检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于兴趣偏好的微博用户性别推断研究

电子学报 2016年第10期44卷 2522-2529页

作者：宋巍刘丽珍王函石首都师范大学信息工程学院北京100048

用户属性,如:性别、年龄等,是计算心理学、个性化搜索、社会化商业推广等研究和应用考察的核心因素.利用用户生成数据自动推断用户属性成为新兴的研究课题.本文提出基于用户兴趣偏好研究微博用户的性别推断问题.考察了用户内容偏好以及... 详细信息

用户属性,如:性别、年龄等,是计算心理学、个性化搜索、社会化商业推广等研究和应用考察的核心因素.利用用户生成数据自动推断用户属性成为新兴的研究课题.本文提出基于用户兴趣偏好研究微博用户的性别推断问题.考察了用户内容偏好以及关注行为偏好对性别推断的作用.在新浪微博近万名用户的数据集上证明了用户偏好特征的有效性.与传统的语用特征相比,将用户内容偏好与关注偏好相结合能够显著提高推断准确率.关注偏好特征对推断非活跃用户的性别尤其有效.

关键词：用户隐藏属性用户性别推断用户偏好建模社交媒体

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

用户隐藏属性推断研究综述

小型微型计算机系统 2017年第2期38卷 217-226页

作者：宋巍谢兴波刘丽珍王函石首都师范大学信息工程学院北京100048

社交媒体的广泛使用,积累了大量的用户数据,为深度挖掘和分析海量异构社交网络带来了巨大的机遇,用户隐藏属性推断应运而生.用户隐藏属性推断,旨在自动预测用户的未知属性与潜在特质.总结了基于社交媒体的用户隐藏属性推断的最新进展.... 详细信息

社交媒体的广泛使用,积累了大量的用户数据,为深度挖掘和分析海量异构社交网络带来了巨大的机遇,用户隐藏属性推断应运而生.用户隐藏属性推断,旨在自动预测用户的未知属性与潜在特质.总结了基于社交媒体的用户隐藏属性推断的最新进展.首先介绍了用户隐藏属性推断相关研究;进而将用户隐藏属性推断归纳为三项主要任务,即数据采集与筛选、特征设计和推断方法,并对它们进行了细致的介绍和分析;介绍了用户隐藏属性推断的应用;最后总结并分析了未来的研究方向.重在对用户隐藏属性推断研究的主流方法和前沿进展进行概括、比较和分析.

关键词：用户隐藏属性用户性别推断用户偏好建模社交媒体

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于分层注意力网络与元学习的跨域推荐研究

基于分层注意力网络与元学习的跨域推荐研究

作者：刘朕龙华中科技大学

学位级别：硕士

跨域推荐是致力于解决推荐系统冷启动问题的一类方法,核心思想是借助其它域中的知识为当前域的用户进行推荐。基于嵌入与映射的方法是一类可以利用重叠用户数据进行跨域推荐的方法。这类方法通常利用重叠用户在源域中丰富的交互行为进... 详细信息

跨域推荐是致力于解决推荐系统冷启动问题的一类方法,核心思想是借助其它域中的知识为当前域的用户进行推荐。基于嵌入与映射的方法是一类可以利用重叠用户数据进行跨域推荐的方法。这类方法通常利用重叠用户在源域中丰富的交互行为进行偏好建模,然后将该偏好知识传递到目标域中。但此类方法并未考虑到用户目标域交互行为和源域交互行为的时序关系。另外,由于基于嵌入与映射的模型对重叠用户数据量的强依赖,会导致在用户交互数据过少时,模型的推荐性能大幅下降。针对用户目标域交互行为和源域交互行为的时序关系问题,使用分层注意力网络对用户偏好进行建模,兼顾用户的长期偏好与短期偏好。针对模型对重叠用户的强依赖问题,为提高模型处理冷启动任务的能力,设计面向任务的元网络,使用元学习算法对模型进行训练。提出了一种新的基于分层注意力网络与元学习的跨域推荐模型(Hierarchical Attention Network and Meta Learning based Cross-Domain Recommendation Model,HAMCDR),提高模型处理冷启动任务的能力。另外,根据所基于的元学习算法的不同,给出了两个不同的模型,即HAMCDR-M模型和HAMCDR-R模型。在亚马逊评分数据集和豆瓣数据集上构建了五个跨域推荐场景,将HAMCDRM和HAMCDR-R模型和现有的模型在各个场景上进行对比分析。实验结果表明,在每个跨域推荐场景上,HAMCDR-M模型和HAMCDR-R模型均表现出更高的性能。

