检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于KL散度的用户相似性协同过滤算法

北京邮电大学学报 2017年第2期40卷 110-114页

作者：王永邓江洲重庆邮电大学电子商务与现代物流重点实验室重庆400065

大多数用户相似性算法在计算用户相似性时只考虑了用户间的共同评分项,而忽略了用户其他评分中可能隐藏的有价值信息.为了准确评估用户间的相似性,提出了一种基于KL散度的用户相似性协同过滤算法.该算法不仅利用了共同评分项,还考虑了... 详细信息

大多数用户相似性算法在计算用户相似性时只考虑了用户间的共同评分项,而忽略了用户其他评分中可能隐藏的有价值信息.为了准确评估用户间的相似性,提出了一种基于KL散度的用户相似性协同过滤算法.该算法不仅利用了共同评分项,还考虑了其他非共同评分信息的影响.该算法充分利用了用户的所有评分信息,提高了用户相似性度量的可靠性和准确性.实验结果表明,该算法优于当前主流的用户相似性算法,且在没有共同评分信息的条件下,仍能有效地完成用户相似性度量,解决了对共同评分项的完全依赖问题,具有更好的适应性.

关键词：协同过滤算法用户相似性 KL散度共同评分信息数据稀疏

在线全文

学校读者我要写书评

暂无评论

基于生成对抗网络的评分可信推荐模型

电子科技大学学报 2024年第3期53卷 396-403页

作者：王永王淞立邓江洲重庆邮电大学电子商务与现代物流重点实验室重庆400065

现有的基于深度学习的推荐模型主要致力于提升推荐系统的准确性。然而,除了推荐准确性外,模型的推荐可靠性也备受关注。该文提出一种基于生成对抗网络的评分可信推荐模型来评估预测结果的有效性,以实现推荐准确性与可靠性间的权衡。该... 详细信息

现有的基于深度学习的推荐模型主要致力于提升推荐系统的准确性。然而,除了推荐准确性外,模型的推荐可靠性也备受关注。该文提出一种基于生成对抗网络的评分可信推荐模型来评估预测结果的有效性,以实现推荐准确性与可靠性间的权衡。该模型仅利用用户显式评分信息获取预测评分的可信度,并根据设定的可靠性阈值筛选出具有高可信度的预测评分,以保证推荐项目的可靠性。此外,为了提高模型的预测效果并确保训练的公平性,设计了正样本填充策略来缓解评分可靠性矩阵中的数据不均衡问题。在3个真实数据集上的实验结果表明,该模型在Recall和NDCG指标上均优于所选的对比方法,有效提高了推荐系统的性能。

关键词：生成对抗网络填充策略可靠性推荐系统

在线全文

学校读者我要写书评

暂无评论

基于直觉模糊集的伯努利矩阵分解推荐算法

控制与决策 2023年第10期38卷 2897-2904页

作者：邓江洲郭均鹏天津大学管理与经济学部天津300072

现有的基于矩阵分解的协同过滤推荐算法主要从定量的角度,利用用户的评分信息评估模型表现,而并未从定性的角度描述用户的不确定偏好信息.鉴于此,从用户偏好模糊概率的角度提出一种基于直觉模糊集的伯努利矩阵分解推荐算法为目标用户进... 详细信息

现有的基于矩阵分解的协同过滤推荐算法主要从定量的角度,利用用户的评分信息评估模型表现,而并未从定性的角度描述用户的不确定偏好信息.鉴于此,从用户偏好模糊概率的角度提出一种基于直觉模糊集的伯努利矩阵分解推荐算法为目标用户进行Top-n推荐.首先,根据用户偏好特征和直觉模糊集定义,将用户评分矩阵划分为隶属度矩阵、非隶属度矩阵和犹豫度矩阵;然后,借助伯努利矩阵分解模型对矩阵并行拟合,得到最优的潜在特征向量对,并将其内积按比例划分,从而获得目标用户对未评分项目偏好程度的直觉模糊数;最后,根据直觉模糊数排序规则确定最终推荐列表.在公开数据集上的实验结果显示,所提出方法在项目排序指标上均优于其对比方法,能够有效提高推荐质量.

