检索结果-南通市图书馆

基于用户兴趣偏好的个性化学习资源推荐系统设计与实现

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

基于用户兴趣偏好的个性化学习资源推荐系统设计与实现

作者：石倩华中师范大学

学位级别：硕士

二十一世纪,个性化学习作为学习的基本特征之一,是“互联网+”时代促进学生个性化发展的学习新趋势。随着互联网用户的扩大和建设学习型社会的需要,许多高校纷纷建立自己的网络教学平台,共享优质课程资源、教学资源等。特别是在网络技... 详细信息

二十一世纪,个性化学习作为学习的基本特征之一,是“互联网+”时代促进学生个性化发展的学习新趋势。随着互联网用户的扩大和建设学习型社会的需要,许多高校纷纷建立自己的网络教学平台,共享优质课程资源、教学资源等。特别是在网络技术迅猛发展的今天,大规模在线学习平台如雨后春笋般涌出。然而一些网络学习平台为追求学习资源的数量、用户的访问量,过于在意平台上信息资源的聚集,导致学习者迷失在海量的信息资源中,无法获取满足自身个性化需求的有效资源。基于这种发展情景,大批研究者开始将网络学习与个性化推荐技术相结合。目前,推荐技术已经广泛应用于很多领域,其中最典型就是电子商务领域,已经取得了很多成果和进步。但推荐技术在教育领域相关的研究都比较匮乏,冷启动和数据稀疏等推荐中的关键问题一直是目前研究热点。本文着眼于计算机互联网技术的发展趋势,个性化学习的未来需求以及教育环境的变化,提出一种改进的协同过滤推荐方法来实现个性化学习资源推荐。具体研究包括以下几个方面:(1)总结了当前流行推荐技术的工作原理,分析了优点和缺点,重点探讨协同过滤推荐技术的特点,并将该技术应用于本文设计的系统中。(2)提出一种基于用户兴趣偏好的协同过滤推荐方法。通过用户兴趣标签、学习记录、项目基本属性以及学习行为等数据,采集用户的兴趣偏好特征;将兴趣偏好特征转换为对应偏好特征值,基于这些特征值建立用户兴趣偏好模型;最终结合兴趣偏好特征模型与资源评分进行相似度计算与资源推荐。(3)利用本文设计的推荐方法,设计开发个性化学习资源推荐系统,有效地改善了推荐效果。系统主要模块包括学习模块、推荐模块、课程管理模块,可以实现在线学习资源的个性化推荐。

关键词：用户兴趣偏好协同过滤个性化资源推荐学习系统

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于长短期偏好的自适应融合推荐算法

江苏科技大学学报（自然科学版） 2023年第4期37卷 57-64页

作者：周倩王逊王云沼黄树成江苏科技大学计算机学院镇江212100 32185部队北京102400

现有的推荐算法能够以静态方式捕获用户长期兴趣特征,但忽略用户兴趣不断变化的特性,对短期动态偏好捕获无效,使推荐效果大打折扣.为有效结合用户长期和短期兴趣偏好,学习历史行为序列中蕴含的短期兴趣特征,提出了一种新的算法(RUCF),... 详细信息

现有的推荐算法能够以静态方式捕获用户长期兴趣特征,但忽略用户兴趣不断变化的特性,对短期动态偏好捕获无效,使推荐效果大打折扣.为有效结合用户长期和短期兴趣偏好,学习历史行为序列中蕴含的短期兴趣特征,提出了一种新的算法(RUCF),通过矩阵分解(MF)学习用户和项目信息从而捕获长期兴趣,再使用两层门控循环单元(GRU)捕获历史交互行为序列中的短期动态兴趣,最后,将长期和短期兴趣偏好自适应融合进行预测推荐.算法在门控循环单元中引入注意力机制改进更新门结构,能够学习更有价值的短期兴趣,通过MovieLens-1M和Electronics数据集上的实验结果表明:该算法能提高推荐准确性,与其他相关算法相比具有明显的优越性.

