基于多语义信任关系的社会化推荐算法研究
这是一篇关于加权异构信息网络,加权元路径,项目流行度,社交信任,社会化推荐,非负矩阵分解的论文, 主要内容为随着信息技术的迅猛发展,多元化的在线数据规模越来越大,人们很难从中找到感兴趣且有用的信息。推荐系统的问世缓解了这一问题,它帮助用户更准确、高效的获取信息以满足用户的个性化需求。近年来,基于Web2.0的在线社交网络爆炸式增长,使得融合用户社交关系信息的社会化推荐算法在推荐领域得到了广泛使用。社会化推荐考虑到用户的行为偏好会受到其社交对象的影响,将用户的社交关系作为辅助信息引入推荐系统以缓解用户冷启动和评分数据稀疏问题。然而,现有的社会化推荐算法采用的用户社交信任网络是极度稀疏的,同时忽略了对用户间潜在社交信任的分析和挖掘,导致推荐准确率较低。因此,为解决上述问题,本文从用户间产生社交信任的原因出发,充分利用推荐系统内外部数据源来提高社会化推荐算法的性能,具体研究内容如下:(1)提出一种融合多语义信任度与全局信息的协同过滤算法。该算法首先引入加权异构信息网络来集成用户评分数据、社交网络、项目属性和用户标签等信息,利用包含不同语义信息的加权元路径挖掘用户间隐含的多种社交信任关系,并对其信任程度进行度量;其次,考虑项目流行度和用户偏好程度两个全局要素对用户相似度的影响,改进了仅考虑共同评分项目上局部上下文信息的相似性度量方法,通过该方法计算用户间的相似度;最后,综合用户信任度和相似度进行评分预测。在两个真实数据集上的实验结果表明该算法有效的利用了系统内外部的信息,缓解了数据稀疏问题,提高了预测准确率。(2)针对系统无法获取额外的用户个人信息以及项目种类繁多时无法界定项目共有属性的场景,提出基于多语义信任关系的社会化矩阵分解推荐算法。该算法首先利用加权异构信息网络集成评分数据和项目类别信息以挖掘用户潜在的多语义信任关系,并结合用户间的显式社交信任重构用户社交信任网络;其次,设计两种不同的矩阵填充策略将用户的社交信息无缝整合到评分矩阵中;最后利用一种非负矩阵分解模型来预测评分矩阵中缺失的评分。在两个公开数据集上的大量实验验证了该算法在缓解用户冷启动和数据稀疏问题方面的有效性,推荐准确率方面也优于现有的社会化推荐算法。该论文有图25幅,表21个,参考文献64篇。
基于sigmoid函数变换的非负矩阵分解方法研究及其在推荐系统中的应用
这是一篇关于推荐系统,矩阵分解,非负矩阵分解,随机梯度下降,分布式算法的论文, 主要内容为在信息时代中,人们经常面临信息过载的问题,面对大量的信息难以筛选出自已想要的部分。推荐系统能很好的解决这一问题,它能通过分析用户的特征与行为为用户进行个性化推荐。但现有的推荐系统通常都不够准确,并且在处理大规模数据时会显得效率低下。本文针对这些问题,提出了一种基于sigmoid变换的非负矩阵分解方法,可以应用于协同过滤中的隐语义模型,来提高推荐系统中评分预测问题的准确率。并且通过对其优化方法随机梯度下降法进行了调整从而实现了一个高性能的分布式的矩阵分解方法,来解决了推荐系统处理大规模数据的问题。本文的主要贡献包括：1)提出了一种基于sigmoid函数变换的易于扩展的高预测准确率的非负矩阵分解方法。通过将非负性这一有用的约束引入隐语义模型中的矩阵分解中,提高了评分预测的准确率,并且保留了原方法的易扩展性。2)提出了一个针对上述矩阵分解的基于随机梯度下降法的分布式并行算法。与现有的分布式随机梯度下降法相比,减小了通信开销,并且改善了节点间的负载均衡。3)基于上述技术实现了一个电影推荐原型系统,初步验证了上述方法与技术的可行性。在该系统中,用户可以浏览电影并进行评分,系统会根据用户的评分记录为其推荐新的电影。
网络表示学习及其在推荐系统中的应用研究
