基于GPU和内容标签的个性化推荐系统研究
这是一篇关于个性化推荐系统,社会化内容标签,CUDA,GPU的论文, 主要内容为互联网的快速发展给人们的生活和工作带来了巨大的便利，但是Web上的海量信息也产生了“信息泛滥”的问题。如何构建行之有效的个性化推荐系统，快速高效地分析出用户的个性化行为模型，为用户推荐出他们真正喜欢的信息内容，是目前各大商业化网站的重要研究内容之一。但是，研究人员在开发基于用户个性化需求的Web推荐系统的过程中遇到了以下两个主要问题：第一，需要提高个性化推荐算法的准确性，保证推荐的结果确实是用户当前需要的信息；其次，需要优化推荐系统的执行效率，加快算法执行速度，为用户提供接近于实时的个性化推荐服务。 本文对传统的基于内容的推荐算法和基于条目的协同过滤算法进行分析，在社会化内容标签的基础上，设计出了一种新的混合型的推荐方法，同时在CUDA（Compute UnifiedDevice Architecture，统一计算设备架构）体系下利用GPU（Graphic Processing Unit，图形处理器）对算法进行了多方面的优化。 本文用这种混合型的推荐算法在MovieLens提供的数据集上进行了用户的个性化推荐，实验结果表明，与其他几种实现的推荐算法相比较，本文的算法在整体预测评分的平均绝对误差上拥有更小的误差值，在给用户提供的个性化推荐结果方面，这种混合型的推荐算法对推荐结果的预测更为准确合理，同时，随着用户规模和资源条目规模的扩大，此方法在大规模用户和资源条目的实验环境下可以获得更好的加速比。所以，这种混合型的推荐算法可以为大规模的商业化系统提供一种快速有效的个性化推荐解决方案。
基于隐语义模型的网络视频推荐系统研究
这是一篇关于网络视频,个性化推荐系统,用户评论,情感分析,隐语义模型的论文, 主要内容为进入Web2.0时代以来,带有UGC(User Generated Content)特性的网站数量与日俱增,网络视频服务便是其中典型的代表。与基于电影或电视节目的传统视频网站如Netflix、Hulu等不同,具有Web2.0特性的视频网站如You Tube、优酷等只提供视频托管服务,网站视频内容是由用户本身自发产生并上传的,这种模式使得视频网站内容得到大大扩充,用户虽然拥有了更多的选择,但需要比以往更多的时间和精力去寻找自己感兴趣的内容,其中一个行之有效的解决办法就是个性化推荐系统,它能够基于用户的历史行为日志发掘用户的兴趣特点,进而从浩瀚的网络信息中抽取出用户可能感兴趣的资源主动推送给用户,这样不仅大大缩短了用户获取信息的时间成本,提高了用户体验,而且对增加网站营收,扩大网站影响规模有着不可替代的作用,为此个性化推荐系统在Amazon、Netflix和豆瓣等许多著名网站得到了大规模的应用。对于网络视频这种特殊的推荐场景来说,由于允许用户自定义上传视频,随之引入了不少问题。首先,由于网络视频种类繁杂,内容维度丰富,无法采用显式标准对其进行分类划分并产生推荐;其次,由于用户自发活动的不规则性,网络视频之间差异性较大,很多视频缺乏足够的元数据描述信息,甚至有元数据信息杂乱无章乃至错误的情况出现;最后,囿于网络视频本身的多媒体属性限制,目前还没有合理有效的机器学习技术从视频本身入手对其直接进行内容特征提取,这给网络视频间相似性度量和用户兴趣建模带来了巨大的挑战。