检索结果-内蒙古大学图书馆

模式识别与人工智能 2024年第6期37卷 491-512页

作者：李伟玥朱志国董昊高明张俊刘子龙东北财经大学管理科学与工程学院大连116025 东北财经大学辽宁省大数据管理与优化决策重点实验室大连116025

社会化推荐系统旨在基于用户的评分历史和社交关系,预测其对未交互商品的评分.现有的社会化推荐系统大多基于图神经网络,然而,低效率的注意力机制和过度平滑问题在一定程度上限制评分预测的精准性和可解释性.为此,文中提出邻域扩展机制... 详细信息

社会化推荐系统旨在基于用户的评分历史和社交关系,预测其对未交互商品的评分.现有的社会化推荐系统大多基于图神经网络,然而,低效率的注意力机制和过度平滑问题在一定程度上限制评分预测的精准性和可解释性.为此,文中提出邻域扩展机制增强的图平行聚焦注意力社会化推荐系统.首先,平行图聚焦注意力网络,将用户的整体偏好分解为多方面的细粒度偏好,并引入聚焦注意力机制作为消息传递算法,根据用户-商品交互历史识别最符合用户相应偏好的商品,同时从社交网络中识别用户基于不同偏好的可信朋友.然后,提出邻域扩展机制,建立快捷链接的方式,直接实现中心节点与高阶节点间的消息传递,有效提升图聚焦注意力网络在高阶自我中心网络中捕获社交信息的能力.最后,在3个公开基准数据集上的实验表明文中系统在精准推荐方面的优越性,一系列可视化案例分析展示出其良好的可解释性.代码地址详见:https://***/usernameAI/NEGA.

关键词：社会化推荐系统图注意力网络自我中心网络平行注意力机制

来源：评论

学校读者我要写书评

暂无评论

社会化推荐系统关键技术研究

社会化推荐系统关键技术研究

引用

作者：严强中国科学院研究生院

学位级别：硕士

个性化推荐系统(Personalized Recommender System)是近年来兴起的热门研究领域，它是一种有效解决信息过载问题的工具。虽然研究人员提出了很多相关的方法来推进推荐系统研究，但是个性化推荐技术依然面临很多挑战，如评分预测准确度... 详细信息

个性化推荐系统(Personalized Recommender System)是近年来兴起的热门研究领域，它是一种有效解决信息过载问题的工具。虽然研究人员提出了很多相关的方法来推进推荐系统研究，但是个性化推荐技术依然面临很多挑战，如评分预测准确度、数据稀疏性、冷启动等问题。而另一方面，新近兴起的在线社交网络(Online Social Networks)提供了大量的用户行为数据和关系数据，如何有效的利用这些社交网络数据提升传统推荐算法的精度，以及解决新用户冷启动问题是本文关注的重点。\n 本文针对社会化推荐系统中的评分预测问题和Top-N推荐问题进行深入研究，主要工作和贡献包括以下几个方面:\n 1)针对现有的社会化推荐算法通用性和可扩展性差等问题，在现有的基于矩阵分解的社会化推荐算法和Factorization Machine(FM)模型的基础上，本文提出一种运用特征工程方法，将各种社交网络信息融入到传统矩阵分解模型中。同时还提出一种基于特征组交叉的方法(FM-GI)改进传统的FM模型。在真实数据集上的实验结果表明:在评分预测问题上，该方法能有效的提升评分预测的精度，减少计算复杂度，并且能部分解决新用户冷启动问题。\n 2)推荐系统的最终目标是给用户提供一个排序的推荐列表，本文提出一种基于排序学习(Learning to Rank;LTR)的方法来融合基于社交网络信息和传统协同过滤的混合推荐算法LTR-HCF，该方法能有效的将各种社交网络信息和传统的基于邻域的协同过滤算法集成，并且具有很好的可扩展性，实验结果表明:在Top-N推荐中，和先前的方法相比，该方法在有效的提升推荐精度的同时，能部分解决新用户冷启动问题。

