检索结果-南通市图书馆

基于多任务与用户兴趣变化的短视频用户行为预测算法

在线全文

学校读者我要写书评

暂无评论

复杂系统与复杂性科学 2023年第4期20卷 69-76页

作者：顾亦然徐泽彬杨海根南京邮电大学自动化学院、人工智能学院江苏南京210023 南京邮电大学智慧校园研究中心江苏南京210023 南京邮电大学宽带无线通信技术教育部工程研究中心江苏南京210023

为预测短视频用户行为(如:查看评论,点赞,点击头像,转发),考虑用户兴趣变化,将排序后的用户历史行为序列作为语料库引入Word2Vec训练得到词嵌入模型,学习用户的动态兴趣,有效捕获用户兴趣的变化。通过特征工程构建的统计特征与词嵌入模... 详细信息

为预测短视频用户行为(如:查看评论,点赞,点击头像,转发),考虑用户兴趣变化,将排序后的用户历史行为序列作为语料库引入Word2Vec训练得到词嵌入模型,学习用户的动态兴趣,有效捕获用户兴趣的变化。通过特征工程构建的统计特征与词嵌入模型构建的用户动态兴趣特征输入多任务模型,并提出一种新的评价指标来评估模型的预测精度。实验结果表明,相较于shared-bottom、Wide&Deep、DeepFM,提出的考虑用户兴趣变化的MMoE模型具有最优的预测精度。

关键词：行为预测行为序列 Word2Vec MMoE 用户兴趣变化 W-uAUC

基于热门物品惩罚和用户兴趣变化的知识推送算法

在线全文

学校读者我要写书评

暂无评论

系统工程 2014年第1期32卷 118-123页

作者：王道平李志隆杨岑北京科技大学东凌经济管理学院北京100083

为了提高用户相似度计算的精度和知识推送的准确度,提出了一种基于热门物品惩罚和用户兴趣变化的协同过滤推送算法。该算法首先对知识项进行聚类;其次在每一类中引入用户兴趣度函数来对类内未评分知识项进行评分值预测;然后在每个类的... 详细信息

为了提高用户相似度计算的精度和知识推送的准确度,提出了一种基于热门物品惩罚和用户兴趣变化的协同过滤推送算法。该算法首先对知识项进行聚类;其次在每一类中引入用户兴趣度函数来对类内未评分知识项进行评分值预测;然后在每个类的用户相似度计算中引入热门物品权重系数,用以惩罚热门物品对用户相似度的影响;最后在推送当中引入用户兴趣随时间变化的权重系数。实验还采用MovieLens数据集进行了测试,结果表明,改进后的算法比传统的协同过滤算法在推送准确度上有明显提高。

关键词：协同过滤热门物品惩罚知识项聚类用户兴趣变化

在线全文

学校读者我要写书评

暂无评论

基于信任与用户兴趣变化的协同过滤方法研究

情报学报 2017年第2期36卷 197-205页

作者：王占林岩大连海事大学管理科学与工程系大连116026

协同过滤算法是网上推荐系统最常用的算法,但是传统的协同过滤算法很难解决数据稀疏、冷启动、用户兴趣变化等问题。本文提出基于信任与用户兴趣变化的协同过滤改进方法。该方法将信任引入到传统协同过滤算法中,构建用户信任模型,用信... 详细信息

协同过滤算法是网上推荐系统最常用的算法,但是传统的协同过滤算法很难解决数据稀疏、冷启动、用户兴趣变化等问题。本文提出基于信任与用户兴趣变化的协同过滤改进方法。该方法将信任引入到传统协同过滤算法中,构建用户信任模型,用信任的传递特性为用户匹配更多邻居用户,从而可以在一定程度上缓解数据稀疏性等问题。随着时间的变化,用户的兴趣也会发生变化,本文利用时间遗忘函数来模拟用户的兴趣变化。本算法综合用户相似度、用户信任度及用户兴趣变化,为目标用户推荐项目。最后利用数据实验验证本方法的有效性。

关键词：推荐系统协同过滤信任网络用户兴趣变化

在线全文

学校读者我要写书评

暂无评论

基于用户兴趣变化和评论的协同过滤算法研究

计算机科学 2018年第3期45卷 213-217,246页

作者：董晨露柯新生北京交通大学经济管理学院

传统协同过滤算法中,随着用户和商品数量的日益增多,用户-项目评分矩阵越来越稀疏。针对这一问题,提出了一种基于用户兴趣变化和评论的协同过滤算法。该算法将用户评论和遗忘曲线引入传统协同过滤算法中,将评论文本作为商品特征描述文本... 详细信息