关键词：跨域推荐用户偏好建模元学习算法分层注意力网络

基于知识图谱和深度学习的个性化推荐方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于知识图谱和深度学习的个性化推荐方法研究

作者：朱桂明桂林电子科技大学

学位级别：硕士

随着信息时代的到来,信息总量已经大大超过了个人所能接受、处理或有效利用的范围,针对层出不穷、纷繁复杂的信息,用户怎么辨别信息的价值、如何才能得到自己真正需要的信息是一个值得思考并且极为迫切的问题。推荐系统的出现有效地解... 详细信息

随着信息时代的到来,信息总量已经大大超过了个人所能接受、处理或有效利用的范围,针对层出不穷、纷繁复杂的信息,用户怎么辨别信息的价值、如何才能得到自己真正需要的信息是一个值得思考并且极为迫切的问题。推荐系统的出现有效地解决了信息过载问题,利用推荐系统能够以一种智能化、自动化的方式为用户过滤无价值的信息同时满足用户的需求,从而降低了用户获取信息的时间和精力。以协同过滤及基于内容为代表的传统推荐方法尽管在一定程度上取得了不错的表现,然而在面对新用户或项目时由于缺少用户或项目的特征信息将导致推荐系统性能的显著下降。近年来,越来越多的研究工作尝试将知识图谱作为辅助信息引入推荐系统中,但是现有的知识图谱感知推荐方法仍然存在未充分利用知识图谱特征和结构信息以及不能较好地将知识图谱表示学习与推荐任务进行结合的问题。为了克服上述不足,本文基于知识图谱和深度学习技术提出了UPPM及UIKJR模型。本文主要内容如下:(1)本文提出了一种端到端的基于知识图谱的用户个性化偏好建模方法UPPM。UPPM利用实体间的链接在知识图谱上传播用户的兴趣,自动发掘用户深层次的偏好,注意力网络的使用能够自适应地区分在不同传播阶段用户偏好特征对表征该用户最终偏好向量的重要性程度。UPPM较好地将基于特征的方法,基于结构的方法以及注意力机制结合在一起并应用于个性化推荐中。在真实数据集上的点击率预测及Top-K推荐任务的实验结果表明,UPPM模型的性能要显著优于其它推荐系统中常用的方法。(2)为了克服包括UPPM模型在内的推荐方法只对用户端或项目端的知识图谱进行建模的问题,本文提出了一种面向个性化推荐的端到端的用户-项目知识联合表示模型UIKJR。UIKJR由项目特征建模和用户个性化偏好建模两部分组成,项目特征建模任务通过聚合实体的邻居信息来学习项目的特征表示,用户个性化偏好建模任务将用户的兴趣扩展到邻居实体上以挖掘用户个性化的潜在偏好。UIKJR对用户偏好及项目特征进行联合建模,能够将用户偏好及项目特映射到同一向量空间中,有助于更加全面地探究用户隐含的喜好,让推荐结果更加丰富及新颖。在真实数据集上进行的实验显示,UIKJR模型的表现相较于UPPM等常用对比方法有明显的改进。

关键词：知识图谱深度学习个性化推荐用户偏好建模注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于注意力机制和特征交互的推荐算法研究

基于注意力机制和特征交互的推荐算法研究

作者：于兴征中国石油大学(北京)

学位级别：硕士

推荐系统在缓解信息过载方面的作用,使得它已成为数据挖掘和人工智能研究的热门课题。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。随着系统数据量越来越大,传统的线性推荐算法由于训练开... 详细信息