关键词：社会化推荐系统社交网络评分预测 Top-N推荐矩阵分解

来源：评论

学校读者我要写书评

暂无评论

社交关系在基于模型社会化推荐系统中的影响

引用

计算机科学与探索 2018年第1期12卷 82-91页

作者：房倩琦柳玲文俊浩曾骏高旻重庆大学软件学院重庆401331

目前社会化推荐系统方面的研究主要集中于构建性能更优的基于模型的推荐算法,然而模型算法中分解得到的隐式特征和社交信息的变化会给推荐性能带来不确定性。为了消除不确定性,探究了在基于模型的社会化推荐系统中社交关系的变化对推荐... 详细信息

目前社会化推荐系统方面的研究主要集中于构建性能更优的基于模型的推荐算法,然而模型算法中分解得到的隐式特征和社交信息的变化会给推荐性能带来不确定性。为了消除不确定性,探究了在基于模型的社会化推荐系统中社交关系的变化对推荐性能的影响。实验首先按比例移除关系网络中的连边或节点,再对推荐质量进行评估,结果表明,社交关系的数量增多将对推荐质量带来明显提升,同时关系网络中心节点对推荐质量的影响巨大。因此,在构建基于模型的社会化推荐系统的过程中应尽可能多地获取社交关系,并提升中心节点的关系在推荐中的权重,降低非中心节点(潜在噪声)的影响。

关键词：社会化推荐系统社交关系协同过滤中心节点

来源：评论

学校读者我要写书评

暂无评论

基于情感相似度的社会化推荐系统研究

基于情感相似度的社会化推荐系统研究

引用

作者：杨东辉哈尔滨工业大学

学位级别：博士

随着web2.0的发展，社会化媒体已经成为当今信息传播、信息获取和沟通交流的主要平台。社会化媒体带来方便的同时，由于信息发布和更新速度异常快捷，造成交流平台产生巨大冗余信息。为了从海量信息中找到用户感兴趣的信息和用户，需要... 详细信息

随着web2.0的发展，社会化媒体已经成为当今信息传播、信息获取和沟通交流的主要平台。社会化媒体带来方便的同时，由于信息发布和更新速度异常快捷，造成交流平台产生巨大冗余信息。为了从海量信息中找到用户感兴趣的信息和用户，需要借助智能系统的帮助。社会化推荐系统是解决社会化媒体平台中信息过载的重要工具，它可以帮助用户从海量信息中找到感兴趣的用户和内容。社会化推荐系统的研究能够拓展社会网络中用户推荐范围和准确度，完成知识的主动推送，并帮助企业丰富营销手段和业务增长。然而，在社会化媒体上如何利用社会网络结构和文本信息构建社会化推荐系统框架是目前面临的研究难题。因此，本文以新浪微博平台为例，研究如何利用各种信息构建社会化推荐系统，其主要研究内容如下：首先，基于可变精度的微博网络数据收集和基本网络分析。在收集用于推荐系统的微博网络数据时需要确定边界，本文利用可变精度方法确定数据收集范围。我们先将此方法在公共数据集上验证，利用可变变精度方法对电影评价的数据进行处理，研究不同精度下推荐结果的变化。结果显示，只有在一定阈值内，数据量精度越高推荐效果才会越好。从而验证了基于可变精度方法能够获得数据集合最佳边界。然后，我们将可变精度方法运用到确定微博种子用户数上。根据对电影评价的同样的推荐方法，研究不同精度的种子收集到的网络数据的推荐结果。从而确定最优种子数，为最终推荐系统确定最佳数据量。在此基础上收集了某一主题的微博网络，并对其做了基本网络分析和无标度特性分析。其次，基于指数随机图模型的微博网络节点连接预测研究。本文提出利用指数随机图模型来对某一主题微博网络进行建模的方法，并通过蒙特卡罗极大似然估计（MonteCarloMLE）计算不同结构的参数。并通过仿真和拟合度分析，比较构建的指数随机图模型对原有网络之间的代表能力。在对糖尿病微博网络进行建模实证研究中，揭示了不同时期的模型中不同结构的演化过程。在此基础上，由于未连接节点建立连接引起网络构造变化，我们通过计算某一对节点连接前后的构造变化预测这一节点对建立连接的概率，经过排序后为社会化推荐系统提供最初的推荐列表。再次，利用情感分析方法研究社会化网络文本特征。情感分析（Opinionmining）是对文本内容进行态度分类，从用户发布的文本信息和其他信息寻找用户对某一主题的态度。在微博信息中，包含了用户发布文本内容和微博表情。为此，我们以糖尿病主题微博为例选择126个文本和微博特征，并融合信息增益和支持向量机的方法进行特征提取。并对这些特征进行分类，分析不同类别的特征的对情感分类的贡献度。随后，基于Karhunen-Loéve变换方法计算积极和消极文本平均距离，提出了情感相似度的概念来衡量用户间对同一话题的态度相关性。最后，构建基于修正情感相似度的社会化推荐系统框架。本文分析了影响社会化推荐的心理和行为因素，认为信任度、同质性和意见领袖导致用户是否采用推荐的决策行为的三个因素。为此，本文将三种社会化影响因素量化，并与微博社会网络一一映射。将指数随机图模型给出的节点连接预测与修正情感相似结合，能够提供符合用户情感偏好的推荐列表，从而进一步构建了社会化推荐系统框架。为了验证本方法的推荐性能，我们通过糖尿病和婴幼儿主题微博推荐的实证分析，并与其它方法进行比较，评价结果验证了我们方法在社会化推荐上的优越性和普适性。

