法的对比实验结果表明，在查询相同数量项目的情况下，融合矩阵分解特征的主动学习方法能获得更多有效的评分数据。

关键词：主动学习用户冷启动协同过滤推荐自适应方法

来源：评论

学校读者我要写书评

暂无评论

面向稀疏短交互特征的商品交易序列用户冷启动推荐方法研究

面向稀疏短交互特征的商品交易序列用户冷启动推荐方法研究

引用

作者：周武华中科技大学

学位级别：硕士

随着互联网电商平台的兴起,商品推荐系统发展迅速。研究表明,基于用户与商品交互序列的推荐算法能够感知用户的长期偏好,有助于提升推荐效果。通过对真实数据集分析,发现某些情况下交易数据具有稀疏和短交互性的特征,在二手交易平台中... 详细信息

随着互联网电商平台的兴起,商品推荐系统发展迅速。研究表明,基于用户与商品交互序列的推荐算法能够感知用户的长期偏好,有助于提升推荐效果。通过对真实数据集分析,发现某些情况下交易数据具有稀疏和短交互性的特征,在二手交易平台中尤为明显,此类问题降低了序列建模推荐方法的有效性。与此同时,当推荐系统进一步面对用户冷启动问题时,有必要综合考虑算法的适应性和数据的稀疏性问题。基于上述分析,对面向稀疏数据的序列建模和用户短交互冷启动问题开展相关研究,从而更好的满足稀疏冷启动环境下对于推荐算法的实际应用需求。主要工作包括建立了适用于稀疏短交互数据的马尔科夫链序列推荐模型,实现了用户冷启动现象的元学习优化算法。在序列推荐建模方面,先对序列交互数据预处理,通过已有长序列生成更多短序列,丰富偏好特征训练样本,使用基于时间流行度的采样方法精选短序列样本;结合知识图谱链路预测的方法提取用户的偏好特征;将用户偏好特征和商品特征映射至同一向量空间,增强序列推荐的预测准确性;使用马尔科夫链概率公式预测下一项商品。针对用户冷启动问题,将提出的序列建模方法与基于参数优化的元学习方法相结合,采用双层梯度下降的模型优化策略,在适应数据稀疏性的前提下优化模型参数,使得模型在冷启动场景下拥有更好的表现。在二手电商Mercari和传统电商Amazon两个数据集上开展一系列实验,两数据集均具有稀疏短交互的特征,其中Mercari数据集比Amazon数据集拥有更大的稀疏度和更短的平均交互长度。与现有方法的对比实验表明,本方法相对主流算法取得了较好的结果,相对于其中的Meta CF算法在下一项商品预测准确率分别提升了0.024和0.015,且本方法在Mercari数据集上具备更明显的提升效果。此外对模型进行消融实验,结果表明采样方法与知识图谱关系提取技术能提升稀疏短交互数据下的序列推荐性能,同时元学习优化算法能够使模型很好地适应冷启动场景。

关键词：序列推荐马尔科夫链用户冷启动元学习算法知识图谱

来源：评论

学校读者我要写书评

暂无评论

利用交叉推荐模型解决用户冷启动问题

引用

计算机应用与软件 2016年第5期33卷 66-71,76页

作者：朱坤广杨达崔强郝春亮中国科学院软件研究所基础软件国家工程研究中心北京100190 中国科学院大学北京100190 中国科学院软件研究所计算机科学国家重点实验室北京100190

用户冷启动是推荐系统的一个重要问题。传统的推荐系统使用迁移学习的方法来解决这个问题,即利用一个领域的评分信息或者标签预测另外一个领域的用户和物品评分。上述迁移学习模型通常假设两个领域没有重叠的用户和物品,与上述假设不同... 详细信息

用户冷启动是推荐系统的一个重要问题。传统的推荐系统使用迁移学习的方法来解决这个问题,即利用一个领域的评分信息或者标签预测另外一个领域的用户和物品评分。上述迁移学习模型通常假设两个领域没有重叠的用户和物品,与上述假设不同,很多情况下系统可以获取同一用户在不同领域的数据。针对这种数据,提出一种新的推荐系统冷启动模型—cross SVD&GBDT(CSGT),通过有效利用重叠用户的信息来解决用户冷启动问题。具体地,首先提出新模型获取用户和物品的特征,然后利用GBDT模型进行训练。实验数据表明,在豆瓣数据集中corss SVD&GBDT可以得到比传统方法性能更高、鲁棒性更强的实验结果。

关键词：推荐系统迁移学习用户冷启动交叉推荐

来源：评论

学校读者我要写书评

暂无评论

音乐推荐系统中的用户冷启动问题

引用

吉首大学学报（自然科学版） 2017年第4期38卷 34-37页

作者：刘建东戚利娜吉首大学张家界学院湖南张家界427000

利用新用户使用音乐时的上下文环境信息来解决冷启动问题.当用户播放音乐时,提取用户当时场景的时间、天气、状态等信息,利用这些信息构建决策树分类模型.当新用户使用音乐推荐系统时,提取当前情景的上下文信息,根据决策树分支和上下文... 详细信息

利用新用户使用音乐时的上下文环境信息来解决冷启动问题.当用户播放音乐时,提取用户当时场景的时间、天气、状态等信息,利用这些信息构建决策树分类模型.当新用户使用音乐推荐系统时,提取当前情景的上下文信息,根据决策树分支和上下文信息判断新用户的兴趣,向新用户推荐音乐.实验结果表明,当采用上下文相关音乐推荐算法,推荐数目不超过6项时,新用户对推荐结果的满意度超过TopN算法.

关键词：音乐推荐决策树分类用户冷启动

来源：评论

学校读者我要写书评

暂无评论

面向冷启动用户的元学习与图转移学习序列推荐

引用

山东大学学报（工学版） 2024年第2期54卷 69-79页

作者：李璐张志军范钰敏王星袁卫华山东建筑大学计算机科学与技术学院山东济南250101

为解决推荐系统用户冷启动问题,提出面向冷启动用户的元学习与图转移学习序列推荐(sequential recommendation for cold-start users with meta graph transitional learning, MetaGTL)。MetaGTL在不使用其他辅助信息的前提下,采用图神经网络(graph neural network, GNN)建模序列间物品高阶关系生成用户物品嵌入;将交互序列构造为物品对集合,使用序列编码模块捕捉物品间的转移关系,动态建模用户兴趣;采用注意力机制,生成准确的用户特征;采用基于梯度的元学习方法训练模型,生成初始化模型;对模型的工作性能和结果进行详细分析,结合基线模型进行对比评价。试验结果表明,基于元学习与图转移学习的MetaGTL在缺少辅助信息的用户冷启动任务中具有更高的预测精度。

关键词：推荐系统序列推荐用户冷启动图神经网络元学习深度学习

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：