为此,本文提出了融合评论分析和隐语义模型的网络视频推荐算法(Video Recommender Fusing Comment Analysis and Latent Factor Model,VRFCL),它从用户评论文本信息入手,首先利用自然语言处理技术分析评论文本得到用户对某网络视频的情感倾向值,并以此作为用户对该网络视频的虚拟评分构建补充评分矩阵,是为解决显示评分矩阵稀疏性的一个缓解办法;另一方面评论文本中往往蕴含了观看者对该网络视频的客观内容分析,其中蕴含的价值十分丰富,通过文档分析技术自动抽取评论文本关键字作为标签,不仅弥补了网络视频元数据匮乏的遗憾,而且对用户兴趣建模有不可估量的帮助作用。同时由于网络视频本身的内容多样性和分类界限模糊等特点,VRFCL通过引入隐含特征的概念将现有的用户-视频二元关联关系拓展开来,大大提高了推荐系统推荐结果的新颖性和覆盖率。为了验证VRFCL推荐算法的有效性,本文在You Tube视频评论文本集上做了大量实验,并从不同评估标准对比其他推荐算法,实验结果表明VRFCL推荐算法在稀疏数据集上性能良好,且获得了相比其他推荐算法10%-20%的推荐精度提高。
基于用户上下文的数字媒体个性化推荐系统的设计与实现
这是一篇关于个性化推荐系统,用户上下文,本体,用户兴趣偏好,Protégé,Jena的论文, 主要内容为当今,个性化推荐系统已经在很多领域被应用,如网络商品推荐、音乐推荐等,协同过滤是其中应用最为广泛的个性化推荐技术,但是,这些系统大部分没有考虑用户上下文对推荐结果的影响,或者推荐结果没有随用户兴趣偏好改变而更新。 本文在使用传统的协同过滤技术来实现个性化推荐系统的基础之上,将用户的上下文信息引入到推荐系统中。本文在研究上下文感知以及本体相关理论知识的基础上,参与系统分析、设计,并实现了基于用户上下文的数字媒体个性化推荐系统。 本文主要完成的工作：首先,在初步需求分析的基础上确定了系统中的用户上下文信息的具体所指内容,并给出了用户上下文信息的获取方法。其次,建立了系统中的数字媒体领域本体并对用户的上下文信息进行本体建模,实现系统中各概念的本体实例的程序自动创建与扩展。再次,建立用户兴趣偏好表示形式,并基于本体的查询与推理处理能力构建系统各用户的用户兴趣偏好。最后,依据建立的用户兴趣偏好以及用户的当前上下文信息产生一定数量的推荐结果并将推荐结果在系统前台页面呈现出来。 总的来说,目前对上下文以及本体在推荐系统中的应用还处于研究阶段,而且大多数的研究项目针对的是移动领域的服务推荐,针对Web用户的推荐系统研究项目则比较少,本文参与设计实现的基于用户上下文的数字媒体个性化推荐系统是对这一领域研究的一次尝试。
个性化推荐系统的算法研究
这是一篇关于个性化推荐系统,协同过滤,差异度,模糊聚类,用户簇偏好的论文, 主要内容为因特网的飞速发展,带领着我们进入了网络的时代。身处其中,我们既享受着丰富的信息资源带来的各种便利,同时也经常被海量数据所淹没,因为我们常常无法从这庞大的数据中找到自己真正需要的那些信息。在这样的背景下,个性化推荐系统适时出现,并且随着网络的发展不断地被应用于各个领域。个性化推荐系统能够根据个人的需要或者喜好做出个性化的推荐,而推荐质量的好坏,依靠的是各种各样的个性化推荐技术。这其中最具代表性的,就是协同过滤推荐技术。协同过滤推荐技术因为极好地满足了人们的需要而取得了巨大成功,但是同样也在发展的过程中面临着许多问题和挑战。数据稀疏性和可扩展性便是其中两个具有代表性同时也亟待解决的问题。本文在对协同过滤推荐技术深入研究的基础上,主要着眼于其中的一种具有代表性的算法——基于项目的协同过滤算法的研究和改进。对于数据稀疏的问题,通过差异度和时间函数的引入来改进相似度的计算方法,提高推荐质量;对于可扩展性的问题,则引入了模糊聚类和用户簇偏好的概念,通过减小最近邻居的寻找个数使得推荐系统的计算量降低。两种方法都用实验进行了检测,证实了前一种改进算法确实对数据稀疏的问题起到了很好的缓解作用,而后种改进算法则有效的减少了最近邻居的寻找个数并得出了模糊聚类取得良好效果的参数取值范围。现在,网络的发展仍是一种一往无前的气势在向前狂奔,我们会越来越依赖于个性化推荐系统对我们的帮助。因此,对以协同过滤推荐算法为代表的个性化推荐算法的研究和改进,不仅十分的迫切与紧要,也对网络的长久发展具有深远的意义。