关键词：直觉模糊集伯努利分布矩阵分解推荐算法

在线全文

学校读者我要写书评

暂无评论

融合物品受众特征的深度学习推荐模型

数据分析与知识发现 2023年第12期7卷 114-124页

作者：王永陈俊谕刘岽邓江洲重庆邮电大学经济管理学院重庆400065

[目的]为有效捕获用户与物品交互数据中蕴含的协同信息和高阶特征,提出一种融合物品受众特征的深度学习推荐模型。[方法]利用注意力机制从物品与用户的历史交互信息中自适应地构建出物品的个性化受众特征,并将其作为对目标用户偏好预测... 详细信息

[目的]为有效捕获用户与物品交互数据中蕴含的协同信息和高阶特征,提出一种融合物品受众特征的深度学习推荐模型。[方法]利用注意力机制从物品与用户的历史交互信息中自适应地构建出物品的个性化受众特征,并将其作为对目标用户偏好预测的重要补充信息引入推荐模型中。同时,设计显式的特征交叉并引入残差连接以丰富高阶特征信息的多样性。[结果]在三个公开数据集上的实验显示,当推荐列表长度为10时,相对于次优对比方法,本文模型在Precision、Recall、F1和NDCG等4个性能评价指标上分别最高增长9.1、9.4、9.2、12.1个百分点。[局限]模型性能一定程度上依赖于用户与物品的历史交互数据量。[结论]本文模型能很好地兼顾泛化能力和记忆能力,展现出良好的推荐性能。

关键词：注意力机制物品受众特征交叉神经网络推荐模型

在线全文

学校读者我要写书评

暂无评论

数据分析与知识发现 2024年第7期8卷 128-136页

作者：邓江洲伍奇王河洺杜茂康重庆邮电大学经济管理学院重庆400065 重庆邮电大学数智技术创新与产业发展研究中心重庆400065

【目的】考虑原始评分信息的准确性及其预测结果的可靠性,以提升推荐系统的准确性。【方法】从信息输入和输出两方面,设计三种方案为已有推荐算法的预测结果提供可靠性概率。在信息输入方面,借助直觉模糊集理论,提出模糊自然噪声检测机... 详细信息

【目的】考虑原始评分信息的准确性及其预测结果的可靠性,以提升推荐系统的准确性。【方法】从信息输入和输出两方面,设计三种方案为已有推荐算法的预测结果提供可靠性概率。在信息输入方面,借助直觉模糊集理论,提出模糊自然噪声检测机制识别和修正有误评分;在信息输出方面,分别采用二次模糊噪声检测、矩阵分解和深度神经网络获得待预测位置的可靠性概率,并根据设定的可靠性判别条件,识别出不可信的预测评分并对其修正。【结果】在两个公开数据集上的实验结果显示,与原始推荐算法相比,引入所提模糊自然噪声检测方法和三种可靠性方案后的相应方法在F1值和NDCG评估指标上分别最高提升了6.4%和7.2%。【局限】所设计的可信推荐策略不适用于只包含隐式反馈的数据集。【结论】从评估信息可靠性的视角,为提升推荐算法的性能提供了新的解决方案。

关键词：直觉模糊集自然噪声可靠性机器学习推荐系统

在线全文

学校读者我要写书评

暂无评论

基于KL散度的协同过滤推荐算法研究

基于KL散度的协同过滤推荐算法研究

作者：邓江洲重庆邮电大学

学位级别：硕士

随着互联网和移动互联网的普及与深度应用,信息量激增。如何解决信息过载,满足用户的个性化需求成为了当前的一个研究热点。推荐算法作为推荐系统的核心得到了广泛地应用与研究,而协同过滤技术是目前应用得最为成功的推荐算法之一。在... 详细信息

