检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于特征嵌入的去流行度偏差混合推荐算法

计算机应用研究 2022年第11期39卷 3275-3280页

作者：李鹏朱心如苏忻洁哈尔滨商业大学管理学院哈尔滨150028

针对数据不均衡条件下贝叶斯个性化排序算法生成的推荐列表中存在强流行度偏差的问题,提出基于特征嵌入的去流行度偏差混合推荐算法。首先,利用卷积神经网络提取用户、物品特征确定用户偏好,并依据用户偏好对原始不均衡数据进行评分填充... 详细信息

针对数据不均衡条件下贝叶斯个性化排序算法生成的推荐列表中存在强流行度偏差的问题,提出基于特征嵌入的去流行度偏差混合推荐算法。首先,利用卷积神经网络提取用户、物品特征确定用户偏好,并依据用户偏好对原始不均衡数据进行评分填充;其次,将卷积神经网络提取的用户偏好特征嵌入到贝叶斯个性化排序算法中进行混合推荐;最后,用评分填充数据训练混合推荐模型,得到去流行度偏差的个性化排序列表。为了验证算法的性能,在公开数据集MovieLens-100K和MovieLens-1M上进行分析与对比实验,实验结果显示流行度偏差降低了约50%~60%,精确度提高了约一倍。

关键词：贝叶斯个性化排序算法推荐系统卷积神经网络流行度偏差

在线全文

学校读者我要写书评

暂无评论

考虑评分与流行度偏差的用户个性化推荐研究

考虑评分与流行度偏差的用户个性化推荐研究

作者：苏忻洁哈尔滨商业大学

学位级别：硕士

在推荐系统研究领域,大多数学者致力于优化推荐模型以期提升推荐精度。近年来,在满足推荐结果不断精准匹配用户需求的同时,缓解推荐系统中的偏差问题,提高用户个性化体验包括新奇度、惊喜度等也逐渐进入学者的研究视野。但由于推荐系统... 详细信息

在推荐系统研究领域,大多数学者致力于优化推荐模型以期提升推荐精度。近年来,在满足推荐结果不断精准匹配用户需求的同时,缓解推荐系统中的偏差问题,提高用户个性化体验包括新奇度、惊喜度等也逐渐进入学者的研究视野。但由于推荐系统中存在用户自身评价行为所导致的评分偏差与由推荐模型产生的流行度偏差,致使推荐结果趋于模糊或是集中于少数高流行度商品,进而影响推荐结果,降低用户个性化体验。基于此情况,本文以公开数据集为研究对象,深入研究了个性化推荐中商品无偏推荐的理论和方法,针对评分偏差和流行度偏差问题提出了一系列解决方案,在提升推荐精度与为用户提供更好的个性化体验服务上取得了平衡。本文主要内容包括以下几点:首先,针对用户对商品的模糊评价导致的评分偏差,模型推荐准确性低的问题,提出了基于单值中智集的协同过滤推荐模型。在用户-商品评分矩阵的基础上,引入单值中智集设计评分隶属度转换公式,融合极端评价与杰卡德相关系数得到基于单值中智集的协同过滤推荐模型,有效地降低了模糊评价的影响,降低评分偏差并提升推荐精度。其次,针对基于矩阵分解的协同过滤推荐模型产生并放大数据中流行度偏差的问题,提出了基于用户偏好与评分补偿的去偏模型。从理论上引入因果推断证明了所提出的去偏模型能够有效地提高推荐模型的推荐效果。从实践上采用实验结果表明,该模型能有效降低流行度偏差,并提升推荐效用。最后,为降低评分偏差与流行度偏差给推荐系统带来的影响,使推荐模型同时在推荐效用与去偏效果上达到平衡,提出混合评分偏差与流行度偏差的去偏模型。引入模糊逻辑,利用k次抛物型模糊分布融合用户年龄对评分进行重新分布降低评分偏差。利用项目连续递增流量与流行度对损失函数进行优化,降低评分偏差与流行度偏差。混合用户情绪与项目人气构造用户心理倾向,提升推荐效用。为验证模型性能在真实数据集上进行实验,结果表明本文提出的模型不仅有效降低了推荐偏差,并且保证了推荐效用。