基于个性化推荐系统新闻客户端的“信息茧房”效应研究——以“今日头条”为例
这是一篇关于信息茧房,今日头条,个性化推荐系统,新闻客户端的论文, 主要内容为个性化推荐技术应用于移动领域的信息分发,在聚合信息的基础上实现了信息的个性化推荐,这极大地改变了人们获取信息的方式。基于个性化推荐系统的新闻客户端在信息分发领域的应用也形成了"信息茧房"效应。从受众角度出发,对"信息茧房"效应的深层次探索,理性与全面地审视个性化推荐系统在新闻客户端领域的影响,这将成为移动互联网信息传播的课题。本研究试图通过对"今日头条"新闻客户端的用户的调查,探究受众在使用个性化推荐新闻客户端的过程中,接收个性化推荐信息的行为意向、态度和观点,进一步研究信息茧房形成的原因、影响,并结合移动化信息传播环境和技术发展现状提出合理化建议。本研究共分为六部分。第一部分为绪论,主要针对研究背景、研究意义、文献综述和研究创新点四方面进行相关的梳理。第二部分为研究方法与研究设计,据本研究所使用的问卷调查法和深度访谈法的设计、基本分析和调查过程等方面进行介绍。第三部就问卷调查进行量化分析,从各方面阐述用户在使用今日头条的过程中存在"信息茧房"的现象,分析用户的行为意向与使用态度中如何体现信息茧房现象。第四部分从三方面阐述了信息茧房形成的深层次原因:个性化推荐技术为信息茧房的形成提供了工具,网络传播环境的使用主体的选择心理和个性化需求等是形成信息茧房的内在动因,信息消费向着"个人门户"的方向发展,热点、娱乐化的信息成为信息消费的主流。第五部分就个性化推荐系统新闻客户端所形成的"信息茧房"效应对于个人、社会以及新闻客户端本身的发展产生何种影响进行阐述。第六部分即结合上述研究结果,对如何解决"信息茧房"带来的问题与影响提出相应的解决对策:个人要培养信息聚合意识,加强自身媒介素养,同时作为个性化推荐信息传播平台,也要加强信息把关,使得"个性化"推荐与"人性化"推荐相结合,从而营造良好的信息传播环境,弱化信息茧房带来的负面影响。本研究认为,在信息分发领域,基于个性化推荐系统的新闻客户端的传播效果显著,但就受众研究角度而言,信息接收窄化趋势和信息茧房带来的"个人回音室"、"群体极化"等影响对于个人、社会将会带来长远的负面效应。在追逐个性化推荐技术应用与发展的同时,也不应忽略个人的全面发展与信息环境的健康发展,"信息茧房"效应值得在今后信息传播研究更加深入的验证与探索。
面向智能导诊服务的个性化医生推荐研究与应用
这是一篇关于主诉文本,病症资源,科室推荐,医生推荐,个性化推荐系统的论文, 主要内容为随着智慧医疗体系的不断完善,智能导诊系统正在逐步取代人工导诊的服务模式,已成为医疗行业未来发展的新方向。目前对于国内大多数的智能导诊服务,患者仍然是处于被动服务的模式,患者需要按照医院专科分类或者按照人体部位选择的形式去预约医生。由于缺乏专业的医疗知识,患者在选择医生时容易出现盲目性较大、选择优质专家过于集中等问题,无法根据自己的病情选择合适的医生进行就诊,使得自身就医效率低下,同时也导致医院资源不能得到合理化利用。