这是一篇关于网络表示学习,推荐系统,交替方向乘子法,非负矩阵分解,社区检测的论文, 主要内容为随着社交网络以及电商平台成为生活中不可或缺的一部分,如何为用户提供感兴趣的推荐项目成为各大平台需要重点研究的问题。网络表示学习力求真实反映用户和项目之间的关系,有助于实现项目的精准推荐。因此,基于网络表示学习方法的研究具有重要的意义与价值。现有的网络表示学习方法及其在推荐系统中的应用广泛,成果较多,但仍然存在以下问题:1.忽略了全局拓扑结构,只关注网络图的局部结构,需要加入对称约束优化节点表示;2.推荐系统的性能有待提升,基于单元素矩阵分解的协同过滤需要结合属性信息和行为历史提高预测精确度,传统的混合推荐需要结合单元素矩阵分解的优势来降低时间消耗。针对上述问题,本文提出了两种提升网络表示学习性能的方法:1.为了更好地保留网络拓扑结构,提出了一种基于交替方向乘子法(ADMM),对称及非负性约束的网络表示学习方法。首先,提出加入对称限制的目标函数,通过模块度,社区属性,对称性以及节点间相似度共同约束节点的网络表示;然后,采用基于单元素的交替方向乘子法对目标函数中未知元素的更新公式进行推导;最后,对更新得到的网络表示结果进行聚类,在真实数据集上的结果证明了模型的有效性。2.为了解决推荐场景中预测精准度以及时间消耗等问题,提出了一种基于非负矩阵分解(NMF),适用于混合推荐系统的网络表示学习方法。算法首先通过用户属性,行为历史以及项目属性等信息计算用户相似度矩阵和项目相似度矩阵;然后,对目标函数采用单元素非负矩阵分解方法完成推导,得到用户和项目的表示矩阵;最后,将用户表示结果和项目表示结果进行相似度计算,为用户推荐感兴趣的项目。3.基于提出的混合推荐算法,针对电影推荐场景,设计并实现了一套推荐系统框架。具体包括数据的分析与预处理,各种类型数据的向量化,结合Django+VUE+Bootstrap的Web的开发框架,最终为用户完成精准的电影推荐。
基于非负矩阵分解与聚类算法的推荐系统研究
这是一篇关于个性化推荐,协同过滤,非负矩阵分解,K-means聚类的论文, 主要内容为个性化推荐系统通过对用户行为的分析,为用户从海量数据中挑选出其可能感兴趣的信息,在电子商务、电影和社交网站等领域都有广泛的应用。在现如今的众多推荐算法中,协同过滤推荐是最被大家认可和被广泛采用的方法。但是随着推荐系统用户数量的不断增加,传统的协同过滤算法同时又暴露出了诸多问题,如数据稀疏性和可扩展性等问题。本文针对相关问题展开了研究与实践,完成的主要工作和创新性主要表现在如下几个方面:(1)阐述了推荐系统的研究背景和国内外的研究情况,对个性化推荐系统做了基本介绍,并对个性化推荐系统中几种相关技术做了重点研究。(2)为了解决传统协同过滤算法数据稀疏性和扩展性等问题,选用了非负矩阵分解对用户项目评分矩阵进行规范和降维。使用K-means聚类算法对不同类型用户进行划分,提高算法的可扩展性。(3)为了改进K-means算法中噪声点和随机中心点对聚类结果影响较大的弊端,将密度和最大最小距离的思想结合,提出一种优化初始聚类中心的K-means聚类方法,并用UCI数据进行实验验证。(4)将非负矩阵分解和K-means算法结合,设计实现了基于非负矩阵分解和聚类算法的组合推荐系统,通过使用MovieLens数据进行实验对比,验证了本文提出方法的有效性。
网络表示学习及其在推荐系统中的应用研究
这是一篇关于网络表示学习,推荐系统,交替方向乘子法,非负矩阵分解,社区检测的论文, 主要内容为随着社交网络以及电商平台成为生活中不可或缺的一部分,如何为用户提供感兴趣的推荐项目成为各大平台需要重点研究的问题。网络表示学习力求真实反映用户和项目之间的关系,有助于实现项目的精准推荐。因此,基于网络表示学习方法的研究具有重要的意义与价值。现有的网络表示学习方法及其在推荐系统中的应用广泛,成果较多,但仍然存在以下问题:1.忽略了全局拓扑结构,只关注网络图的局部结构,需要加入对称约束优化节点表示;2.推荐系统的性能有待提升,基于单元素矩阵分解的协同过滤需要结合属性信息和行为历史提高预测精确度,传统的混合推荐需要结合单元素矩阵分解的优势来降低时间消耗。针对上述问题,本文提出了两种提升网络表示学习性能的方法:1.为了更好地保留网络拓扑结构,提出了一种基于交替方向乘子法(ADMM),对称及非负性约束的网络表示学习方法。首先,提出加入对称限制的目标函数,通过模块度,社区属性,对称性以及节点间相似度共同约束节点的网络表示;然后,采用基于单元素的交替方向乘子法对目标函数中未知元素的更新公式进行推导;最后,对更新得到的网络表示结果进行聚类,在真实数据集上的结果证明了模型的有效性。