随着互联网和移动互联网的普及与深度应用,信息量激增。如何解决信息过载,满足用户的个性化需求成为了当前的一个研究热点。推荐算法作为推荐系统的核心得到了广泛地应用与研究,而协同过滤技术是目前应用得最为成功的推荐算法之一。在推荐算法中,最为重要的是计算用户或项目间的相似性,这直接决定推荐系统的好坏。而绝大多数相似性度量方法在计算相似性时存在以下问题。一是这些方法只考虑了用户间的共同评分项,而忽略了用户其他评分中可能隐藏着有价值的信息。二是数据变量间不存在线性关系,不应用线性模型去度量用户或项目的相似性。三是用户间存在评分偏好且评分数量不尽相同,而大多数相似性方法无法高效地区分不同用户间的评分差异性。针对以上协同过滤推荐算法中普遍存在的关键问题进行改进,本文的主要贡献有如下几个方面。第一,项目相似性度量的研究。常见的项目相似性度量方法在计算项目间相似性时必须完全依赖于共同评分项,这导致在稀疏数据集中预测准确性不高。本文针对此问题,通过将信号处理领域的Kullback–Leibler(KL)散度引入到项目相似性方法中,从概率密度分布角度去计算项目间的相似性。实验结果表明,本方法能有效地利用数据集内的所有评分信息,在一定程度上解决了协同过滤算法中普遍存在的数据集稀疏性问题,具有很好的应用潜力和价值。第二,基于KL散度的用户相似性协同过滤算法研究。基于用户相似性的协同过滤算法是现如今被使用的最为广泛和高效的算法之一。而当前大多数用户相似性算法在计算用户相似性时只考虑了用户间的共同评分项,而忽略了用户其他评分中可能隐藏的有价值信息。为了充分利用用户的所有评分信息,本文提出了一种基于KL散度的用户相似性协同过滤算法。该算法不仅能有效处理共同评分项中的信息,而且还能充分利用用户的其他非共同评分项信息去计算两用户间的相似性。实验结果表明,本算法具有更好的适应性且提高了推荐质量。第三,融合KL散度的混合相似性模型的研究。常见的相似性方法都只考虑了项目评分本身,而忽略了不同项目间所存在的联系。同时,大多数相似性方法未考虑用户项目评分数量以及用户偏好行为对推荐算法的影响。针对这些问题,本文将一个扩展的PSS非线性模型与基于KL散度的项目相似性方法相结合,并引入两个权重因子去高效地区分不同用户间的评分差异,提出了融合KL散度的混合相似性模型。该模型具有非对称性,同时打破了常见方法对共同评分项的约束,使得能充分利用用户的所有评分信息。实验结果表明,本文提出的模型能极大程度地提高推荐效果。

关键词： KL散度共同评分项数据稀疏性冷启动相似性模型协同过滤推荐算法

融合知识图谱和大模型的高校科研管理问答系统设计

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机科学与探索 2024年

作者：王永秦嘉俊黄有锐邓江洲重庆邮电大学电子商务与现代物流重点实验室

“十四五”规划鼓励高校参与场景创新，以人工智能技术推动智能化建设。其中，科研管理是高校管理中的重要组成部分，但现有的科研管理系统难以满足用户的个性化需求。为此，本文以高校科研管理向智能化转型为需求导向，将知识图谱、传... 详细信息

“十四五”规划鼓励高校参与场景创新，以人工智能技术推动智能化建设。其中，科研管理是高校管理中的重要组成部分，但现有的科研管理系统难以满足用户的个性化需求。为此，本文以高校科研管理向智能化转型为需求导向，将知识图谱、传统模型和大语言模型相结合，共同构建新一代高校科研管理问答系统。首先，采集科研知识用于构建科研知识图谱。然后，利用同时进行意图分类和实体提取的多任务模型进行语义解析。最后，借助解析结果来生成查询语句，并从知识图谱中检索信息回复常规问题。同时，将大语言模型与知识图谱相结合，以辅助处理开放性问题。通过在意图和实体具有关联的数据集上的实验结果表明，本文采用的多任务模型在意图分类和实体识别任务上的F1值分别为0.958和0.937，优于其它对比模型和单任务模型。Cypher生成测试表明以自定义Prompt在激发大语言模型涌现能力方面的成效，利用大语言模型实现文本生成Cypher的准确率达到85.8%，有效处理了基于知识图谱的开放性问题。此外，以知识图谱、传统模型和大语言模型搭建的问答系统其准确性为0.935，很好地满足了智能问答的需求。

关键词：知识图谱多任务模型意图分类命名实体识别大语言模型

基于Rényi差分隐私的图卷积协同过滤推荐算法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

软件学报 2024年

作者：王锟王永刘金源邓江洲重庆邮电大学计算机科学与技术学院西南政法大学教育信息技术中心重庆邮电大学经济管理学院

近年来,图卷积网络作为一种强大的图嵌入技术在推荐系统领域得到广泛应用.主要原因是推荐系统中大多数信息可以建模为图结构,而图卷积网络是一种基于图结构的深度学习模型,有助于挖掘图数据中用户和项目之间的潜在交互,从而提高推荐系... 详细信息