因此,本文围绕智能导诊服务中的个性化医生推荐展开深入的探讨与研究,通过深度挖掘患者的病情诉求向其推荐最适合自身病情的医生,在为患者带来高效性医疗服务的同时能有效提高患者就诊满意度和医院资源的合理化利用,为患者和医院带来最大程度的价值。本文工作首先构建医疗垂直领域知识库,进而实现粗粒度的科室推荐和细粒度的医生推荐,主要研究内容如下:(1)构建了涵盖患者主诉信息库、病症知识库及医生信息资源池的医疗垂直领域信息知识库。具体来说,主要是运用异步爬虫技术从百度指数最高的四个医疗专业网站抽取结构化及半结构化的主诉数据,构建涵盖48个二级科室的主诉信息库。抽取疾病症状知识构建病症知识库,设计基于贝叶斯算法的症状权值计算方法。构建导诊推荐专用的医生信息资源池,为实现医生推荐提供数据支撑。(2)提出了将科室推荐问题转化为主诉文本多分类问题,实现整个医生推荐过程的粗粒度推荐。首先设计主诉文本表达模型,将主诉文本转换为向量表示,然后研究基于TextCNN算法的主诉文本多分类模型,实现了根据患者主诉进行科室的精准推荐。(3)提出了个性化医生推荐方法,实现细粒度的医生推荐。为了达到患者找对医生、医生看对病人的目的,提出基于BiLSTM-CRF算法的主诉文本病症实体识别模型,并进一步提出基于病症知识库的双向最大匹配算法对识别结果进行优化,同时,为了深度挖掘患者病情诉求,研究了患者意图识别方法,有效保证了患者病症与医生擅长的精准匹配。最后从患者社会化信息相似度、主诉文本相似度及医生职称和医生评分等方面设计基于协同过滤的个性化医生推荐算法,实现对患者的个性化医生推荐。(4)设计并实现了个性化医生推荐系统,同时基于Flask框架进行接口开发对接智能导诊机器人,从实际应用角度验证本文个性化医生推荐方案的可行性。
面向移动互联网营销的推荐系统研究与应用
这是一篇关于移动互联网,个性化推荐系统,广告投放的论文, 主要内容为互联网广告是指通过网络广告平台,利用网站上广告横幅、文本链接等,在网络上发布广告信息。随着手机用户的迅速增加,移动营销日益受到青睐,移动互联网广告因其成本低廉而且覆盖的受众广泛,成为了许多企业用来拓展用户规模的方式。移动互联网有规模庞大的用户群体,在推送消息时不局限于时间、地域,而且信息投递迅速、成本低廉。移动互联网广告在国内外有巨大的市场潜力与增长空间,是广告投放领域新的机遇与挑战。随着信息技术和互联网的发展,人们逐渐从信息匮乏走向了信息过载的时代。对于信息消费者而言,从海量信息中找到自己感兴趣的信息更加困难;对于信息生产者,也很难让自己生产的信息从海量信息中被需求者提取出来,搜索引擎可以让用户通过关键词查找自己需要的信息,但当用户难以用关键字表达自己的需求或者需求不明确时,便显得捉襟见肘。推荐系统是解决这种情况的一种有效工具,与搜索引擎不同之处在于,她不需要用户提供明确的需求,而是通过用户过去的行为给用户的兴趣建模,从而主动给用户推荐他可能感兴趣的信息。推荐系统现已经在应用于广泛的领域,在学术界,推荐系统也很受关注。本文基于规模庞大的移动互联网用户行为数据,尝试结合推荐系统的一些思想,进行广告投放。与常见的电商或电视节目数据相比,移动互联网用户行为数据更具有精准性,可以准确的定位到真实世界具体的一个人。本文依据在手机用户访问App的数据,结合推荐系统的一些算法,通过分析与实验:1)寻找效果更适合于移动互联网广告投放的推荐算法及其参数;2)寻找在保证投放效果条件下,运算量更低的数据划分方式;在训练模型参数时,如果数据量较小,则针对全量数据是可行的,但是当数据量很大时,取全量数据在运算量上会有很大负荷,而且提取全量的数据并不一定能够提升算法的效果,在参与训练模型的数据达到一定量级之后,通常同样的算法无法挖掘数据中更深层次的用户兴趣。3)寻找一些推荐算法效果与参与计算的数据量的关系,发现使得算法效果“饱和”的数据量级,从而使得在工程应用中对算法参数和数据量进行有效的调整,在保证最终效果的前提下,降低运算复杂程度。
