基于MovieLens数据集的协同过滤推荐系统研究
这是一篇关于推荐系统,协同过滤,个性化,数据挖掘,Mahout的论文, 主要内容为当今社会,互联网技术日新月异,各种新技术、新思想层出不穷,人类已经彻底告别了信息技术极端匮乏的岁月,慢慢步入信息日益过载的时代。在这个背景下,不管是信息的生产者还是消费者都将会受到一定程度的冲击。一方面,信息的生产者很难确保他们生产的信息能够被对其感兴趣的用户注意到;另一方面,信息的消费者很难从浩如烟海的信息中找出自己真正感兴趣的东西。推荐系统的出现就是为了帮助我们解决上面的这两个问题。它通过对用户先前行为信息的学习来为用户的兴趣爱好建模,并根据此模型来预测用户对未知物品的偏好,实现个性化的推荐。目前推荐系统已被部署到各大网站来为用户产生个性化的推荐列表,比如说Amazon、Hulu等。推荐算法的种类繁多,不过时至今日为大多数人所接受的是协同过滤推荐算法。因此本文介绍了协同过滤算法领域一些比较经典的算法,并提出了一些改进方案以使原有算法更为完善。最为重要的是,本文将协同过滤算法运用到电影推荐系统中去,使这一算法具体化,形象化。本文的主要工作如下:1.简单叙述了推荐系统在现实生活中不同领域的一些应用,并介绍了如何去判定一个推荐系统的好坏。2.深入分析了TopN推荐中基于邻域的算法,其实它又可以再细分为两种具体的算法,了解这两种算法的基本思想、基本步骤、优缺点及适用场合等等,并在原有算法的基础上提出了一些改进,最后在Movie Lens数据集上对这两种算法及其改进算法进行了实验。之所以要抽出一章来介绍TopN推荐,是因为TopN推荐问题更加切合于实际,也是未来的热点方向。3.详细介绍了评分预测中的协同过滤算法,相比于TopN推荐,评分预测的理论基础更加稳固,发展更为成熟。所谓的评分预测问题就是利用用户之前的打分行为来推断他对未有过行为的物品的具体打分值。这一部分是整个论文的重点,将继续讨论基于邻域的算法在评分预测问题中的应用,随之介绍了一种更为简单高效的协同过滤推荐算法Slope One,接着介绍了矩阵分解模型以及隐语义模型在评分预测中的应用,最后我们依然在Movie Lens数据集上对这部分提出的算法进行了离线实验。4.为了更加清楚地明白协同过滤推荐算法的核心思想,又开发了一种个性化的电影推荐系统,它是利用Apache Mahout实现的,在该推荐系统中包含了之前介绍过的所有推荐策略,用户可以自行选择使用。
面向多用户共享的多媒体网络视频推荐算法研究
这是一篇关于推荐系统,个性化,多用户共享,探索,利用的论文, 主要内容为近年来,智能手机、平板电脑等智能设备的快速发展,以及互联网多媒体视频技术的蓬勃发展,使得网络视频的数量实现了爆炸式增长,在多媒体消费中占据了主导地位。面对越来越多的视频资源、不断增长的用户人数,以及目前多用户共享账户导致的日志混杂等问题,运营商以及内容提供商需要更加精准的定位用户的个人信息,迎合其喜好,并为其提供合适的节目视频推荐。一个好的推荐算法不仅能够保证推荐结果的准确性,更需要给用户提供更多新颖的物品信息,扩大用户的信息来源。鉴于此,本论文基于IPTV用户观看记录,研究了面向多用户共享环境下的多媒体网络视频的推荐系统。本论文的主要研究工作和创新点如下:首先,针对多用户共享环境的特殊性,本文提出了多用户环境下的特征提取方法,建立了有效的多用户识别方案。一方面,本文对节目的文本信息进行LDA建模处理,获得节目向量描述以及节目主题标签。另一方面,本文根据节目特征的相似性、用户观看行为的连续性,以及用户-时间的主导等特性,构建主导用户标签(即目标用户)和兴趣跨越度标签,实现多用户混合日志的分离。