传统协同过滤算法中,随着用户和商品数量的日益增多,用户-项目评分矩阵越来越稀疏。针对这一问题,提出了一种基于用户兴趣变化和评论的协同过滤算法。该算法将用户评论和遗忘曲线引入传统协同过滤算法中,将评论文本作为商品特征描述文本,使用主题模型计算商品主题特征,引入艾宾浩斯遗忘曲线来协同计算用户的评论分布及评论相似度。将用户评论相似度和用户评分相似度相结合,以得到最终的用户相似度,进而对商品评分进行预测。对网络爬取的真实数据进行验证,结果显示该算法能够在稀疏数据集上获得较好的推荐结果。

关键词：协同过滤稀疏数据集主题模型用户兴趣变化评论相似度

基于用户兴趣变化和社会化标注信息的协同过滤推荐方法

在线全文

学校读者我要写书评

暂无评论

系统工程 2020年第4期38卷 151-158页

作者：罗园陈希周荣西安电子科技大学经济与管理学院陕西西安710071

随着Web 2.0技术的发展和推广,社会化标注系统为用户提供了有效表达自我和抒发感情的机会。针对社会化标签的特征,本文提出了一种考虑用户兴趣变化和用户标注信息的协同过滤推荐方法。首先,基于用户的历史记录信息构建了用户原始数据模... 详细信息

随着Web 2.0技术的发展和推广,社会化标注系统为用户提供了有效表达自我和抒发感情的机会。针对社会化标签的特征,本文提出了一种考虑用户兴趣变化和用户标注信息的协同过滤推荐方法。首先,基于用户的历史记录信息构建了用户原始数据模型;然后将基于艾宾浩斯遗忘曲线的遗忘函数引入原始数据模型构建了用户兴趣模型,其中,利用融合时间权重的文本挖掘技术TF-IDF建立了基于项目类别标签的用户兴趣模型,综合标注标签加权频数和用户评分构建了基于标注标签的用户兴趣模型,融合时间权重和项目评分构建了基于评分的用户兴趣模型;进一步,基于用户兴趣模型并利用余弦相似性以及改进的Pcarson相关系数可计算融合用户评分和标签的用户兴趣相似度,根据用户兴趣相似度可为目标用户构建近邻集合从而生成推荐。实验结果表明,本文所提方法可以较好的考虑到用户的兴趣变化以及用户对标注标签的偏好,并通过对比实验证实该方法比传统的协同过滤方法推荐质量更高。

关键词：推荐模型时间权重社会化标注标签信息用户兴趣变化

在线全文

学校读者我要写书评

暂无评论

基于用户兴趣变化的协同过滤推荐算法研究

基于用户兴趣变化的协同过滤推荐算法研究

作者：皮佳明云南财经大学

学位级别：硕士

互联网的出现和普及为人们带来了大量的信息。但随着网络中信息量的大幅增长，使得互联网用户在面对大量信息时，无法从中获得对自己真正有用的信息，从而降低了用户对信息的使用效率，这就是所谓的“信息超载（InformationOverload）... 详细信息