关键词：协同过滤算法用户兴趣偏好注意力机制循环神经网络门控循环单元

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

融合用户和区位资源特征的混合房源推荐方法

计算机科学 2022年第S01期49卷 733-737页

作者：朴勇朱锶源李阳大连理工大学软件学院辽宁大连116620

随着时代的发展,用户购买房屋的观念也在发生改变,在决策过程中更加注重房屋的区位资源。文中给出一种融合用户和区位资源特征的混合推荐方法,通过层叠式的方式将基于内容的推荐算法和基于用户的协同过滤算法相组合,通过用户兴趣偏好与... 详细信息

随着时代的发展,用户购买房屋的观念也在发生改变,在决策过程中更加注重房屋的区位资源。文中给出一种融合用户和区位资源特征的混合推荐方法,通过层叠式的方式将基于内容的推荐算法和基于用户的协同过滤算法相组合,通过用户兴趣偏好与区位资源的融合,提供更准确的房源推荐。通过整合17万余条房源交易数据和上千条区位资源数据,实验结果表明,该方法相比传统模型具有更好的推荐效果。

关键词：混合推荐模型区位资源用户兴趣偏好

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

基于社会化标注信息的个性化检索方法研究

基于社会化标注信息的个性化检索方法研究

作者：吴谈湖南科技大学

学位级别：硕士

随着互联网技术的发展和信息时代的到来,海量数据呈现在人们面前,如何从如此浩瀚且日益增长的数据中快速而精准地获取用户所需要的信息,一直是信息检索领域中研究的关键问题。在信息检索的过程中,查询词通常具有简短、概要以及不明确的... 详细信息

随着互联网技术的发展和信息时代的到来,海量数据呈现在人们面前,如何从如此浩瀚且日益增长的数据中快速而精准地获取用户所需要的信息,一直是信息检索领域中研究的关键问题。在信息检索的过程中,查询词通常具有简短、概要以及不明确的特点,无法准确表达用户的查询意图,从而导致检索结果不精确。此外,由于用户的背景和需求存在差异性,传统的检索模型由于其通用性已无法满足不同用户在条件相同情况下的不同需求,难以得到因人而异的检索结果。近年来,由于社会化标注系统的出现以及个性化思想的提出,不少学者开始探究将社会化标注运用到个性化信息检索中,其有效性已经得到了很好的验证,但仍存在着一定的改善空间。本文主要探究如何更加高效地利用社会化标注信息来改善个性化信息检索的效果。用户利用标签对网页资源进行标注的行为通常代表了用户对于网页资源的见解,同时这些标签信息也可视为网页内容的有力扩充,利用它们对文档的个性化得分进行扩展,是现有个性化排序方法中一种常用的手段。但在现实中,一方面出于一些隐私保护机制,用户所标注的网页及其使用的标签极为有限,数据稀疏的问题在社会化标注系统中经常出现,这无疑给个性化信息检索带来了一定的困难;另一方面,用户的兴趣各异,对不同网页的偏好程度也不尽相同,而在已有的个性化排序方法中,并未过多考虑到用户与网页内容之间的关系,导致计算的文档个性化检索得分并不准确。基于此,本文在前人研究的基础上,主要有以下两个方面的贡献:(1)本文提出了一种结合词向量技术和用户相似网络的个性化排序方法。该方法首先利用用户共同标注过的网页构建用户相似网络,使相似用户的判断更为准确。之后为减少社会化标注信息稀疏性造成的影响,利用用户相似网络找出相似用户,对用户在不同文档上的标注信息进行扩充,以提高用户个性化得分部分的准确性。其次,考虑到词与词之间可能存在的语义联系,利用词向量技术将词转化为更细粒度的表现形式,使得语义相似的词语在该向量空间中距离更近,在查询信息与网页内容扩充部分进行匹配得分时,可以有效提高这部分得分的准确性。最后结合二者更新文档排序得分,得到更加精准的个性化信息检索结果。实验验证了该方法对于个性化信息检索的准确率有一定的提升,可以改善用户的检索体验。(2)针对当前个性化信息检索中没有充分考虑到用户与网页内容之间关系的问题,在前一步工作的基础上,尝试利用已有的社会化标注信息,挖掘出社会化标注系统中用户、标签及网页资源三者之间的关系,引入用户对网页内容的偏好信息,提出了一种融合用户兴趣偏好的个性化排序方法。该方法首先对网页资源进行分类,将不同类别的网页资源分开,然后通过构建用户兴趣模型计算得到用户对于不同类别网页的偏好程度,再利用得到的偏好程度对网页资源进行个性化处理,从而更好地改善信息检索的效果。在真实实验数据集上的实验表明,本文所提的方法能较好地提升个性化检索结果的准确率,从而提高用户的满意度。

关键词：信息检索个性化检索社会化标注用户兴趣偏好词向量

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多源数据融合的推荐技术研究

基于多源数据融合的推荐技术研究

作者：何树浩北京邮电大学

学位级别：硕士

在大数据时代,人们被海量的信息所淹没,使得人们无法有效的筛选出对自己有价值的信息,然后进一步做出决策或选择,这种现象就是信息过载,这已经成为互联网时代不可避免的问题。而推荐技术的发展为解决信息过载问题提供了一个切实可行的方... 详细信息