其次,本文设计了基于时变线性置信区间上界(Lin UCB)的用户兴趣挖掘算法。鉴于Lin UCB算法能够实现在线学习,并解决推荐系统中的冷启动问题,故本文选用了该算法来对用户-行为序列建模。接着根据Lin UCB算法中存在的缺陷,本文从三个角度来优化Lin UCB算法。一是将Lin UCB算法推导至矩阵式的并行式计算,加强对计算资源的利用程度;二是根据用户行为特征,并结合注意力机制来自适应的控制探索系数;三是利用LSTM神经网络中的记忆模块,来实现增量更新,加快算法的学习和收敛速度。最终实验结果验证了改进方案的有效性。最后,基于上述的研究工作,本文设计了面向多用户的推荐系统集成模型。一方面本文根据多用户特征标签提出了周期性的多用户识别预测模块,来实现混合日志记录的分离,并实时地为推荐系统提供目标用户信息。另一方面,本文设计了以双层Lin UCB为基础的推荐系统模块。在该模块中,本文首先利用基于时变Lin UCB的用户兴趣算法来学习用户对每个节目主题的兴趣变化;其次为进一步确保节目品质,本文提出了非时变Lin UCB算法来计算用户对每个节目的评分;最后提出了交叉加权策略,将其上述的两个算法集成为最终的推荐系统模型,以此来达到降低探索过程所带来的风险,从而提高推荐结果的性能的目的。最终结果验证了本文的改进方案可以进一步提高推荐系统的准确性,而且保证了推荐结果的新颖性。
旅游管理系统的设计与实现
这是一篇关于旅游管理系统,个性化,SSH框架,正则化评分的论文, 主要内容为随着我国经济的快速发展,人们的生活水平得到了极大的改善,人们在得到物质生活的满足的同时,逐渐开始关注自已的精神生活,因此这些年来,我国旅游产业也得到空前发展。随着市场的进一步发展,旅游已经走进了大众的生活之中,并且这种消费需求将进一步扩大。当前大多数旅游管理系统只有景点信息查阅、车票及预定门票,以及网上支付等简单功能,而这些功能不足以给游客带来足够的便捷性。而便捷性和安全性是用户选择旅游商品和购买旅游商品的两个非常重要的因素,本文基于便捷性和安全性等个性化需求研究和设计了旅游管理系统。本文主要是根据当前计算机技术的发展特点以及人们对旅游消费的需求,基于JSP与SQL server数据库开发技术建立一个B/S架构的旅游管理服务平台,设计和开发了旅游管理系统。系统具备在线资源的预定,在线景点的信息查询,实时天气查询情况,以及当地旅游路线、服务的查询等功能。同时为了方便用户支付方便,系统开通了支付宝,网银支付和微信支付等在线支付方式,这些功能都满足了对用户的实时、安全、快捷的设计原则。为了使得系统结构清晰,运行稳健,易扩展,本文中系统采用了基于三大框架SSH框架的技术,并且结合PHP脚本语言作为客户端的优势,使得本文的系统同时具备运行效率高和安全性好的优势。同时本文采用了多种前沿的开发技术以及借助了 PageRank网页推荐技术和用户评分的正则化评分技术,根据用户的浏览记录和用户的兴趣爱好等特征对用户的旅游路线路和购买产品进行个性化推荐。本文中系统的整个开发过程中都坚持软件工程的思想进行设计与开发,开发的系统具有易操作性,可维护性,可靠性,安全性和易扩展性等特点。实践证明,系统能够良好的运行效果。
基于深度学习的个性化新闻推荐系统设计与实现