关键词：流行度偏差评分偏差矩阵分解因果效应模糊逻辑

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于自监督学习的去流行度偏差推荐算法研究

基于自监督学习的去流行度偏差推荐算法研究

作者：张帅重庆大学

学位级别：硕士

推荐系统作为缓解“信息过载”的有效途径,已具有大规模的应用。其中,基于共同群体偏好实现个性化推荐的协同过滤是应用最广泛的技术,但其输入数据的不平衡和损失函数的不公平,使其容易遭受流行度偏差问题。即相较于非流行的物品,推荐... 详细信息

推荐系统作为缓解“信息过载”的有效途径,已具有大规模的应用。其中,基于共同群体偏好实现个性化推荐的协同过滤是应用最广泛的技术,但其输入数据的不平衡和损失函数的不公平,使其容易遭受流行度偏差问题。即相较于非流行的物品,推荐系统过于倾向推荐流行的物品,导致推荐系统中的马太效应。流行度偏差对推荐系统的各利益相关者都有不利影响,因此,如何缓解推荐系统中的流行度偏差是亟需解决的问题。之前大部分研究只从物品方考虑流行度偏差问题,即提高非流行物品的曝光率,而忽略了用户对非流行物品的偏好程度。由于用户对非流行物品的偏好程度并不一致,提高所有用户推荐中的非流行物品比例将影响用户体验。要结合用户非流行物品的偏好进行去流行度偏差的推荐存在以下难点:(1)用户对流行物品和非流行物品有个性化偏好,学习用户对非流行物品偏好时难免受到流行物品的影响;(2)非流行物品交互数据极其稀疏,难以学习完备的物品表征;(3)会话推荐场景中单个会话中交互数据稀少更限制了非流行物品的表征学习。为解决以上难点,本文提出基于双视图自监督学习的去流行度偏差推荐方法以及基于层次化自监督学习的去流行度偏差会话推荐方法。主要工作如下:设计了双视图用户偏好学习方法,对物品按流行度划分为流行与非流行两个视图,并在两种视图下分别计算用户偏好,从而避免了物品流行度在捕获用户真实兴趣时的干扰,学习到用户对非流行物品的个性化偏好,解决难点(1);设计了包含流行/非流行物品掩码、基于自注意力的隐式表征关键信息提取、双视图互信息最大化的辅助任务,更充分地学习物品的隐式表征,缓解非流行物品数据稀疏问题,解决难点(2)。综合双视图学习方法和自监督学习,提出基于双视图自监督学习的去流行度偏差推荐方法。迁移上述推荐模型中的物品表征到会话推荐模型,在用户级和会话级分别使用自监督学习,提出基于层次化的自监督学习的去流行度偏差会话推荐方法,有效缓解会话推荐场景中的流行度偏差问题,解决难点(3)。通过基于公开数据集的大量实验,证明了所提两种算法的有效性。根据所提模型设计并实现了一个去流行度偏差的电影推荐系统,包括电影流行度变化趋势展示、电影信息展示等功能,向用户推荐可能感兴趣的电影。

关键词：推荐系统流行度偏差协同过滤自监督学习会话推荐

基于迁移学习的主题感知增强的出版物推荐研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

数据分析与知识发现 2023年

作者：沈阳泰齐江蕾丁浩南京大学信息管理学院

[目的]本文针对出版物推荐领域可能存在的数据稀疏性问题，提出一种基于LDA与迁移学习的潜在非负因子分解主题推荐模型，以提高在数据稀疏场景中推荐的准确率。[方法]本文使用非负矩阵分解填充非负数据的高维稀疏矩阵，并基于LDA与非负... 详细信息