关键词：可变精度情感相似度社会化影响因素指数随机图模型社会化推荐系统

来源：评论

学校读者我要写书评

暂无评论

基于社交网络上下文结构特征学习的社会化推荐系统研究

基于社交网络上下文结构特征学习的社会化推荐系统研究

引用

作者：肖丙标中国石油大学(北京)

学位级别：硕士

随着移动互联网的蓬勃发展,互联网上海量的信息给用户造成了严重的信息过载问题,用户无法从这些信息中分辨哪些是重要的信息,推荐系统使这一问题得到了有效的解决。而传统的推荐系统因为用户行为数据稀疏,冷启动等固有问题,难以提供足... 详细信息

随着移动互联网的蓬勃发展,互联网上海量的信息给用户造成了严重的信息过载问题,用户无法从这些信息中分辨哪些是重要的信息,推荐系统使这一问题得到了有效的解决。而传统的推荐系统因为用户行为数据稀疏,冷启动等固有问题,难以提供足够准确合理的推荐结果。随着社交网络的不断发展,社交数据成为推荐系统一个重要的可利用的数据来源,致力于挖掘用户的社交数据中蕴含的信息用于提升推荐系统的性能的社会化推荐系统应运而生。本文研究如何使用在线社交网络的社交信息数据来提升推荐系统的推荐性能,具体来说,通过学习社交网络的结构特征信息,来提升推荐系统的推荐性能。本文的研究内容主要如下:(1)针对已有的传统的社会化推荐系统模型难以挖掘社交网络中的间接的,高阶的依赖关系,不能同时对多元的社交信息进行处理,以及社交信息的融合方式过于单一,无法提供个性化的推荐结果的问题,本文提出了一种基于Node2Vec全局的社交网络嵌入,和隐因子模型的评分预测推荐模型。该模型结合了隐因子模型,Node2Vec网络嵌入表示技术,以及两种不同的社交信息的融合方法。Node2Vec作为一种通用的网络嵌入表示学习技术,使模型可以在充分挖掘局部的和全局的社交信息的同时,能够处理不同类型的社交信息。而两种不同的社交信息的融合方式,保证了模型提供的推荐结果能够充分满足用户的个性化的需求。(2)针对社交嵌入表示向量直接融合进矩阵分解模型提升的改进十分有限这一问题,本文进一步提出了使用基于元路径的随机游走的方法,结合Node2Vec方法的节点嵌入部分,对异构网络中的不同类型的节点进行嵌入表示,从而到达对用户的社交信息在兴趣层面上进行过滤的目的,来使推荐性能进一步提升。在社交信息的融合方法方面,提出了基于注意力机制的社交信息的融合方式。最后,为了进行定量的实验对比,针对两个模型在真实数据集上进行了实验,结果表明,提出的两种方法,较以往的社会化推荐系统模型,均取得了更优的推荐性能,有效缓解了推荐系统的数据稀疏和冷启动问题,充分说明了所提出的算法的合理性与有效性。