这是一篇关于新闻推荐系统,个性化,用户行为序列,新闻用户建模,深度学习的论文, 主要内容为为了满足用户的个性化新闻浏览需求和适应日益增长的新闻数量,个性化新闻推荐系统变得越来越重要。在进行个性化新闻推荐时一般需要提取用户兴趣对用户建模,从而根据用户兴趣给其推荐感兴趣的新闻内容。在对用户建模时,当用户行为序列长度较短或较长时都会存在问题。为了解决这些问题,本文提出基于深度学习的个性化新闻推荐模型,并在此基础上设计与实现个性化新闻推荐系统。在基于深度学习的个性化新闻推荐模型研究方面,本文考虑从数据的视角出发,提出基于用户行为序列填充和筛选的新闻点击率预测模型(News CTR Prediction Based on User Behavior Fill and Select Model,UBFS)。在UBFS研究中,首先研究用户行为序列填充算法,当用户行为序列较短时选择一部分新闻进行填充,这部分新闻是用户极有可能感兴趣并且潜在会点击的新闻。然后,研究用户行为序列筛选算法,当用户行为序列较长时,从用户行为序列中筛选一部分行为代表用户兴趣,在筛选的过程中会考虑每个行为和候选新闻的关系。在填充和筛选中使用预训练模型Sentence-Bert对新闻建模和用户建模。最后研究新闻点击率预测,根据最终用户行为序列和候选新闻得到用户对候选新闻的点击概率,表示用户对候选新闻的兴趣程度。在点击率预测过程中使用预训练模型Bert对新闻建模和用户建模。本文提出的UBFS相比于新闻领域的其它推荐算法在AUC上提升了4.1%,在MRR上提升了8.9%,在NDCG@5(NDCG@10)提升了9.7%(8.2%)。在个性化新闻推荐系统设计与实现方面,本文在UBFS研究的基础上设计并实现基于深度学习的个性化新闻推荐系统,该系统架构包括:数据层、策略层、反馈层、应用层。在该系统架构中对每层结构进行设计与实现,特别是在策略层设计与实现中,使用基于新闻语义的新闻召回算法快速高效的从新闻列表中召回新闻,再使用UBFS对候选新闻排序,使得排序结果更加精准可靠;解决用户冷启动的问题,综合考虑多个方面给用户推荐新闻,使得推荐结果能够具有多样性和准确性;在最后的排序过程中,从多个角度:准确度、新鲜度、流行度共同评分进行新闻推荐排序,推荐结果能够根据用户的兴趣推荐准确度大、新鲜度好、流行度高的新闻。根据以上的系统设计和实现,对系统进行了功能测试和性能测试。功能测试表明系统中各个模块功能完整能够满足功能需求;性能测试从响应效率、高可扩展性、可靠性、可维护性这几个方面表示系统能够满足性能需求。
个性化医疗护理信息推荐系统的设计与实现
这是一篇关于个性化,医疗护理,推荐引擎,检索系统的论文, 主要内容为近年来,我国经济、文化等各个领域不断发展进步,人们的健康意识也在逐渐提升。但同时诸如人口老龄化、慢性病患者增加、环境污染、医疗资源紧张等社会问题的逐渐凸显。这诸多因素促使我国医疗护理行业与时俱进,医疗护理行业相关信息呈爆炸式增长。与许多其它行业类似,人们对于医疗护理信息的迫切需求已经不能简单满足于信息检索。但不幸的是在大部分情况下,用户对自己的需求表达的并不是十分明确,提供给搜索引擎的关键字也并不是十分准确,又或者搜索引擎返回的结果并不是十分符合用户个人的喜好与口味。因此,在海量的医疗护理信息背景下,如何向人们提供符合个人喜好的、智能的、个性化的医疗护理信息是亟需解决的问题。信息推荐技术,大家习惯称之为推荐引擎,作为对搜索引擎的良好补充,能够为用户提供个性化的满足个人喜好的信息检索服务。本文基于信息的检索技术与信息推荐技术,研究设计了面向医疗护理领域的个性化的医疗护理信息推荐系统。该系统通过对医疗护理信息、用户信息以及用户使用系统时的行为信息等进行收集、整理、挖掘与分析,能够将用户真正关心和真正所需的医疗护理信息推荐给用户,使用户能够方便快捷的获取自己所需要的医疗护理信息。