互联网的出现和普及为人们带来了大量的信息。但随着网络中信息量的大幅增长，使得互联网用户在面对大量信息时，无法从中获得对自己真正有用的信息，从而降低了用户对信息的使用效率，这就是所谓的“信息超载（InformationOverload）”问题。个性化推荐（Personalized Recommendation）是解决“信息超载”问题众多技术中应用较好的一个，它通过对不同用户的兴趣进行研究，将满足用户兴趣和需求的资源主动推荐给用户，进而较好的满足了“大数据”时代用户的信息需求。协同过滤（Collaborative Filtering）推荐作为目前较为成功、应用较为广泛的个性化推荐技术之一，受到电子商务商家和学者的广泛关注，成为个性化推荐领域研究中的一个热点问题。及时准确的获取用户兴趣、偏好是实现个性化推荐的基础。用户的兴趣、偏好会随着时间的推移，产生某种程度上的变动，这就是用户兴趣变化问题。现有的协同过滤推荐都普遍存在着不能及时根据这种用户兴趣的变化，为用户提供准确的推荐，从而降低了推荐系统的应用效果。本文针对上述问题做了如下工作： 1、对推荐系统的概念、原理以及分类进行了分析和梳理，进一步总结协同过滤推荐的思想、原理和方法，给出了协同过滤推体系的基本框架。以此为基础，深入剖析了协同过滤推荐的优点与面临的问题，明确进行基于用户兴趣变化推荐所需要解决的关键问题。 2、从用户角度和系统角度对用户兴趣变化问题进行阐述。从心理学、行为学两个方面阐述用户兴趣变化的成因，以此作为协同过滤推荐系统解决用户兴趣变化问题的关键依据。 3、分析用户兴趣变化问题如何影响协同过滤推荐最核心的两个过程，即最近邻集合产生过程和用户预测评分计算过程，进而从这两个过程对协同过滤推荐算法进行改进，提高推荐的准确性。 4、归纳总结了现有解决用户兴趣变化问题的研究方法和研究思路，根据处理用户-项目评分矩阵方式的不同，给出基于用户兴趣变化的协同过滤推荐的分类：评分加权方法、评分选择方法、基于其他领域知识方法。并对每一类推荐进行了阐述，总结了其优缺点。 5、在归纳总结的基础上，以艾宾浩斯遗忘曲线为理论基础，给出权重设计的原则。引入用户访问时间和用户访问频率来描述用户兴趣变化，提出一个新的衡量用户兴趣变化的权重模型。将新权重模型与基于项目的协同过滤推荐算法相结合，给出实现推荐的具体算法和步骤。 6、以MovieLens数据集为实验数据集，将本文提出的新算法与传统的基于项目的协同过滤推荐算法进行多组比实验。新算法的推荐效果优于传统的基于项目的协同过滤推荐算法。本文的创新点有以下三个方面： 1、深入剖析用户兴趣变化问题，归纳影响用户兴趣变化的因素，总结用户兴趣变化问题对协同过滤推荐的影响，为协同过滤推荐系统如何解决用户兴趣变化问题提供关键依据。 2、按照对用户-项目评分矩阵的处理方式的不同，将现有解决用户兴趣变化的协同过滤推荐算法分为三类：评分加权方法、评分选择方法和基于其他领域知识方法。突出了如何处理用户-项目评分矩阵获取用户兴趣这一解决用户兴趣变化的关键核心。 3、以艾宾浩斯遗忘曲线为理论基础，引入用户访问时间和用户访问频率建立新的权重模型来描述用户兴趣变化，将新权重模型与基于项目的协同过滤推荐算法相结合给出了新的算法。本文的研究意义如下： 1、理论上，可以充实协同过滤推荐在探索用户兴趣偏好方面的理论，并且为研究基于用户兴趣变化的协同过滤推荐提供一个新思路、新方向;2、在实际上，可以使电子商务网站更好的完成推荐任务，满足用户的需求，提高用户对电子商务网站的忠诚度，促进电子商务网站更好的发展。

关键词：个性化推荐用户兴趣变化协同过滤推荐算法

协同过滤推荐系统的用户兴趣变化和稀疏性问题研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

协同过滤推荐系统的用户兴趣变化和稀疏性问题研究

作者：赖雯华南理工大学

学位级别：硕士

互联网与人们的生活联系越来越紧密，网络中的数据呈现指数态势增长，系统无法准确快速地处理数据，从而导致了信息过载问题。为了解决信息过载问题，研究者提出了个性化推荐技术。个性化推荐技术能够捕捉用户兴趣，并主动向用户推荐... 详细信息

互联网与人们的生活联系越来越紧密，网络中的数据呈现指数态势增长，系统无法准确快速地处理数据，从而导致了信息过载问题。为了解决信息过载问题，研究者提出了个性化推荐技术。个性化推荐技术能够捕捉用户兴趣，并主动向用户推荐信息或商品。在众多的个性化推荐算法中，协同过滤算法由于其简单性、稳定性等优点，成为应用最广泛的个性化推荐算法之一。但是，协同过滤算法主要存在两个问题：1）用户兴趣变化问题，由于传统的算法不考虑时间因素，认为不同时间的数据具有一样的权重，无法体现用户兴趣的动态变化;2）数据稀疏性问题，由于评分矩阵极端稀疏，导致邻居查找不准确，推荐准确度降低。为了解决上述两个问题，本文在前人的研究基础上，提出了基于时间和项目属性的混合协同过滤算法。为了解决用户兴趣变化问题，算法设计了随着时间递减的指数函数作为时间权重函数，而且对于不同的用户和项目，权重系数取值也不一样。此外，提出了时间相似度的概念，通过其他用户的行为来预测用户的兴趣变化。同时，采用了滑动时间窗口模型进行信息过滤，减少计算量，降低算法的时间复杂度。最后，为了解决稀疏性和冷启动问题，算法将协同过滤算法与基于内容的算法结合，采用基于项目属性聚类的K-Means算法进行评分预测。最后，本文使用MATLAB工具实现了基于时间和项目属性的混合协同过滤算法，并且在Movielens数据集上设计三组实验方案来测试算法的性能。实验结果证明，基于时间和项目属性的混合协同过滤算法相比传统的算法，具有更高的推荐精确度，而且能够有效地解决稀疏性和冷启动问题。