2.为了解决推荐场景中预测精准度以及时间消耗等问题,提出了一种基于非负矩阵分解(NMF),适用于混合推荐系统的网络表示学习方法。算法首先通过用户属性,行为历史以及项目属性等信息计算用户相似度矩阵和项目相似度矩阵;然后,对目标函数采用单元素非负矩阵分解方法完成推导,得到用户和项目的表示矩阵;最后,将用户表示结果和项目表示结果进行相似度计算,为用户推荐感兴趣的项目。3.基于提出的混合推荐算法,针对电影推荐场景,设计并实现了一套推荐系统框架。具体包括数据的分析与预处理,各种类型数据的向量化,结合Django+VUE+Bootstrap的Web的开发框架,最终为用户完成精准的电影推荐。
网络表示学习及其在推荐系统中的应用研究
这是一篇关于网络表示学习,推荐系统,交替方向乘子法,非负矩阵分解,社区检测的论文, 主要内容为随着社交网络以及电商平台成为生活中不可或缺的一部分,如何为用户提供感兴趣的推荐项目成为各大平台需要重点研究的问题。网络表示学习力求真实反映用户和项目之间的关系,有助于实现项目的精准推荐。因此,基于网络表示学习方法的研究具有重要的意义与价值。现有的网络表示学习方法及其在推荐系统中的应用广泛,成果较多,但仍然存在以下问题:1.忽略了全局拓扑结构,只关注网络图的局部结构,需要加入对称约束优化节点表示;2.推荐系统的性能有待提升,基于单元素矩阵分解的协同过滤需要结合属性信息和行为历史提高预测精确度,传统的混合推荐需要结合单元素矩阵分解的优势来降低时间消耗。针对上述问题,本文提出了两种提升网络表示学习性能的方法:1.为了更好地保留网络拓扑结构,提出了一种基于交替方向乘子法(ADMM),对称及非负性约束的网络表示学习方法。首先,提出加入对称限制的目标函数,通过模块度,社区属性,对称性以及节点间相似度共同约束节点的网络表示;然后,采用基于单元素的交替方向乘子法对目标函数中未知元素的更新公式进行推导;最后,对更新得到的网络表示结果进行聚类,在真实数据集上的结果证明了模型的有效性。2.为了解决推荐场景中预测精准度以及时间消耗等问题,提出了一种基于非负矩阵分解(NMF),适用于混合推荐系统的网络表示学习方法。算法首先通过用户属性,行为历史以及项目属性等信息计算用户相似度矩阵和项目相似度矩阵;然后,对目标函数采用单元素非负矩阵分解方法完成推导,得到用户和项目的表示矩阵;最后,将用户表示结果和项目表示结果进行相似度计算,为用户推荐感兴趣的项目。3.基于提出的混合推荐算法,针对电影推荐场景,设计并实现了一套推荐系统框架。具体包括数据的分析与预处理,各种类型数据的向量化,结合Django+VUE+Bootstrap的Web的开发框架,最终为用户完成精准的电影推荐。
基于图网络和语义信息的Web API推荐
这是一篇关于推荐系统,网络嵌入,非负矩阵分解的论文, 主要内容为Mashup作为一种轻量级的Web应用程序,通过组合现有的Web API,能够满足各种Web应用程序的复杂需求,这就减少了开发人员的开发时间、提高了开发的效率。随着Web API数量快速增长,如何从这庞大的资源库中选择到合适的Web API进行Mashup开发成为亟待解决的问题,并且数据稀疏性和冷启动问题也给Web API的推荐带来了挑战。为此,本文围绕着Web API推荐进行展开,对于给定的Mashup需求,利用Mashup的文本描述信息和图网络中丰富的关系,并在这两个方面分别提出了对应的推荐算法,主要内容如下:(1)在语义信息推荐方面上,本文提出了一种基于Mashup语义信息的非负矩阵分解算法。首先对Mashup描述文本进行预处理,然后计算基于单词嵌入的Mashup之间的语义相似性,并采用改进后的K-means算法将相似的Mashup聚类到同一类别中,得到集群中心—API调用矩阵,最后采用非负矩阵分解方法来得到集群中心特定矩阵和API特定矩阵,从而得到预测值。该方法利用描述文本信息,能够在一定程度上缓解新Mashup的冷启动问题。利用ProgrammableWeb网站中获得的数据,将提出的方法和基线方法进行实验对比,分析其在Precision@N、Recall@N,F1@N和NDCG@N四个指标上的表现,可以发现提出的方法比所有的基线方法都表现得更好。