个性化医疗护理信息推荐系统是以搜索引擎和推荐引擎为基础,其分析了医疗护理网站及相关应用的信息类型与特点,研究设计并实现了一套适用于医疗护理信息领域的个性化信息推荐系统。该系统与传统的医疗护理网站与应用不同,其主要分析用户的基本信息、行为信息,医疗护理信息的类型特点等信息并进行数据挖掘,为用户推荐“感兴趣的”医疗护理数据信息。本文深入调研了医疗护理的个性化服务需求以及推荐系统在行业发展状况,阐述了本文研究的内容与实际意义。介绍了个性化医疗护理信息推荐系统所需要相关技术、技术架构,并完成了概要设计、详细设计及模块划分,然后完成系统的实现。最后,依据系统需求分析中所设计的实现目标,对系统实现进行了测试实验并做出分析,客观评估了系统的推荐模型,并对系统后续扩展与完善进行了展望。个性化医疗护理信息推荐系统为人们提供一个高效快捷的、个性化的医疗护理信息的资讯服务平台。本系统既可以嵌入到传统医疗护理类网站,也可以独立运行,为用户推荐个性化的医疗护理知识及信息服务。
融合注意力机制与多模态的序列推荐算法研究
这是一篇关于个性化,推荐算法,自注意力机制,多模态,特征融合的论文, 主要内容为随着互联网、移动端的兴起和数据爆发式增长。基于用户在网络上与各类商品的交互记录,个性化推荐系统应运而生,该系统可以在一定程度上对用户的下一次点击行为进行预测。近年来随着深度学习在个性化推荐系统中的应用,预测的准确度也有了长足的进步,但是仍有一些神经网络模型难以克服的困难:基于循环神经网络(Recurrent Neural Network,RNN)的推荐模型难以同时捕获用户的长期偏好和短期偏好,无法在整个历史记录中显式地捕获项目之间的交互,并且在捕获短期偏好时难以确定捕获的维度,用户近期的误点击将会使推荐失准,捕获维度过高则又会出现兴趣飘逸的现象。同时,在基于RNN的模型中,往往忽视输入特征的关联性,将其视为独立的个体,例如微视频推荐中的音频,文字和图像,但是现实中的特征并非如此,每一个特征都与其他特征有着或多或少的关联性,而基于RNN的推荐模型忽略了各个特征中丰富的内部表示,不利于推荐性能的提高。针对上述问题,本文的主要研究内容包括:1.针对基于RNN的推荐模型难以同时捕获长期偏好和短期偏好的问题,提出了一种将长短期偏好划分为高低阶的方法,将最后一次点击行为扩充为最后L次点击行为,可以有效的防止由于误点击而带来的推荐列表失准现象。针对捕获短期偏好维度过高而出现的兴趣飘逸现象,提出了一种双层注意力机制的推荐模型,该模型将扩展后的L次点击项输入到一个自注意力模块中,通过与其自身的匹配,捕获其中的内部信息,为每一个点击行为分配不同的权重,有效的防止了由于捕获维度过高而带来的兴趣飘逸现象。该模型使用ML-1M,Video Game和Digital Music数据集进行了对比试验,在HR@50和MRR两个指标上都有了明显提升。通过消融实验对不同参数在实验中的作用进行了详细分析,充分了验证了双层注意力模块在推荐算法中的重要性。2.针对微视频推荐模型中将每个输入特征当作独立个体而忽略了其内部关系导致性能低下的问题,提出了一种基于注意力机制的多模态特征融合方法,通过注意力模块为各个模态分配不同的权重,并且将用户特征纳入注意力网络,实现个性化融合。同时考虑到特征交叉得到的新特征很可能隐藏着用户偏好的隐形表示,所以同样采取了一种基于注意力机制的方法来学习特征的交叉表达。在实验中,直接拼接各模态特征的融合方法,使得Log Loss指标降低了0.86%,AUC指标提高了1.16%,加入提取的交叉特征后使得Log Loss指标降低了1.4%,在AUC指标上提高了2.01%。实验结果证明了通过注意力机制学习交叉特征有助于预测用户的偏好,对微视频推荐能力有明显作用,这也验证了交叉特征在推荐系统中的重要性。