推荐系统在缓解信息过载方面的作用,使得它已成为数据挖掘和人工智能研究的热门课题。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。随着系统数据量越来越大,传统的线性推荐算法由于训练开销大、特征表达能力弱、泛化能力不足等劣势逐渐变得无法满足精准推荐的要求。近年来,深度学习技术在许多研究领域获得重大突破,这主要得益于其强大的特征表示学习能力。本文研究如何通过引入注意力机制,更好地学习到高阶特征组合信息。本文的研究内容,主要如下:(1)传统的推荐模型利用用户嵌入矩阵存储和利用个性化偏好,但面对大规模稀疏用户,会造成存储成本增加,并降低了模型的训练速度。本文提出了一个灵活的用户偏好表示学习模块,学习模型的用户嵌入矩阵,该模块分为两个相互补充的子模块:(a)历史部分,使用注意力机制,动态捕捉用户在不同方面的偏好;(b)哈希部分,每一个哈希桶存储相似用户的偏好,对于每一个用户,它都会找到一些与其行为类似的频繁用户进行推荐。该学习模块相较于传统的用户嵌入矩阵表示方法,更高效,省内存。采用了线性归一化注意力机制,降低了计算复杂度,存储开销大大减少,能够应用于大规模地输入,极大提升了推荐系统的性能。(2)本文针对目前大多数推荐模型,无法捕捉复杂的特征交互,以及不能有效利用用户反馈信息与内容信息相结合的问题,提出了一个基于注意力机制的内容推荐模型。首先,通过线性归一化多头自注意力机制学习用户和物品的特征表示,同时捕获数据之间的高阶交互特征,生成可以结合的表示。然后,融合层生成了综合各维度信息的组合特征,最终输出预测结果。该内容推荐模型相比矩阵分解等模型有了进一步的提升,能够捕获复杂的特征关系,能够有效的缓解推荐系统的数据稀疏问题。最后,通过在真实环境下的实证对比,提出的两种推荐系统新模型相比现有模型获得了更好的推荐性能,特别是在解决数据稀疏和冷启动方面成效显著。这充分说明我们提出的算法是合理和有效的。

关键词：推荐系统注意力机制冷启动用户偏好建模特征交互

移动互联网中基于上下文信息的用户偏好提取研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

移动互联网中基于上下文信息的用户偏好提取研究

作者：刘嘉俊北京邮电大学

学位级别：硕士

迅猛发展的移动互联网逐渐渗透到了人们生活的每一个角落,给传统的产业带来了前所未有的改造、重构和颠覆。凭借着与生俱来的情景感知能力,移动互联网逐渐打开了个性化服务的新局面,这也使普适的计算日渐乏力,给传统的用户偏好提取技术... 详细信息

迅猛发展的移动互联网逐渐渗透到了人们生活的每一个角落,给传统的产业带来了前所未有的改造、重构和颠覆。凭借着与生俱来的情景感知能力,移动互联网逐渐打开了个性化服务的新局面,这也使普适的计算日渐乏力,给传统的用户偏好提取技术带来了新的挑战。传统的用户偏好提取技术,大多致力于研究用户与项目之间的关系,而较少考虑上下文信息对用户偏好的影响。尽管目前也有部分结合少量上下文因素进行个性化服务的研究,然而这些用户偏好提取算法考虑的上下文因素较为单一,很难扩展到多维的上下文的场景,具有一定的局限性。本课题在这一背景下,重点研究了多维上下文下的用户偏好提取技术,主要内容包括:首先,本课题首先对用户偏好的研究现状进行了调研,总结了用户偏好的建模方法以及用户偏好的表示方式,并评估了多维上下文下的用户偏好提取的解决方案。其次,基于多维上下文因素的场景,提出了多维上下文的用户偏好模型,该模型可扩展,能自适应上下文因素的变化,根据用户在多维上下文场景进行用户偏好的计算。在模型的构造上,本研究首先从用户心理层面出发,将用户偏好分解为长期偏好和短期偏好,针对多维上下文因素,则提出将多维上下文分类为用户上下文、项目上下文以及环境上下文。在此基础上,分析了用户偏好与各类上下文因素的关系,构建了 CB-MF(Context Bias Matrix Factorization)模型,继而提出了与之相适应的CB-MF算法。本文随后将提出的模型和算法在LDOS-CoMoDa数据集上进行了仿真,实验结果表明,该模型能相比传统的MF(MatrixFactorization)算法有较好的性能提升,其均方误差(Root Mean Square Error,RMSE)相比 MF 算法降低了 10.38%,平均绝对误差(MeanAbsolute Error,MAE)降低了 11.51%。最后,立足于理论的研究成果,本课题设计实现了基于多维上下文用户偏好提取的视频播放平台。除了播放视频,该WEB平台还具有上下文信息采集、用户偏好提取、推荐生成的功能,同时用户偏好提取引擎使用了本研究提出的CB-MF算法,充分验证了 CB-MF算法的可行性。本文同时给出了该平台的系统结构以及各个模块的实现细节。该平台对于未来多维上下文与用户偏好关系的研究有重要的实践意义。