在大数据时代,人们被海量的信息所淹没,使得人们无法有效的筛选出对自己有价值的信息,然后进一步做出决策或选择,这种现象就是信息过载,这已经成为互联网时代不可避免的问题。而推荐技术的发展为解决信息过载问题提供了一个切实可行的方案,这一方法无论是在新闻资讯、电子商务还是教育领域都得到了广泛的应用。为了实现更加个性化的推荐系统,从而为每个用户提供更加有针对性的建议,首先就要对用户的兴趣偏好进行更加细粒度的建模,只有深入的了解用户,才能为用户提供更有针对性和价值的建议。在对用户兴趣偏好的建模方面,现有的大部分算法只是利用了用户-项目的历史行为交互信息,对于其它的多源数据并没有很好的加以利用,显然这样产生的推荐效果是不能满足用户要求的,也会影响用户的体验。所以,如何更加有效融合与推荐任务相关的多源数据,更加精确的建模用户兴趣偏好,对于为用户提供更好的推荐效果有着重要的研究意义。本文通过对以往的推荐算法进行总结和分析后发现,更好的用户兴趣建模和更加有效的特征组合对提升推荐系统的性能有着重要的作用,本文从这两个基本角度进行研究。为了得到更加有效的特征组合,本文设计了基于深度特征交叉的推荐算法,通过引入特征域的概念,对特征进行更加细粒度的表示,实现多域特征的深度交叉,进一步使用共享参数的方法,解决了因为引入特征域而带来的参数问题,利用深度学习让模型学习到用户-项目复杂的非线性关系,增强模型的表达能力,同时也增强模型的泛化能力,从而可以实现更好的推荐结果。为了有效的利用多源数据实现对用户兴趣偏好的精准建模,本文先设计了一个可以有效融合多源数据的基本模型结构,该结构具有模型可扩展性,并且可以有效的实现多源数据的融合。基于本文提出的融合框架,提出了基于自注意力的表示模型推荐方法。首先使用自注意力机制,建模同一个项目的多个特征对于不同用户重要性是不同的。之后对于用户兴趣偏好的迁移问题,本文利用双向门控循环单元网络处理这种时序关系,对用户兴趣迁移的现象进行建模。本文从上述两个基本角度出发,在特征组合方面,实现了深度特征交叉,挖掘了更多有效的特征组合,在用户兴趣偏好方面,实现了更加细粒度的建模,并且经过实验验证了本文设计的算法的有效性。

关键词：特征交叉数据融合自注意力机制用户兴趣偏好

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

推荐系统使能的边缘缓存策略研究

推荐系统使能的边缘缓存策略研究

作者：李富祥重庆邮电大学

学位级别：硕士

视频直播、短视频业务的蓬勃发展在丰富人们日常生活的同时,也导致了数据流量爆炸式增长。为了提升用户体验质量,边缘缓存技术将内容提前缓存在离用户较近的边缘节点中,降低用户请求响应时延。由于用户兴趣的时变性和视频内容的多样性,... 详细信息

视频直播、短视频业务的蓬勃发展在丰富人们日常生活的同时,也导致了数据流量爆炸式增长。为了提升用户体验质量,边缘缓存技术将内容提前缓存在离用户较近的边缘节点中,降低用户请求响应时延。由于用户兴趣的时变性和视频内容的多样性,如何精确感知用户的兴趣变化和内容的流行趋势成为实现高效边缘缓存所面临的关键挑战。推荐系统技术能够基于海量数据分析用户个性化用户偏好,为用户提供“千人千面的”的个性化推荐服务。因此,本文基于推荐系统方法对边缘缓存优化展开了深入的研究。针对由于用户兴趣时变性所导致的用户兴趣偏好预测难的问题,本文基于用户行为特征提出了用户兴趣挖掘与进化模型。该模型利用门控循环单元从用户历史观影序列中剔除数据噪声,提取主要兴趣偏好,进一步利用带有注意力更新机制的门控循环单元分析用户主要兴趣的进化过程,从而获得用户兴趣偏好预测结果。基于该结果,进一步将用户偏好、用户兴趣权重和内容关联信息进行融合,指导边缘缓存内容优化。实验结果表明,本文所提模型对用户兴趣的预测准确率达到80%,相比于基于用户偏好的缓存方法,缓存命中率和用户命中率平均提高了21%和16%。针对用户兴趣与内容热度之间的差异性问题,本文提出了一个多任务学习模型,该模型通过设置不同的主/辅任务,考虑个体用户兴趣偏好与全局内容热度对用户请求行为的影响,进一步利用融合层和异化层学习多任务间的耦合性和差异性,同步预测用户的兴趣偏好与内容的全局热度。在此基础上,引入群组用户活跃度和内容正反馈等社会属性,将个性化特征和全局特征转化为群组特征,从用户群体的角度为边缘网络提供更为高效的内容缓存推荐。实验结果表明,本文所提模型使多任务预测的准确率平均提升12%,相比于最小频率使用策略,缓存命中率和用户命中率平均提高了34%和32%。

