作者:孙俊; 朱信忠 期刊:《信息与电脑》 2020年第01期
最近的研究表明,与传统的推荐方法相比,在有评论的文本情况下,深度学习方法可以更加有效地提高推荐系统的性能。例如,DeepCoNN模型使用神经网络来学习目标用户编写的所有评论文本的一种潜在表示形式,以及目标项目所有评论文本的第二种潜在表示形式,然后将这些潜在形式组合起来,以获得推荐任务的最新性能。评论文本的大部分预测价值来自目标用户对目标项目的评论。基于此,笔者首先介绍了一种将这些信息用于推荐的方法,即使目标用户...
作者:程晓娜; 孙志锋 期刊:《计算机工程与应用》 2020年第05期
在信息流消费场景中,利用用户的隐式行为反馈,对用户进行个性化内容推荐是核心问题。而由于行为惯性的问题,用户通常只是浏览feed流,互动行为数据稀疏,导致传统方法在个性化等方面性能不高。针对该问题,设计了隐式反馈的权重转化方法,提出LFM-XGB-LR融合模型,利用LFM生成嵌入向量,结合了XGB在特征交叉和LR在离散计算上的优势。实验结果表明,基于LFM的嵌入改善了模型个性化的问题,该融合模型在各项指标上均有稳定提升。
作者:李太松; 贺泽宇; 王冰; 颜永红; 唐向红 期刊:《计算机科学》 2020年第03期
针对循环神经网络(Recurrent Neural Network,RNN)模型在序列流推荐中只能从宏观上捕捉序列的演变模式,忽略了物品(Item)间内部的微观联系,无法长程建模序列数据的变化规律的问题,提出了多维度序列建模算法循环时间卷积网络(Recurrent Temporal Convolutional Network,RTCN)。首先,将每个物品表示成定长向量,采用多层因果卷积和扩张卷积操作扩大感受野范围,建立序列元素间的长程依赖关系。利用残差连接网络提取不同层次的特征信息,...
作者:李卫疆; 罗潘虎 期刊:《小型微型计算机系统》 2020年第01期
现今的推荐算法大多以提高推荐列表准确率为目标,而对推荐的多样性考虑较少,这样会导致推荐结果新颖性不强,在考虑多样性的时候又会降低准确率.本文提出了一种融合兴趣分布与奇异值分解的多样化推荐算法(KDE-SVD),首先使用核密度估计的方式估计用户兴趣分布,得出用户在兴趣分布上相似的邻居,并使用兴趣分布上相似的邻居的评分对当前用户未评分的物品进行预评分,然后将上一步得到的预评分填入用户-评分矩阵,进行SVD分解,此时获取推...
随着推荐系统的发展,越来越多的推荐算法被应用于各种现实场景中。越来越多的研究人员将时间和精力投入到基于会话的推荐系统中去,同时也取得很多研究成果。基于会话的推荐系统主要有传统的推荐算法(协同过滤、马尔科夫决策过程)和基于深度学习的推荐算法,近几年,将注意力网络和图网络应用于基于会话的推荐系统已经获得一定的成果。
作者:颜颖 期刊:《太原城市职业技术学院学报》 2019年第11期
在互联网技术飞速发展的时代背景下,互联网交易数据呈几何倍数的扩张,随之带来了信息过载的问题。个性化推荐系统的出现则很好地帮助解决了这一难题。通过个性化推荐系统,人们可以更快速精准地定位用户个体兴趣爱好与产品之间的关联,实现消费者与生产者的双赢。然而在实际应用过程中,个性化推荐系统仍然面临着诸多挑战,如长期样本数据量的多少、电子商务平台的成熟度不同、推荐系统所采用的算法差异等。本文将讨论推荐系统在电子商...
作者:祝燕冠中; 何洪波; 肖云 期刊:《科研信息化技术与应用》 2017年第02期
本文基于"中国科普博览"网站Web日志数据,设计和实现了一种推荐系统的原型。该系统主要包括数据预处理模块,基于改进型FP-growth算法设计的频繁项集挖掘模块,以及基于滑动窗口设计的推荐模型模块。改进型FP-growth算法利用页面访问次数与页面停留时间组成的权值,产生更符合挖掘需求的频繁项集。
作者:车毅光; 陈泽波 期刊:《新一代信息技术》 2013年第09期
随着管理系统的广泛应用,信息数据在飞速增长,一方面人们拥有了海量的信息资源,另一方面人们寻找合适信息的时间成本和难度也增加了。目前广泛采用的信息检索技术只能够向用户提供数量巨大的、缺乏个性化的检索结果。推荐系统是一个由入、计算机软硬件和数据资源共同组成的系统,它把用户对目标对象的使用、评价等相关数据按照特定算法模型进行处理,根据处理的结果形成推荐列表,进而为用户选择决策时提供推荐参考。本文就基于...
作者:黄川林; 崔艳清 期刊:《信息周刊》 2018年第26期
在激烈的电子商务平台竞争中,细分市场的机会也越来越重要,出现了各种各样的针对用户特定行为的电子商务平台。为了解决信息超载和个性化需求等问题,推荐系统展现出了巨大的潜力。本文详细的介绍了基于协同过滤算法的推荐系统功能和相关技术,并通过对电子商务推荐系统的设计与实现,使得用户深入了解该系统,使得电子商务网站更加便捷和人性化。
近年来短视频发展势头迅猛,面对海量视频资源人们往往陷入选择困难,通常构建推荐系统来解决。传统算法推荐缺乏新鲜度,数据稀疏导致推荐准确度低,本文基于局部随机游走 [1] 模型在短视频推荐的应用,数据稀疏问题得以解决,获得推荐内容多元化,同时解决了全局随机游走计算成本高的问题。
1动态推荐技术简介推荐系统最初是电子商务企业利用积累的客户购买信息和浏览信息,预测客户可能购买的商品,并向客户提供商品信息和建议,帮助客户决定应该购买什么产品,模拟销售人员帮助客户完成购买过程。一般的推荐系统有三个模块:推荐对象建模模块、用户建模模块、推荐算法模块。动态推荐技术就是通过推荐系统把用户模型中兴趣需求信息和推荐对象墨香中的特征信息匹配,同时使用相应的推荐算法进行计算筛选,找到用户可能感兴趣的...