关键词：用户偏好建模多维上下文感知电影推荐个性化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于在线购物行为的O2O推荐系统研究

基于在线购物行为的O2O推荐系统研究

作者：莫重骥上海交通大学

学位级别：硕士

近年来,传统零售业受到来自电商的冲击,正在向智能化商圈转型。为了提高用户在商圈中的购物体验,方便用户在商圈中快速找到符合自己兴趣的点,推荐系统可以提供有效的帮助。现有的推荐系统在电子商务领域已经发展得非常成熟,得到了广泛... 详细信息

近年来,传统零售业受到来自电商的冲击,正在向智能化商圈转型。为了提高用户在商圈中的购物体验,方便用户在商圈中快速找到符合自己兴趣的点,推荐系统可以提供有效的帮助。现有的推荐系统在电子商务领域已经发展得非常成熟,得到了广泛的商业应用,然而在线下零售行业却尚无成熟的案例。现有的线下推荐系统主要分为基于热门排序以及基于位置服务,前者由于没有个性化推荐的能力,因而只适用于餐饮等行业的推荐;后者尽管是近年来学术界的热点,但是由于其严重依赖于定位数据质量,要求苛刻,因而难以在真实场景中推广。鉴于当前零售行业对个性化推荐系统的强烈需求,以及现有的推荐思路的不足,本文改变了推荐思路,提出结合O2O模式的推荐系统。O2O推荐系统可以根据用户在线上的购物行为,分析出用户的消费偏好,并基于该偏好向用户进行线下的推荐。O2O推荐系统最大的优势在于,线上数据对比线下定位数据而言,数据各方面的数量和质量都有很大的优势,因此可以分析出更准确的用户偏好。与此同时,由于推荐的过程经历了从线上到线下的流程,O2O推荐系统也将面临一系列的挑战。本文首先介绍了零售行业的现状,阐明了本文的研究背景,然后对推荐系统的技术发展路线进行了综述,介绍了当前线下基于位置推荐系统的研究。基于现有研究,得出了本文的研究思路。随后,本文提出了O2O推荐系统的概念,分析出O2O推荐系统的优势,同时也列出了基于在线购物行为的O2O推荐系统所面临的挑战。为了克服这些挑战,本文提出了O2O推荐系统所采用的一系列模型和设计,包括随时间衰退的行为得分模型、基于兴趣标签的明语义用户偏好模型、用户标签矩阵填充技术、基于相似度的线下店铺推荐模型、推荐结果多样化处理技术以及在线与离线计算分离原则。接着,本文详细描述了将这些设计转化为软件实现的过程,提出了模块化的O2O推荐系统框架、不同实时级别的分离计算原则以及同时满足持久化和实时性需求的内部数据管理体系。最后本文进行了一系列的实验,对O2O推荐系统的模型的正确性以及系统的实时性进行了验证。

关键词：智能商圈推荐系统 O2O模式用户偏好建模

基于个性化推荐的图像浏览与检索相关方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于个性化推荐的图像浏览与检索相关方法研究

作者：岑磊复旦大学

学位级别：硕士

在网络图像资源呈爆炸式增长的今天,如何有效地管理这些资源并让用户可以方便地访问其所需要的图像成为众多研究的焦点。基本方法主要包括图像检索和图像浏览,而图像标注则是这两者的基础。本文研究主要涉及图像标注,图像检索和图像浏... 详细信息