[目的]本文针对出版物推荐领域可能存在的数据稀疏性问题，提出一种基于LDA与迁移学习的潜在非负因子分解主题推荐模型，以提高在数据稀疏场景中推荐的准确率。[方法]本文使用非负矩阵分解填充非负数据的高维稀疏矩阵，并基于LDA与非负矩阵分解构建隐含主题模型，充分考虑用户评论信息的主题分布特征，进一步将用户不同维度的信息知识应用到评分预测，缓解数据的稀疏性。同时引入迁移学习机制，可以从相关的其它类别出版物预训练模型中提取和迁移模型参数，以协助目标模型数据的学习任务，提高对冷门出版物推荐的有效性。[结果]本文在3个出版物数据集中与3种基线方法进行对比实验，模型的Precision平均为77.32个百分点，F1 平均为70.85个百分点，NDCG平均为74.68个百分点，各指标结果总体优于其它基线模型。[局限]当系统中户数量较少时，可能需要通过其他方法进行冷启动。[结论]所提出方法对用户兴趣特征泛化能力强，进一步缓解模型中流行度偏差以及数据的稀疏性问题，可有效提高出版物推荐的准确率。

关键词：推荐系统迁移学习出版物推荐流行度偏差 LDA 主题模型

FERSF:随机模型检验引导的公平性增强推荐系统框架

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机应用研究 2023年第6期40卷 1777-1783页

作者：王楚钦刘阳南京财经大学信息工程学院南京210046

在推荐系统的实际应用中,物品流行度偏差会被系统的反馈循环、机器学习训练模型以及一些外界因素所放大,从而导致大量的长尾物品得不到公平的推荐机会。针对反馈循环放大流行度偏差所导致的公平性问题,首次通过随机模型检验的方法进行... 详细信息

在推荐系统的实际应用中,物品流行度偏差会被系统的反馈循环、机器学习训练模型以及一些外界因素所放大,从而导致大量的长尾物品得不到公平的推荐机会。针对反馈循环放大流行度偏差所导致的公平性问题,首次通过随机模型检验的方法进行公平性分析和增强研究。将基于流行度偏差和反馈循环的传统推荐系统框架建模成DTMC模型,并验证其公平性。实验发现随着反馈循环轮数增加,马太效应加剧,公平性明显减弱。然后提出一种随机模型检验引导的公平性增强的推荐系统框架FERSF:在传统的推荐系统框架回路中增加一个动态公平性阈值检测过程,监测其公平性,并对反馈影响因子进行公平性增强调整以减缓流行度偏差对系统的影响。通过实验分析,与传统的推荐系统相比,FERSF的公平性显著提升;与基于效用函数的公平性改进方法相比,FERSF因结合反馈循环的动态特性,从根本上抑制流行度偏差的放大;与其他针对算法的公平性改进相比,FERSF因基于推荐系统框架建模,兼容性强。

关键词：推荐系统流行度偏差公平性长尾效应 DTMC 随机模型检验

基于时空信息和任务流行度分析的移动群智感知任务推荐

在线全文

学校读者我要写书评

暂无评论

计算机应用研究 2022年第9期39卷 2745-2751页

作者：杨桂松王静茹李俊何杏宇上海理工大学光电信息与计算机工程学院上海200093 上海理工大学出版印刷与艺术设计学院上海200093 国家工业信息安全发展研究中心北京100040

现有移动群智感知任务推荐的共同缺点是:一方面,未充分考虑时空信息对工人偏好的影响,导致推荐准确性低;另一方面,忽略了任务流行度对推荐的影响,导致推荐覆盖率差。为解决这些问题,提出一种基于时空信息和任务流行度分析的移动群智感... 详细信息

现有移动群智感知任务推荐的共同缺点是:一方面,未充分考虑时空信息对工人偏好的影响,导致推荐准确性低;另一方面,忽略了任务流行度对推荐的影响,导致推荐覆盖率差。为解决这些问题,提出一种基于时空信息和任务流行度分析的移动群智感知任务推荐方法。充分利用工人执行记录中的相关信息(如工人执行任务的时间、位置),准确预测工人对任务的偏好;基于工人声誉和任务执行情况分析任务流行度并设计任务流行度惩罚因子,提升推荐效果的覆盖率;结合工人偏好和流行度惩罚因子生成任务推荐列表。实验结果表明,与现有基线方法相比,所提出方法在推荐准确率上平均提升了3.5%,推荐覆盖率上平均提高了25%。