作者:巩增泰; 曹玉斌 期刊:《西北师范大学学报·自然科学版》 2020年第01期
直觉模糊集同时考虑了对象的隶属度、非隶属度和犹豫度,而散度则能够表示信息之间的差异程度.定义了一种基于χ2分布的直觉模糊散度测度并讨论了其性质,结果可直接应用在多属性决策和推荐系统中.最后,通过算例验证了该方法的有效性和可操作性.
信息技术的广泛应用给人们生活带来显著的便利之一就是人们的沟通方式从线下面对面转变为线上使用社交媒体。微博是诸多社交媒体中颇具影响力的一个,为解决用户在海量信息中迅速找到自己感兴趣话题的问题,介绍基于用户的协同过滤推荐系统在微博中的应用,并结合着业界最新的Python技术去做推荐系统的设计与实现。
作者:易鑫睿; 陈昊; 兰金明; 祝纯浩 期刊:《南昌航空大学学报·自然科学版》 2019年第03期
针对个性化推荐系统中用户行为分析这一重要环节,本文以用户价值和偏好习惯为切入点,通过提取用户历史记录中的隐式信息,提出了一种新的电视用户观看行为分析方法。提取用户整体平均操作频次、近期平均操作频次、操作频次变化比率、最近一次操作时间间隔作为价值模型指标,根据特征指标提出包括忠诚、新生、流失等8类不同用户价值群体分类结果;将节目划分为12类,构建基于活跃度和稳定度的用户偏好习惯特征矩阵,将用户偏好习惯分为4...
作者:张博; 李昂松; 尹琛 期刊:《数码世界》 2019年第11期
随着网络的发展,人们在大数据中寻找自己所需信息的成本越来越高.由于用户对于自己真实需求的模糊性和想得到符合个人喜好的结果的需求,催生出了推荐系统.本文根据600个用户对9000部电影的10000项评价,通过对各大网站的电影评分系统和电影推荐系统的研究,采用基于物品的协同过滤算法和奇异值分解法(SVD)分别建立电影排名计算模型和电影推荐系统,为用户提供个性化的推荐服务.
作者:薛慧丽 期刊:《智能计算机与应用》 2019年第06期
在介绍推荐系统的概念与内涵、推荐系统分类的基础上,重点阐述移动电商平台推荐系统研究过程中涉及的几项关键技术,主要包括:数据预处理技术、相似度计算技术、K最近邻分类算法技术、矩阵分解算法技术等,这是移动电商平台推荐系统开发设计过程中不可逾越的问题。
作者:邹锋 期刊:《计算机应用与软件》 2019年第11期
为了提高协同过滤推荐系统对于稀疏数据的推荐效果,提出一种基于深度神经网络和改进相似性度量的推荐算法.分析普通Jaccard相似性度量指标处理稀疏数据集的不足之处,对Jaccard相似性提出改进方案.设计交互的两个自编码器,一个自编码器利用显式反馈数据分析用户对于项目的偏好,其优化目标为最小化重建误差和正则成对排列损失;另一个自编码器利用隐式反馈数据分析用户对于项目的潜在偏好,其学习目标是采样数据集的负项集,利用隐式反...
作者:郑晨予 期刊:《中国广播电视学刊》 2019年第10期
推荐系统作为一种广义人工智能技术,已被广泛运用于传统视听媒体与视听新媒体的媒体融合实践之中。针对当下在这一领域学术研究上重建构轻解构的失衡状态,文章通过深入解析推荐系统实现信息过滤的技术逻辑,并结合运用视听媒体融合的实践案例,重点探究解构推荐系统驱动视听媒体融合的五个技术模式;进而阐释出驱动视听媒体融合的优化选择机制、双向激活机制和互动进化机制。
作者:李其娜; 李廷会 期刊:《计算机系统应用》 2020年第02期
传统的推荐系统存在数据高度稀疏、冷启动及用户偏好建模难等问题,而把情境信息融入推荐系统中能有效缓解此类问题.深度学习技术已经成为人工智能领域研究热点,把深度学习应用在情境感知推荐系统当中,为推荐领域的研究带来新的机遇与挑战.本文从情境感知推荐系统相关概念出发,综合整理国内外研究相关文献,介绍深度学习技术融入情境感知推荐系统相关应用模型,提出了基于深度学习的情境感知推荐系统研究的不足以及对未来的展望.
作者:杨丰瑞; 吴晓浩; 万程峰 期刊:《计算机应用研究》 2019年第12期
推荐系统是处理信息过载问题的重要手段,现有的基于信任网络推荐算法没有充分挖掘用户信任关系信息,影响推荐效果。提出了综合评估信任(CETrust)的模型,该模型综合考虑了用户间的直接信任和间接信任等因素。结合推荐项目的特征属性信息,集成到概率矩阵的因式分解模型中推荐。实验表明,新提出的推荐算法(H-CETrust)推荐精度高于现有推荐算法。