关键词：边缘缓存推荐系统用户兴趣偏好内容热度

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于用户兴趣和时间的协同过滤算法研究

基于用户兴趣和时间的协同过滤算法研究

作者：范婷婷西北大学

学位级别：硕士

随着互联网、移动互联网的快速发展,电影、音乐等领域的网站越来越多,导致网络中的信息量急剧增加,人们从中获取所需的信息需要花费大量的时间和精力。推荐系统是解决“信息过载”问题的有效方法,其中,协同过滤是推荐系统中应用广泛且... 详细信息

随着互联网、移动互联网的快速发展,电影、音乐等领域的网站越来越多,导致网络中的信息量急剧增加,人们从中获取所需的信息需要花费大量的时间和精力。推荐系统是解决“信息过载”问题的有效方法,其中,协同过滤是推荐系统中应用广泛且成功的算法。但是随着用户数和项目数的增加,协同过滤算法面临着数据稀疏性、用户兴趣偏好难以获取、可扩展性等问题。本文主要针对前两个问题展开研究,提出三种改进算法。本文的主要研究内容包括:1.针对传统的协同过滤算法中用户兴趣偏好难以有效获取的问题,研究一种结合用户兴趣偏好聚类的协同过滤算法。考虑到用户对每个关键词的偏好不同,利用TF-IDF(Term Frequency–Inverse Document Frequency)计算并建立用户-关键词偏好矩阵,基于Canopy算法与K-means相结合对用户聚类并实现推荐。实验结果表明,该方法在捕捉用户兴趣偏好的同时,一定程度上缓解了数据稀疏性问题,也降低了推荐算法的时间复杂度。2.针对传统的协同过滤算法没有充分考虑用户兴趣漂移的问题,提出一种基于自适应时间权重的协同过滤算法。通过遍历无向图在筛选出用户评分数据的基础上,改进了Pearson相似度计算方法。在计算预测评分时,引入自适应时间权重函数,利用时间衰减调节因子控制时间函数的衰减速度,可在一定程度上改善数据稀疏性和用户兴趣漂移造成的推荐算法性能不佳的问题。3.针对推荐系统存在的冷启动问题,提出一种基于用户特征和项目关键词的协同过滤算法。在所研究的前两个算法基础上,建立特征属性-关键词相关性矩阵和用户-关键词偏好矩阵,基于用户的内容相似性和用户偏好相似性改进相似度计算策略。在评分预测时使用Logistic时间函数拟合用户兴趣变化,仿真实验表明了该方法的有效性和可行性。

关键词：协同过滤稀疏性用户兴趣偏好聚类时间权重

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合RNN和CF的推荐算法研究

融合RNN和CF的推荐算法研究

作者：周倩江苏科技大学

学位级别：硕士

随着网络的不断发展,信息资源呈指数增长。用户往往无法在海量信息资源中筛选出感兴趣的数据。因此推荐系统顺应时代要求而产生,其能够帮助用户快速找到个性化的信息。推荐系统的核心引擎——推荐算法,能够有效缓解数据量过大问题和提... 详细信息