关键词：移动群智感知任务推荐时空信息流行度偏差任务流行度

在线全文

学校读者我要写书评

暂无评论

基于双视角纠偏的推荐模型

计算机科学 2023年第9期50卷 152-159页

作者：黄露倪葎金澈清华东师范大学数据科学与工程学院上海200062

近几年,推荐算法快速增长,但大多数研究都重点关注如何利用机器学习模型更好地拟合历史交互数据。然而,推荐系统中的历史交互数据往往是观察性的,而非实验性数据。观测数据存在多种偏差,其中最典型的是流行度偏差。大多数处理流行度偏... 详细信息

近几年,推荐算法快速增长,但大多数研究都重点关注如何利用机器学习模型更好地拟合历史交互数据。然而,推荐系统中的历史交互数据往往是观察性的,而非实验性数据。观测数据存在多种偏差,其中最典型的是流行度偏差。大多数处理流行度偏差的方法采用去除流行度偏差的策略,但是去偏策略本质上难以提升推荐精准性,这是因为推荐算法所引起的偏差会扩大。因此,同时在训练和推断阶段充分利用流行度偏差的纠偏策略更为可行。文中结合因果图分别从用户和物品两个角度来纠偏,提出了一个双偏去混及调整模型(Double Bias Deconfounding and Adjusting,DBDA)。在训练阶段剥离产生不利影响的流行度偏差,并在推断阶段根据流行度的变化趋势,对用户偏好做出更为精准的预测。在3个大规模公开数据集上进行实验,结果表明,相比目前的最优方法,所提方法在各个评价指标上提升了2.48%~19.70%。

关键词：推荐系统协同过滤因果推断后门调整流行度偏差

在线全文

学校读者我要写书评

暂无评论

基于双视角纠偏的推荐模型

基于双视角纠偏的推荐模型

作者：黄露华东师范大学

学位级别：硕士

推荐系统的出现是为了缓解信息过载的问题,帮助用户快速、准确地找到其感兴趣的内容。当下,推荐系统已在电子商务、社交平台、个性化广告推荐等领域发挥着重要作用,成为了现代互联网应用场景中不可或缺的一部分。传统推荐系统大多关注... 详细信息

推荐系统的出现是为了缓解信息过载的问题,帮助用户快速、准确地找到其感兴趣的内容。当下,推荐系统已在电子商务、社交平台、个性化广告推荐等领域发挥着重要作用,成为了现代互联网应用场景中不可或缺的一部分。传统推荐系统大多关注于如何利用机器学习模型更好地拟合历史交互数据。然而推荐系统中的历史交互数据往往是观察性的,而非实验性数据。作为观察性的用户行为数据天生存在各种各样的偏差,因为用户产生行为是基于曝光的物品,使得观察到的数据混合了系统的曝光机制和用户的自由选择。另外推荐系统作为一个反馈循环系统,不但会导致偏差而且会放大偏差,造成马太效应。因此传统推荐方法不考虑其内在偏差而盲目拟合数据,不仅会损害用户的满意度还会损害物品提供方的利益。观测数据中存在多种偏差,其中较为典型的是流行度偏差。适度地利用流行度偏差是可以提高模型准确性的,但在循环推荐中放大的流行度偏差会降低推荐系统的预测性能。因此第一个问题是如何去除流行度偏差,如果将有偏的观测数据直接作为模型输入的话,训练好的嵌入向量不能准确地表征用户和物品,导致推荐性能较差。第二个问题是如何利用流行度偏差,因为盲目去除流行度偏差,过度推荐不受欢迎的物品,会损害用户的体验。近几年,研究者将研究重心转向探索偏差对推荐系统的影响上,但目前为止,处理流行度偏差的策略都仅从物品的视角进行纠偏,未能考虑全面。针对上述情况,本文构建符合数据生成机制的因果图,基于该因果图提出了双视角纠偏的推荐模型,并在大规模真实数据集上验证提出方法的有效性。本文的主要贡献总结如下:·本文为了去除对推荐系统产生不利影响的流行度偏差,构建了一个双偏去混模型(Double Bias Deconfounding,DBD)。DBD模型受因果图启发,从物品和用户两个视角分析偏差对推荐系统的影响。在训练阶段,利用因果推断中的后门调整技术构建双视角去偏模型。改进贝叶斯个性化排序损失函数,使其可以同时利用物品流行度和用户活跃度两方面信息训练模型。在训练阶段剥离产生不利影响的流行度偏差,实验证明该方法可以提升推荐系统性能。·本文为了利用有利的流行度偏差,消除训练集和测试集之间分布偏移问题,构建了一个双偏去混及调整模型(Double Bias Deconfounding and Adjusting,DBDA)。DBDA模型是在DBD模型的基础上建立的,从物品和用户两个视角进行去偏。在推断阶段从物品和用户双视角进行干预,构建纠偏模型。在为同一用户推荐不同物品时,双视角干预等价于对物品流行度进行干预,通过比较3种不同流行度预测公式的干预效果,探讨不同公式对最终推荐效果的影响。在推断阶段通过调整流行度偏差,找出用户潜在感兴趣的物品,实验证明了该方法的有效性和稳定性。并通过消融实验,验证了DBDA模型中各个组件的必要性。综上所述,本文先是构建因果图指导模型在训练阶段从物品和用户双视角去除流行度偏差,后从双视角的角度对偏差进行干预找出潜在受欢迎的物品。利用流行度偏差来缓解数据在训练集和测试集之间分布偏移的问题,使得模型更具鲁棒性和可解释性。

