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

结合物品流行度的列表级矩阵因子分解算法

计算机应用 2018年第7期38卷 1877-1881页

作者：周瑞环赵宏宇西南交通大学信息科学与技术学院成都611756

针对变形的奇异值分解(SVD++)算法的评分规则在模型训练和预测两个阶段的不一致问题和列表级矩阵因子分解(ListRank-MF)算法的Top-1排序概率在大量物品评分一样时排序概率一样的问题,提出一种结合物品流行度的列表级矩阵因子分解算法。... 详细信息

针对变形的奇异值分解(SVD++)算法的评分规则在模型训练和预测两个阶段的不一致问题和列表级矩阵因子分解(ListRank-MF)算法的Top-1排序概率在大量物品评分一样时排序概率一样的问题,提出一种结合物品流行度的列表级矩阵因子分解算法。首先,在评分规则中使用到的用户有过行为的物品集合中去除当前待评分物品;接着结合物品流行度改进Top-1排序概率;然后使用随机梯度下降算法求解目标函数并进行Top-N推荐。基于修正的SVD++评分规则,在MovieLens和Netflix数据集上比较了所提算法与目标函数为点级和列表级的SVD++算法。所提算法与列表级的SVD++算法相比,Top-N推荐准确率指标归一化折损累积增益(NDCG)值在MovieLens数据集上提高了5%~8%,在Netflix数据集上提高了1%左右。实验结果表明,所提算法能够有效提高Top-N推荐准确率。

关键词：矩阵因子分解 Top-N推荐变形的奇异值分解(SVD++)算法物品流行度随机梯度下降

在线全文

学校读者我要写书评

暂无评论

基于影响力控制的热传导算法

智能系统学报 2016年第3期11卷 328-335页

作者：雷震文益民王志强缪裕青桂林电子科技大学计算机与信息安全学院广西桂林541004 桂林电子科技大学广西可信软件重点实验室广西桂林541004

因特网上信息严重过载,使得用户不容易从纷繁的信息中找到适合自己的内容。如何准确地向用户推荐他们想要的信息成为急待解决的问题。热传导算法(HC)被广泛地应用于个性化推荐领域,但是它的热量传播机制不利于经历丰富的用户喜欢的流行... 详细信息

因特网上信息严重过载,使得用户不容易从纷繁的信息中找到适合自己的内容。如何准确地向用户推荐他们想要的信息成为急待解决的问题。热传导算法(HC)被广泛地应用于个性化推荐领域,但是它的热量传播机制不利于经历丰富的用户喜欢的流行物品得到更多的热量。因此,本文提出了基于影响力控制的热传导算法(THC)。THC引入两个参数控制度数大的用户喜欢的度数大的物品对目标用户推荐的影响。另外,本文提出利用用户对景点的各项评分及评论的情感极性来判断用户是否喜欢一个景点,还提出了一个新的指标buir以度量度数大的用户喜欢的度数大的物品出现在推荐列表中的比例。实验结果表明:适度增大的度数大的用户喜欢的度数大的物品的影响,有助于推荐出目标用户喜欢的物品,从而有助于提升推荐效果。

关键词：热传导个性化推荐用户偏好情感极性二部网络信息过载物品流行度用户影响力

在线全文

学校读者我要写书评

暂无评论

引入兴趣稳定性的时间敏感协同过滤算法

计算机工程与应用 2018年第11期54卷 161-165,197页

作者：张旭孙福振方春郭蕊山东理工大学计算机科学与技术学院

针对物品流行偏置现象,将物品流行度引入到用户兴趣中建模,提出了基于物品流行度的用户兴趣特征相似度模型。针对传统模型没有考虑到用户兴趣稳定性和难以实时捕获用户兴趣问题,在计算用户兴趣相似度过程中引入时间敏感和兴趣稳定性,提... 详细信息

针对物品流行偏置现象,将物品流行度引入到用户兴趣中建模,提出了基于物品流行度的用户兴趣特征相似度模型。针对传统模型没有考虑到用户兴趣稳定性和难以实时捕获用户兴趣问题,在计算用户兴趣相似度过程中引入时间敏感和兴趣稳定性,提出了引入时间敏感的用户兴趣稳定性的相似度模型。最后,融合权重因子将两种相似度模型线性加权,提出了一种新颖的IPSTS算法模型。实验表明,该算法相比传统协同过滤算法在平均绝对误差(MAE)和均方根误差(RMSE)上均有明显降低的同时也能挖掘出长尾物品,缓解了物品流行偏置现象。

关键词：时间敏感兴趣稳定性物品流行度协同过滤流行偏置

在线全文

学校读者我要写书评

暂无评论

推荐系统的研究及其在移动电子商务中的应用

推荐系统的研究及其在移动电子商务中的应用

作者：欧阳裕洁电子科技大学

学位级别：硕士

随着社会的计算机化,人们生产和收集数据的能力显著增强。海量信息在给这个时代带来机遇的同时也带来了许多棘手的难题,那就是信息的筛选和过滤。推荐系统是一种智能的信息筛选工具:系统自动记录并分析用户的历史行为数据,然后将用户最... 详细信息

随着社会的计算机化,人们生产和收集数据的能力显著增强。海量信息在给这个时代带来机遇的同时也带来了许多棘手的难题,那就是信息的筛选和过滤。推荐系统是一种智能的信息筛选工具:系统自动记录并分析用户的历史行为数据,然后将用户最感兴趣的信息呈现在用户面前。自推荐系统问世以来,被广泛地运用于在线电子商务系统中,同时也面临许多问题,例如以往算法未将时间这一动态信息建模到推荐模型中,从而不能捕获到与时间相关的各种重要规律,这称为静态推荐。为了解决这一问题,本文首先对推荐领域各类算法进行深入分析;然后,重点探讨了时间这一动态上下文信息对推荐结果的影响,并以协同过滤推荐算法为基础,将时间信息建模到该算法中,并给出具体的算法流程;最后结合移动设备特点,提出融合了移动设备特点的推荐方案并应用于在线图书销售系统中。本文的主要研究工作如下:(1)对目前主流的推荐算法进行深入研究,分析了各个算法的推荐机制以及优缺点,并通过简单实例对各算法进行了描述。重点分析了协同过滤推荐,详细描述了该类算法的执行流程;(2)通过分析现实生活推荐机制中的时间规律以及Netflix数据集中的时间现象,论证了时间信息对推荐系统的重要性;(3)对时间信息进行建模,提出了基于用户影响度的算法(IOE-User CF)以及基于物品耦合度及流行度的算法(PC-Item CF),并给出具体的流程;然后利用Netflix数据集从MAE值、推荐的准确率、召回率以及F1值等指标对两类算法的推荐质量进行评测。通过实验得出:本文融合了时间信息的算法比以往算法具有更好的推荐准确度;(4)最后,利用本文的算法思路,同时结合移动设备能方便地获取用户通讯录这一优点,建立融合移动设备特点的动态推荐模型。(5)为了论证本文的推荐模型具有一定的使用价值,最后设计一个简单的在线图书销售系统,并将上述模型应用该系统中。

关键词：协同过滤时间上下文信息用户影响度物品耦合度物品流行度