关键词：社会化推荐系统社交网络表示学习图嵌入评分预测

来源：评论

学校读者我要写书评

暂无评论

基于变分自编码器的符号网络社会化推荐系统

基于变分自编码器的符号网络社会化推荐系统

引用

作者：刘子凌吉林大学

学位级别：硕士

社会化推荐系统利用社交网络的社会关系获取网络嵌入,使用网络表示学习方法将用户和物品的信息映射到统一的空间,计算嵌入匹配度提出推荐物品。本文研究网络表示学习中的图神经网络算法在具有符号的社交网络上的应用,在图卷积方法的基... 详细信息

社会化推荐系统利用社交网络的社会关系获取网络嵌入,使用网络表示学习方法将用户和物品的信息映射到统一的空间,计算嵌入匹配度提出推荐物品。本文研究网络表示学习中的图神经网络算法在具有符号的社交网络上的应用,在图卷积方法的基础上使用了线性卷积核,适合网络节点数据的稀少特征和连接稀疏性,并高效生成嵌入。在图卷积的过程中,由于本文的目标是用于推荐系统的图卷积网络,因此原始的图卷积可能不够有效,为此提出了简化图卷积网络以应用于推荐任务,对本文中的符号图卷积做出了精简,以使整个网络结构更加适合符号社交网络的数据研究。生成节点嵌入的变分自编码器的引入概率分布随机性,这些分布使得模型表示能力超越了线性模型表示能力,这种变分自编码器采用了变分推断的原理和技术,结合符号网络嵌入算法,目标为提高社交网络中的推荐任务精度。在生成嵌入的变分自编码器框架中,针对符号网络数据,本文提出了两种不同分布的编码器,分别便于计算和提高推荐效果。两种编码器都使用于社交网络推荐,以较小的计算代价嵌入符号网络。为了验证本文研究内容对符号网络社会化推荐的效果,实验采用了两个公开的符号网络数据集:Epinions和Slashdot进行了实验,并使用了两个误差指标MAE,RMSE评估了模型效果。通过与其他符号网络表示算法进行对比,结果表明本文研究方法推荐效果高于其他几种模型,体现出了该算法的有效性。

关键词：图神经网络图变分自编码器图卷积神经网络符号网络表示学习社会化推荐系统

来源：评论

学校读者我要写书评

暂无评论

基于用户上下文与交互行为的社会化推荐系统研究

基于用户上下文与交互行为的社会化推荐系统研究

引用

作者：唐福喜西华大学

学位级别：硕士

社会化推荐系统是为了缓解传统推荐系统的数据稀疏性与冷启动问题所提出的推荐方法。随着社交平台的流行,用户的社会化信息蕴藏着丰富的挖掘价值,因此,将用户的社会化信息作为输入的社会化推荐系统受到广泛关注。社会化推荐系统的主要... 详细信息