在网络图像资源呈爆炸式增长的今天,如何有效地管理这些资源并让用户可以方便地访问其所需要的图像成为众多研究的焦点。基本方法主要包括图像检索和图像浏览,而图像标注则是这两者的基础。本文研究主要涉及图像标注,图像检索和图像浏览这三方面的相关方法。在图像标注方面,本文提出利用图像语义空间上下文信息增强图像分类标注的方法。通过两层分类结构,先对图像局部进行自动语义标注,然后将图像局部语义根据其在图像上的空间布局整合成一个概念布局向量(Concept Layout Vector, CLV)进行最终分类标注。基于有关场景和动物的两个图像数据集,通过相关实验对该方法的有效性进行验证。在图像检索方面,本文提出使用语义网络进行跨语言图像检索查询翻译的方法。语义网络根据双语并行语料计算得到,以语义为结点,以共现概率和语义关系计算结点关系。考虑多义词的不同语义在语义网络中具有不同邻接语义结点,我们同时考虑单结点及其邻接结点的翻译模型很好地处理多义词问题。而且,在确定单词具体语义之后,所构建语义网络可根据语义进行语义扩展以扩充检索结果的覆盖率。通过与双语词典的比较实验,进一步验证所建立的基于语义网络方法的优越性。在图像浏览方面,有别于以往关注于可视化效果的图像浏览方法,本文提出基于个性化推荐的图像浏览方法。该方法以基于文本的图像检索技术为工具,以本体形式组织图像语义概念,以用户偏好建模提供个性化体验,使用推荐的方式辅助用户进行语义连贯且选择自由的图像浏览。借鉴于心理学对人类联想过程的描述,将推荐算法分成收集和决策两个部分。收集部分根据用户的浏览选择和系统对用户的偏好建模,从海量图像数据库中收集相关图像。其中,使用本体描述图像语义并进一步确定图像间的相关性,然后通过语义扩展和基于文本的图像检索收集候选图像。而决策部分则根据候选图像集的构成以及用户偏好为用户推荐浏览图像。其中,使用超图建模候选图像及候选图像间的关系,使用随机游走算法确定候选图像的重要性,并采取局部最优的规则选择推荐图像。在一定规模的用户测试中,本文所提出的基于个性化推荐的图像浏览系统从用户评价、浏览深度和浏览连贯程度三个方面已获得较好的实际测试效果。

关键词：图像检索图像标注跨语言信息检索图像浏览本体论用户偏好建模

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多模态图卷积网络的短视频推荐算法

基于多模态图卷积网络的短视频推荐算法

作者：刘兑深圳大学

学位级别：硕士

短视频分享平台数据具有用户交互行为丰富、模态信息多样且全面的特点,但由于相同短视频的不同模态信息之间具有差异性,也即存在“语义鸿沟”(semantic gap)的问题,现有的推荐方法难以从短视频的模态层级进行用户兴趣建模,衡量短视频模... 详细信息

短视频分享平台数据具有用户交互行为丰富、模态信息多样且全面的特点,但由于相同短视频的不同模态信息之间具有差异性,也即存在“语义鸿沟”(semantic gap)的问题,现有的推荐方法难以从短视频的模态层级进行用户兴趣建模,衡量短视频模态信息之间的差异性对用户偏好的影响。因此,本文提出结合短视频数据多模态的特点和图卷积网络(Graph Convolutional Network,GCN)的模型框架设计了一种基于多模态图卷积网络的短视频推荐算法,捕捉不同模态下用户的兴趣表达,进而为用户产生推荐。本文首先根据用户对短视频的交互行为建立“用户-短视频”二部图(bipartite graph),并依照短视频的模态种类不同分别构造对应的模态二部图;在传统GCN的邻域聚合方法上进行改进,提出了两级邻域聚合(Bi-level aggregation)策略以及基于注意力机制的邻域聚合器;根据GCN中目标顶点的信息来源不同,设计阶层整合和外积整合两种整合层设计方法,实现目标顶点信息与邻域信息的整合;设计融合层实现用户以及短视频不同模态间信息的融合,输出用户和短视频的表征向量,体现短视频不同模态包含的信息差异对用户偏好的影响;最后通过输出层计算用户向量与短视频向量间的相似程度,为用户输出推荐。本文使用Kuaishou,Tik Tok两个多模态短视频数据集以及多模态电影数据集Movie Lens进行实验,比较本文提出的推荐算法与其他算法在不同数据集上的性能表现,不同模态数量、聚合策略、聚合器设计以及整合层设计对算法性能的影响。实验结果证明,本文提出的推荐算法在针对多模态短视频以及电影的个性化推荐任务中,准确度、召回率以及NDCG(Normalized Discounted Cumulative Gain)指标上相比图嵌入方法(Deep Walk,EGES)以及图卷积网络方法(Graph SAGE,GAT)均有明显的提升;在不同数据集的稳定性能表现也一定程度上体现本文提出推荐算法的适用性。

关键词：图卷积网络多模态推荐短视频内容理解用户偏好建模