基于元模型的WEB用户界面研究
这是一篇关于元模型,WEB 用户界面,所见及所得,个性化,动态 WEB系统的论文, 主要内容为在目前的 WEB 系统中,用户界面是指计算机与其使用者之间的对话接口,是 WEB 系统的重要组成部分,它直接关系到整个计算机系统的可用性和使用效率。目前开发用户界面的工作量及难度十分可观,非专业人员很难自行开发,通常是由程序员采用特定的编程语言如 ASP,JSP 来实现。这种方式设计出的用户界面需要程序员和用户不断地交流来进行用户界面的修改,并且一旦采用其他编程语言,以前所做的工作通常不可以重复利用,同时这种开发方式也忽略了用户界面的个性。因此,采用图示化简单、直观的建模所见及所得的用户界面,并面向非专业人员的用户界面建模系统具有十分重要的意义。 本文分析了现有动态 WEB 系统的存在的问题,提出采用元模型的方式对用户界面进行描述,吸取目前应用比较广泛的.NET 的 WEBForm 技术和 J2EE 体系中的中 ECHO 软件的经验,采用界面设计普遍使用的 MVC 模式,研究了一个基于 J2EE 的所见及所得的动态 WEB系统,并在实际项目中投入使用,效果良好。
基于隐性反馈的个性化自适应电子商务推荐系统研究
这是一篇关于推荐系统,隐性反馈,电子商务,个性化,自适应的论文, 主要内容为近年来，随着互联网的普及和电子商务的发展，电子商务系统为用户提供越来越便捷的服务，然而，“信息过载”问题日益严重，复杂的站点结构让用户无所适从。虽然，搜索引擎技术的发展使用户能方便地检索信息，但人们有时并不确切知道自己要查询的目标，多数是无目的浏览，这些用户正是电子商务站点的潜在消费者。因此，商务站点的推荐服务逐渐成为研究热点。推荐系统预测用户的兴趣偏好，向用户推荐项目，其在电子商务系统中具有良好的发展和应用前景，准确有效的推荐，能吸引潜在用户，增加用户的黏性，提高站点的交易量。 电子商务推荐系统在理论和实践中都得到了很大发展，但是随着电子商务系统规模的进一步扩大，电子商务推荐系统也面临着一系列挑战。对此，本文对目前的推荐系统和推荐技术理论进行了介绍，同时分析比较了国内外几个典型的推荐系统站点的推荐技术，进而提出了基于隐性反馈的个性化自适应电子商务推荐系统构建思想，其中包括用户浏览行为中隐性信息的分析与处理，以及自动、实时的推荐服务的设计与实现。 本文提出了一种基于隐性反馈的个性化自适应推荐系统的设计方法。个性化推荐服务的效果主要取决于个性化信息的搜集与处理。然而，目前国内外主流的推荐服务网站中对隐性信息的使用还远远不够，同时，许多研究理论中提出挖掘用户的浏览行为信息，比如浏览时间，然而，仅以此来评价用户的兴趣度，误差率大。实验表明，以模糊理论知识进一步处理隐性反馈信息，能有效减低误差，提高用户满意度。 另外，本文针对初始资源推荐问题、评价数据的稀疏性、推荐实时性差及推荐效果差等问题，提出一种以用户对当前浏览项目的实际兴趣度为基础，进行实时自适应的推荐方法。由于任何信息都有一定的时效性，实验表明，实时判断用户兴趣偏好，能有效把握用户兴趣偏移，实现系统相应的实时自适应推荐，能有效提高用户满意度。 在理论研究的基础上，我们开发了一个SME电影推荐系统。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码港湾 ，原文地址：https://m.bishedaima.com/lunwen/45643.html