基于逻辑回归的推荐技术研究及应用
这是一篇关于个性化推荐系统,逻辑回归模型,特征,场景预测的论文, 主要内容为作为现代电子商务平台的一个重要组成部分，推荐技术的表现决定了其电商平台的表现。科技的进步带来互联网领域的突飞猛进发展，它也将纷繁的各种信息展现给我们。面对如此多的信息，我们会思考：怎么找到自己感兴趣或者自己有用的信息呢。一切的实际情况表明：想要发现对自己有价值的片段，无疑变得非常困难，即使只是全浏览一遍这些信息也是不现实的。个性化推荐系统的发展始于二十世纪九十年代的一次美国人工智能会议，当时参加会议的卡耐基.梅隆大学的RobertArmstrong等人提出了一种个性化导航系统：WebWatcher。随后，来自斯坦福大学的MarkoBalabanovic等人也于该会议提出了个性化推荐系统－LIRA的思想。从此拉开了个性化推荐系统的发展序幕。从最开始的基于内容的推荐系统，到后来的基于协同过滤的推荐系统的发展，经历了短短的20多年，到如今随着我国互相网络基础建设的完善，网络带宽的扩大，使得推荐系统的发展更加迅速。推荐系统的发展所经历的时间不算长，但是其带来的影响却是巨大的。在这个过程中先后出现了多种推荐算法，最主要的代表有：协同过滤算法、基于内容的推荐算法和基于网络结构的推荐算法等。它们的出现，以及发展延伸，为未来推荐系统的发展起到了铺垫作用。 本文为了研究特征属性在推荐系统中起到的影响作用，我们想到了逻辑回归模型。逻辑回归也就是逻辑回归的分析，一般情况是在流行性疾病学中应用比较多。本文的研究内容为： 首先，我们的研究重心是在推荐算法模块，利用后台的推荐算法，实时地从产品集合中筛选出用户感兴趣的产品进行推荐。通过逻辑回归模型建立场景模型，分析数据集，从分析结果中选择最优的特征。逻辑回归函数可以进行参数的自我优选，即是输入一系列参数，最后训练得到的参数为对该数据集影响较大的特征。 其次，研究逻辑回归场景模型的预测效果。通过两个步骤来对场景预测效果分析，第一步研究离线情况下的参数选取效果，也就是建立回归模型引擎训练参数；第二步，优化后的参数应用到在线测试站测试效果，即应用到推荐系统，并分析其结果。 最后，研究不同数据集在采用了逻辑回归场景引擎技术的推荐系统中的效果。用户购买的行为分为自我行为和商品的行为。我们研究两者的各自特征体现的用户兴趣所在，基于以前方法的推荐并不能指出不同电子商务环境的不同特征的影响。挖掘用户和商品特征，同时研究不同特征对不同数据集的影响可以解释推荐物品的原因，更能体现用户的个人偏好。 通过把本文的方法和标准的协同过滤推荐技术相比较，我们发现：前者在推荐的准确率和召回率有一定的提高，且F1指标也提高了，同时在时间上优于标准的协同过的推荐系统。最后，介绍了以本文理论为主要支撑的实际应用的设计和实现，以及运行效果展示，通过电影推荐来观察实际的效果，在多次使用中，该应用表现较好，达到了本文预期的效果。但是功能上略显单一，需要进一步的丰富。
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：毕设导航 ，原文地址：https://m.bishedaima.com/lunwen/46714.html