关键词：推荐系统协同过滤因果推断后门调整流行度偏差

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于随机模型检验的推荐系统公平性研究

基于随机模型检验的推荐系统公平性研究

作者：王楚钦南京财经大学

学位级别：硕士

随着当今大数据时代信息量的指数级增长,推荐系统作为缓解信息过载的有效途径,在电子商务、社交网站、文娱检索等众多领域都发挥着越来越重要的作用。然而,推荐系统在为人们生活和工作提供便利的同时,诸如“大数据杀熟”、种族歧视、性... 详细信息

随着当今大数据时代信息量的指数级增长,推荐系统作为缓解信息过载的有效途径,在电子商务、社交网站、文娱检索等众多领域都发挥着越来越重要的作用。然而,推荐系统在为人们生活和工作提供便利的同时,诸如“大数据杀熟”、种族歧视、性别歧视等公平性问题层出不穷,公平性对于推荐系统的重要性逐渐被人们所重视,并成为该领域中学术界和工业界的研究热点。针对由反馈循环对系统偏差放大所导致的三类公平性问题,本文基于系统行为发生的概率将一般推荐系统框架建模成离散时间马尔科夫链DTMC(Discrete-time Markov Chains)模型,进行公平性检验,提出公平性增强的改进:(1)将基于流行度偏差和反馈循环的一般推荐系统框架建模成DTMC模型并验证。实验发现,随着反馈循环轮数增加,出现“马太效应”,公平性减弱。本文提出一种随机模型检验引导的流行度公平性增强的推荐系统框架PFERSF(Popularity Fairness Enhanced Recommender System Framework):在一般推荐系统框架回路中增加一个动态的公平性阈值检测过程,监测公平性,并对反馈影响因子进行公平性增强调整以减缓流行度偏差对系统的影响。(2)将基于反馈循环和用户偏好的一般推荐系统框架建模成DTMC模型并验证。实验表明反馈循环会导致推荐发生严重的同质化,推荐性能和用户体验大幅降低,形成“茧房效应”,用户和物品公平性均降低。本文提出一种基于随机模型检验的动态多样性阈值监测框架DTDRSF(Diversity Threshold Detection Recommender System Framework),动态地监测系统推荐的多样性。(3)提升群组推荐公平性核心在于最大化群组的最低满意度。基于反馈循环将一般群组推荐框架建模成DTMC模型并验证。实验发现,反馈循环会使全局满意度虚假地提升,而对应少数派的最低满意度降低,公平性减弱。本文提出一种基于随机模型检验的动态群组公平性阈值监测框架GFTDRSF(Group Fairness Threshold Detection Recommender System Framework),动态地监测系统的群组公平性。本文首次通过随机模型检验的方法对推荐系统的公平性进行研究。由于结合了反馈循环的动态特性,本文提出的改进框架从根本上抑制系统偏差的放大,使推荐公平性显著提升。同时,本文的方法基于推荐系统一般框架建模,与基于特定算法的改进相比,更具一般性和兼容性。

关键词：推荐系统公平性反馈循环流行度偏差随机模型检验多样性群组推荐