社会化推荐系统是为了缓解传统推荐系统的数据稀疏性与冷启动问题所提出的推荐方法。随着社交平台的流行,用户的社会化信息蕴藏着丰富的挖掘价值,因此,将用户的社会化信息作为输入的社会化推荐系统受到广泛关注。社会化推荐系统的主要业务流程包括构建用户信任网络和生成推荐两部分。完善的信任网络可以全面地反映用户间的关系并且可以有效缓解数据稀疏和冷启动问题。本文提出了“基于用户交互行为的信任网络构建模型”（简称SocPro）,该模型通过用户间的交互行为以及信任传播机制预测用户的全局信任度;通过引入时间衰退因子,结合用户间的直接交互行为和用户间相似度,得到用户间的直接交互信任度和相似信任度,从而构建有向带权信任网络。本模型克服了“基于用户行为的信任网络构建模型”（简称SocTrust）在预测用户信任关系时,只考虑用户间是否存在信任关系而忽略了信任传播影响以及在预测时将用户的所有历史信息同等看待的缺点。本文通过矩阵分解中基于贪婪的特征选择算法选择具有良好交互作用的特征,从而避免因子分解机在隐特征向量学习过程中引入新的噪音并达到提高预测精度的作用,克服了传统因子分解机在考虑特征交互作用时组合了一些无意义的交互特征的缺陷。本文最后利用实验验证了SocPro模型的合理性,并与SocTrust进行对比。信任预测实验表明,SocPro具有更好的信任预测能力;推荐生成实验表明,本文所提出的推荐生成模型在推荐精度上较传统因子分解机、矩阵分解等具有更好的表现。

关键词：社会化推荐系统上下文交互行为信任网络特征选择因子分解机

来源：评论

学校读者我要写书评

暂无评论

面向社会化推荐系统的托攻击检测方法研究

面向社会化推荐系统的托攻击检测方法研究

引用

作者：白杨燕山大学

学位级别：硕士

当今社交媒体活跃在人们生活的各个角落,将用户社交关系结合传统推荐方法进行社会化推荐的方向成为新的研究热点。社会化推荐系统融合社交属性信息与评分信息进行推荐,一定程度上提高了系统推荐的准确性,但社会化推荐系统的开放性,极易... 详细信息

当今社交媒体活跃在人们生活的各个角落,将用户社交关系结合传统推荐方法进行社会化推荐的方向成为新的研究热点。社会化推荐系统融合社交属性信息与评分信息进行推荐,一定程度上提高了系统推荐的准确性,但社会化推荐系统的开放性,极易受到恶意攻击,此类行为危害了社会化推荐的真实性,加深用户对系统推荐的不信任。国内外研究人员针对评分推荐系统或社交网络的攻击检测已有很多研究成果,但是很少关注针对社会化推荐系统的托攻击检测问题。虽然有学者针对社会化推荐系统的托攻击提出检测方法,但这些方法缺少对用户不同属性之间存在的关联进行分析。为弥补现有研究对社会化推荐托攻击检测问题的不足,本文对社会化推荐系统存在的托攻击检测问题进行研究。首先,本文挖掘用户评分行为和社交关系之间的潜在联系,提出一种基于决策树的托攻击检测算法。该算法通过构建用户特征空间,训练C4.5决策树形成分类器对托攻击用户进行检测。其次,本文通过分析用户群体在评分行为上的相似性及每个用户的社交属性,提出一种基于标签传播的托攻击检测算法,该算法主要利用用户评分行为的相似性来计算用户节点间边的权重。在标签传播过程中,将评分相似的用户划分到标签相同的群体中,从而检测出托攻击用户。最后,在FilmTrust数据集中对本文提出的两种检测算法进行实验验证。通过与两种经典的检测算法进行对比,进而验证本文提出的两种检测算法能够有效识别出社会化推荐系统中的混合攻击概貌。

关键词：社会化推荐系统混合攻击社交影响力最大化决策树标签传播算法

来源：评论

学校读者我要写书评

暂无评论

基于差分隐私的社会化推荐系统研究

基于差分隐私的社会化推荐系统研究

引用

作者：周雪翎中国科学技术大学

学位级别：硕士

随着移动网络和电子商务的飞速发展,推荐系统在我们的日常生活中起着日益重要的作用。推荐系统可以缓解用户面临的信息过载问题,帮助用户做出决策。而与传统的仅仅基于用户个人的历史评分给出预测结果的推荐系统相比,近年来,伴随着网络... 详细信息