近年来,图卷积网络作为一种强大的图嵌入技术在推荐系统领域得到广泛应用.主要原因是推荐系统中大多数信息可以建模为图结构,而图卷积网络是一种基于图结构的深度学习模型,有助于挖掘图数据中用户和项目之间的潜在交互,从而提高推荐系统的性能.由于推荐系统的建模通常需要收集和处理大量的敏感数据,因此可能会面临隐私泄露的风险.差分隐私是一种具有坚实理论基础的隐私保护模型,已被广泛应用于推荐系统中解决用户隐私泄露的问题.目前基于差分隐私的研究主要是面向独立同分布的数据模型.然而,在基于图卷积网络的推荐系统中,数据之间关联性强且不具有独立性,这使得现有方法难以对其进行有效的隐私保护处理.为解决该问题,提出基于Rényi差分隐私的图卷积协同过滤推荐算法RDP-GCF,旨在保护用户与项目交互数据安全的前提下,实现隐私性和效用性之间的平衡.该算法首先利用图卷积网络学习用户/项目的嵌入向量;然后,采用高斯机制对嵌入向量进行随机化处理,同时基于采样的方法放大隐私预算,减少差分噪声注入量,以提升推荐系统的性能;最后,通过加权融合的方式得到用户/项目的最终嵌入向量,并应用于推荐任务.在3组公开数据集上进行实验验证.结果表明,与现有同类方法相比,所提算法能更好地实现隐私保护与数据效用之间的平衡.

关键词：推荐系统协同过滤图卷积网络隐私保护 Rényi差分隐私

基于目标扰动的本地化差分隐私矩阵分解推荐算法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机学报 2024年

作者：王永罗陈红邓江洲高明星重庆邮电大学经济管理学院重庆邮电大学计算机科学与技术学院

推荐系统作为有效应对信息过载的工具被广泛应用在电子商务、社交媒体和新闻资讯等领域中。矩阵分解具有泛化能力强和计算效率高的优点，是构建推荐系统的主流算法之一。为提高推荐质量，推荐服务器需要收集大量用户数据用于推荐模型的... 详细信息

推荐系统作为有效应对信息过载的工具被广泛应用在电子商务、社交媒体和新闻资讯等领域中。矩阵分解具有泛化能力强和计算效率高的优点，是构建推荐系统的主流算法之一。为提高推荐质量，推荐服务器需要收集大量用户数据用于推荐模型的训练。由于推荐服务器不是完全可信的，向服务器共享用户数据会对用户隐私构成极大的威胁。如何构建一个在保护用户隐私的同时，还能确保推荐质量和准确性的系统，成为了一个热门的研究话题。本地化差分隐私是一种分布式的隐私保护机制，它从中心化差分隐私中发展而来，旨在解决服务器不可信场景下的数据的安全收集和分析。这种框架通过精确的数学证明来确保隐私保护的强度。目前，已经有研究工作将本地化差分隐私引入推荐系统，目的是在推荐效果可接受的情况下，确保用户隐私数据的安全。然而，这些研究还面临一些挑战。首先，隐私保护的范围有限。目前的方法大多只关注显式数据的具体数值，认为这是用户的隐私信息。事实上，攻击者可以通过检查数据是否包含在数据集中，来推测用户的隐私信息。其次，推荐质量较低。本地化差分隐私通过引入扰动来保护用户隐私，但这种方法会导致扰动幅度过大和误差累积，进而影响推荐质量。在推荐服务器不可信场景下，本文提出一种基于本地化差分隐私的矩阵分解推荐算法。首先，该算法将评分数值和评分存在性同时作为隐私保护的对象，为用户提供全面的隐私保护。其次，本算法采用目标扰动方法，添加的噪声量不会随着迭代次数增加而增加，有效避免模型训练过程中噪声累积的问题，保证模型训练的有效性。最后，针对分布式场景下多轮迭代导致的中间参数泄露问题，以无放回方式将采样的模型梯度元素发送给推荐服务器，用于模型训练。本文从理论上证明了所提算法满足本地化差分隐私。对所提算法的效用分析证明本文算法在保证有效的推荐质量的同时，能够实现对用户隐私数据的保护。实验结果表明本文算法极大地提高了隐私保护推荐算法的性能，本文算法在公开数据集上的误差下降幅度平均可达18%，在推荐领域数据隐私保护中展现出良好的应用价值。

关键词：矩阵分解本地化差分隐私目标扰动推荐算法隐私保护