随着网络的不断发展,信息资源呈指数增长。用户往往无法在海量信息资源中筛选出感兴趣的数据。因此推荐系统顺应时代要求而产生,其能够帮助用户快速找到个性化的信息。推荐系统的核心引擎——推荐算法,能够有效缓解数据量过大问题和提高用户处理信息效率问题。其中,协同过滤推荐算法通过比较物品与物品或者用户与用户之间的相似性进行物品推荐,能够以静态方式捕获用户长期兴趣特征。但是协同过滤算法一般只能以静态的方式捕获用户长期的兴趣偏好,忽略了用户兴趣不断变化的特性,缺少对用户历史序列中短期动态偏好的捕获和使用,而且协同过滤算法存在数据稀疏性问题,都会使推荐效果大打折扣。为有效结合用户长期和短期兴趣偏好,学习历史行为序列中蕴含的短期兴趣特征,设计了一种基于长短期偏好的自适应融合推荐算法（RUCF）:该算法通过协同过滤推荐算法中的矩阵分解（Matrix Factorization,MF）模型学习用户和项目信息从而捕获用户长期兴趣,同时使用两层门控循环单元（Gated Recurrent Unit,GRU）捕获历史交互行为序列中的短期动态兴趣。最后,将长期和短期兴趣偏好自适应融合进行预测推荐。RUCF算法创新性的将循环神经网络（Recurrent neural Network,RNN）和协同过滤（Collaborative Filtering,CF）模型融合,并在此基础上,对GRU模型进行改进,在第二层门控循环单元中引入注意力机制改进更新门结构,能够学习更有价值的短期兴趣。在Movie Lens-1M电影数据集和Electronics数据集上的实验结果表明,该算法能有效提高推荐结果的准确度,与其他相关算法相比也具有明显的优越性。为有效缓解数据稀疏性问题,引入知识图谱中丰富的语义知识作为辅助数据,设计了一种融合知识图谱的协同过滤的推荐算法（KCF）:该算法利用Trans R翻译模型捕捉知识图谱中实体结构化知识的特征嵌入向量,同时利用自编码器处理知识库中的文本知识,提取项目的文本特征向量,最后采用联合学习的方式,将结构化知识和文本知识的特征向量融合到协同过滤中进行训练,通过计算这些特征向量生成最终的推荐列表。除此之外,在知识图谱中引入上下文信息进行改进,用实体上下文的平均值表示每个项目实体,从而能够使实体的可识别性得到增强。在Movie Lens-1M电影数据集上的实验结果表明,该算法能够大大缓解数据稀疏性问题,具有一定的研究意义。总的来说,本文利用传统的协同过滤推荐算法与深度学习和知识图谱领域的技术方法相结合,并且加以研究和改进,最终能够有效缓解数据稀疏性问题和提高算法推荐的准确性。

关键词：协同过滤算法用户兴趣偏好门控循环单元知识图谱注意力机制

基于用户评论情感倾向分析的图书推荐算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于用户评论情感倾向分析的图书推荐算法研究

作者：马亚茹大连海事大学

学位级别：硕士

如今,互联网已不仅仅是传播信息的平台,更是大多数人分享信息、表达个人态度的关键方式。尤其在Web2.0和移动社交网络广泛应用之后,大量用户习惯在互联网上留下对各种物品及事件的评论,由此各大网站均积累了庞大的评论数据集。如此海量... 详细信息

如今,互联网已不仅仅是传播信息的平台,更是大多数人分享信息、表达个人态度的关键方式。尤其在Web2.0和移动社交网络广泛应用之后,大量用户习惯在互联网上留下对各种物品及事件的评论,由此各大网站均积累了庞大的评论数据集。如此海量的评论信息给用户决策造成了困扰,还造成了“信息过载”问题,为此,个性化推荐技术成为学者们的研究热点。但目前的推荐技术大多仅考虑用户评分数据、个人基本信息等,却没有充分利用那些具有高价值的、能够反映用户个人偏好的大量非结构化评论数据,而这些评论数据能够缓解数据稀疏和推荐准确度低等问题。基于此,本文深入挖掘用户评论内容,根据情感分析技术和读书社交网站推荐的研究现状,提出了基于用户评论情感分析的个性化推荐模型。该模型主要分为评论情感分析和个性化推荐两大模块。在进行情感分析时,首先通过句法分析得出主要的依存句法关系,基于句法关系进行特征词-观点词对的抽取,在抽取过程中加入特征词的种子词库和同义词词林进行特征筛选;然后利用基于知网词典的汉语语义相似度计算方法,对特征词进行属性特征聚类;最后考虑程度副词和否定词共现时不同组合方式造成的语义差异,设定程度副词的修饰百分比,设计了一种情感强度计算方法,得出用户属性特征层面的情感评分。在个性化推荐模块,利用用户对属性特征的关注度和大众的情感评分构建出用户兴趣偏好模型,基于用户偏好计算用户属性特征的相似度,得出用户兴趣度进行推荐。最后,对“豆瓣读书”的评论数据进行了应用性研究,得出了针对豆瓣读书平台的优化推荐策略,并通过详细的实验设计验证了模型的有效性。

关键词：评论情感分析特征词-观点词对图书属性特征用户兴趣偏好个性化推荐