随着移动网络和电子商务的飞速发展,推荐系统在我们的日常生活中起着日益重要的作用。推荐系统可以缓解用户面临的信息过载问题,帮助用户做出决策。而与传统的仅仅基于用户个人的历史评分给出预测结果的推荐系统相比,近年来,伴随着网络社交规模的不断扩大,许多推荐系统也开始使用这些用户之间的社交信息作为补充信息来对推荐算法进行优化,这些推荐系统也被称为社会化推荐系统。社会化推荐系统是对用户行为进行了更真实的模拟,并且有利于缓解用户冷启动和评分数据稀疏问题。然而,随着近几年法律法规的完善与公民隐私意识的提高,个人、企业和政府纷纷越来越重视用户数据的隐私问题。而推荐系统由于使用到大量的用户数据,也不可避免地涉及到用户数据的隐私问题。对于推荐系统而言,解决推荐系统中用户数据的隐私问题不仅仅是对用户隐私的保护,也有利于服务商在服务质量、用户忠诚度方面的利益增长。然而现有的社会化推荐系统对用户隐私的保护尚不完善,这容易导致用户出于保护个人隐私的目的,不愿意提供个人评分、甚至刻意给出不真实评分,最终也影响推荐系统的表现。本课题的研究便是基于上述背景,主要的研究内容分为两部分:第一部分,对于现有的社会化推荐系统中存在的隐私问题,我们提出了一个差分隐私的社会化推荐系统。在该算法中,我们指出了社会化推荐算法面临的隐私问题、对攻击者的假设以及整个差分隐私的社会化推荐系统在隐私性和准确性上目标,然后以广泛使用的三种基于矩阵分解技术的社会化推荐算法为基础,结合合适的差分隐私机制,从而降低社会化推荐系统中的隐私预算,提高对用户数据的保护强度。并通过在两个真实数据集上的实验评估,对比已有的方案,验证了本算法在保护用户评分数据的同时,仍能较好地保留推荐系统评分预测的准确性。第二部分,当推荐系统拥有更加充足的用户数据时,作出的预测结果通常也会更加准确,而实际生活中同一用户的各类数据可能分布在不同的数据方,同时各个数据方出于利益和法规的原因,不能直接交换各自拥有的原始用户数据,而需要通过使用纵向切分下的推荐算法协作获得推荐系统更优的表现,即便如此,和第一部分数据中心化下的推荐系统一样,也避免不了用户评分数据的隐私问题,因此,我们提出了数据纵向切分下的差分隐私的社会化推荐系统。我们基于当下联邦推荐算法的理念,并针对联邦推荐架构中梯度聚合的问题,引入多方安全计算技术取代已有方案中参数服务器的功能,减少了推荐系统对可信服务器的依赖性,从而实现在数据纵向切分情况下对社会化推荐系统中用户评分数据的隐私保护。最后通过实验测试,并与其余算法对比,验证了本算法的有效性。

关键词：差分隐私隐私保护社会化推荐系统联邦推荐算法

来源：评论

学校读者我要写书评

暂无评论

科技文献中基于主题的社会化推荐研究

引用

情报理论与实践 2015年第3期38卷 71-76页

作者：曾子明周红武汉大学信息管理学院湖北武汉430072

针对目前文献管理软件无法识别用户潜在研究兴趣从而进行个性化推荐的现状,文章提出了基于主题的社会化推荐方法。首先通过基于内容的个性化过滤方法识别用户的主题偏好,然后利用社会网络分析方法 (SNA)识别学术网络中有影响力的文献,... 详细信息

针对目前文献管理软件无法识别用户潜在研究兴趣从而进行个性化推荐的现状,文章提出了基于主题的社会化推荐方法。首先通过基于内容的个性化过滤方法识别用户的主题偏好,然后利用社会网络分析方法 (SNA)识别学术网络中有影响力的文献,进而产生推荐。最后提出了基于社会网络的科技文献个性化推荐的框架。理论分析证明该方法可以准确反映用户的研究兴趣,灵活地识别用户所属的学术网络,从而为目标用户产生精准的文献推荐服务。

关键词：科技文献主题识别社会网络分析社会化推荐系统

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：