关键词：推荐系统协同过滤用户兴趣变化数据稀疏性项目聚类

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于用户兴趣变化的协同过滤推荐算法研究

基于用户兴趣变化的协同过滤推荐算法研究

作者：杨峥燕山大学

学位级别：硕士

网络信息科技的高速迅猛发展,使得越来越多的网络用户不断参与到互联网信息的创建和分享当中。网络用户已不仅仅满足于浏览资源和信息,而是更多的发布和分享资源和信息。随之而来的“信息过载”也成为信息时代不可避免的重大问题。如何... 详细信息

网络信息科技的高速迅猛发展,使得越来越多的网络用户不断参与到互联网信息的创建和分享当中。网络用户已不仅仅满足于浏览资源和信息,而是更多的发布和分享资源和信息。随之而来的“信息过载”也成为信息时代不可避免的重大问题。如何快速准确地给每个网络用户提供满足其个人需要的资源和信息,成为一个巨大的挑战。在此背景下,个性化推荐系统应运而生。然而随着网络用户和网络资源规模的不断增长和扩大,个性化推荐系统中的问题也逐渐凸显出来。针对个性化推荐系统面临的问题和挑战,本文对推荐技术以及应用最广泛的推荐技术--协同过滤推荐进行了深入的分析和研究。并针对协同过滤技术存在的问题,提出了改进算法。首先,本文阐述了个性化推荐系统的基本知识并对当前普遍应用的主流推荐技术及算法进行了分析。尤其是对目前发展最成熟、应用最广泛的的协同过滤推荐技术及算法进行了深入的研究与分析,并列举出了该技术所面临的一些问题和挑战。其次,本文受艾宾浩斯遗忘曲线的启发,通过在传统的协同过滤算法中加入时间因子来解决协同过滤推荐技术中存在的用户兴趣变化问题,并提出了基于遗忘函数的协同过滤改进算法。最后,本文将基于遗忘函数的协同过滤改进算法与传统的协同过滤推荐算法进行实验分析与对比。并得出最后的结论:基于用户兴趣变化的协同过滤改进算法的性能优于传统的协同过滤推荐算法。

关键词：推荐系统协同过滤技术用户兴趣变化遗忘函数

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于用户兴趣变化和排序的个性化推荐

基于用户兴趣变化和排序的个性化推荐

作者：赵春秀大连海事大学

学位级别：硕士

目前,由于网络技术的飞速发展,互联网中的数据也跟着大幅度增加。从而将人们从一个信息闭塞的时代带入到一个信息化的大数据时代。在大数据时代,人们无法从大量数据信息中迅速找到自己需要的信息,从而降低了用户使用信息的效率,这就是... 详细信息

目前,由于网络技术的飞速发展,互联网中的数据也跟着大幅度增加。从而将人们从一个信息闭塞的时代带入到一个信息化的大数据时代。在大数据时代,人们无法从大量数据信息中迅速找到自己需要的信息,从而降低了用户使用信息的效率,这就是目前比较普遍的“信息过载”问题。针对信息过载问题的一个有效的解决方法就是推荐系统。推荐系统能够自发的为用户寻找有用信息进行推荐。现在推荐系统的研究受到众多学者的青睐,并且在很大程度上取得了成功。但是随着推荐系统中数据量的不断增加,以及推荐需求不断复杂化,推荐系统中的问题也逐渐突显出来。针对推荐系统面临的问题和挑战,本文提出了一个基于用户兴趣变化和排序的个性化推荐模型。该模型分为基于用户兴趣变化的评分预测模块和基于排序学习的初始推荐列表重排序两个模块。基于用户兴趣变化的评分预测模块,主要解决用户兴趣变化问题带来的推荐不准确问题,最终产生一个初始的推荐列表。基于排序学习的初始推荐列表重排序模块,主要解决推荐结果的排序问题。最终将排在前面的几个商品推荐给用户。本文在评分预测模块中提出了基于用户兴趣变化的评分预测算法。该算法首先根据艾宾浩斯遗忘曲线建立时间效用函数,其次对项目进行时间加权的K-means聚类,最后通过时间加权的相似度计算找到最近邻居项目,初始的推荐结果因此而产生。在排序模块中提出了基于排序学习的初始推荐列表重排序算法。该算法首先进行评分数据的特征构建,其次确定训练样本,最后进行LR模型的排序学习,生成基于point-wise的排序学习模型。将评分预测模块产生的初始推荐列表输入到该模型中,计算列表中项目的得分,据此进行排序。最后将排在前面的项目推荐给用户。为了验证本文提出的基于用户兴趣变化和排序的个性化推荐算法的有效性。本文通过实验进行验证。实验表明本文提出的算法在MAE、RMSE、Precision和MAP等多个指标上表现突出。所以本文提出的算法是切实可行的。

关键词：协同过滤排序学习用户兴趣变化个性化推荐