(2)在图网络推荐方面上,本文提出了一种基于图网络的有偏随机游走推荐算法。首先构建Mashup-API图网络,然后根据构建好的图网络中不同节点的类型进行有偏游走,将游走结果用Skip-Gram模型进行训练,得到Mashup、Web API节点的向量表示,以计算Mashup对Web API的调用概率,来实现Web API的推荐。该方法不仅利用了Mashup对Web API历史调用记录信息,还利用了 Mashup、Web API的结构信息,能够提高推荐的准确性以及兼容性。将提出的方法和基线方法进行实验对比,发现提出的方法比所有的基线方法有着更好的推荐性能。
基于异构图的物联网规则推荐方法的设计与实现
这是一篇关于物联网,触发执行编程,非负矩阵分解,多模态表示学习,规则推荐的论文, 主要内容为物联网(Internet of Things,Io T)智能设备如今受到用户的广泛推崇,由于智能设备和网络服务数量的快速增长,人工操作已显得慢速和易错,不能适应大量智能设备和网络服务的交互操作。触发执行编程(Trigger-Action Programming,TAP)作为一种操作物联网智能设备和网络服务的传统编程范式,能够打破不同品牌生态系统间的壁垒,为物联网服务定制个性化规则,并且积累了大量用户。因此,从已有的海量TAP规则中推荐恰当的个性化规则给用户尤为重要。大多数推荐系统通常注重推荐相似规则的准确性,而忽略了推荐的新颖与多样性,降低了用户体验。为此,本文着手于在TAP规则推荐中兼顾准确与多样性。物联网作为万物互联的网络,存在各种实体空间和虚拟空间内物品的交互,决定了物联网表示中图结构的优势。TAP规则数据可以表示为含有多种节点和边类型的异构图,每个节点还有文本形式的属性描述。如何利用好图结构和文本描述,为用户推荐恰当的TAP规则值得研究。为此,本文分别提出了无监督和有监督学习的方法,从TAP规则中学习每条规则的特征,用于给用户推荐恰当的规则。在无监督学习方法中,本文使用非负矩阵分解(Nonnegative Matrix Factorization,NMF)学习规则的特征。根据TAP数据异构图中一个类型与另一个类型节点的连接关系,可以在两两类型的节点之间建立起关系矩阵,矩阵中0表示节点之间没有关系,正数表示节点之间存在关系,且数值越大,关系越强。NMF将记录了行和列中节点之间关系的非负矩阵,分解为两个包含节点特征的矩阵,用于规则推荐。在NMF学习特征之前,本文提出了三种带权重的关系矩阵生成方法作为关键创新点,分别称为共现频率权值(CFW)、概念相似度权值(CSW)和TF-IDF权值(TIW)。结果表明,在由CFW生成的矩阵上进行NMF获得的规则特征,在TAP规则推荐时具有最好的表现。在有监督学习方法中,本文通过结合TAP规则的文本描述和图结构,提出了一种多模态表示学习(Multi-Modal Representation Learning,MRL)模型,并命名为TAP-TAG。TAP-TAG有两个分支:一支为知识图谱嵌入(Knowledge Graph Embedding,KGE)模型,能够对提取自图结构的三元组进行关系特征的学习;另一支为卷积神经网络(Convolutional Neural Network,CNN)模型,用于从规则文本描述中进行语义特征的学习。通过把KGE和CNN学习的含有关系和语义信息的规则特征映射到公共空间中,对齐两种模态的向量表示,并以它们之间的距离作为损失,学习规则的多模态特征表示。实验结果表明,MRL模型有助于为用户推荐兼具准确性和多样性的TAP规则。实验结果表明,无监督和有监督学习方法各有优劣。无监督学习对时间和空间的资源占用非常小,对硬件要求不高,但是准确度较低;有监督学习在准确度方面的提升显著,但是对时间和空间资源、硬件的要求也很高。因此,需要根据不同的应用场景选择恰当的机器学习方法。
基于Hadoop平台的电影推荐系统的设计与实现
这是一篇关于非负矩阵分解,E2LSH,基于用户,协同过滤推荐系统,Hadoop的论文, 主要内容为随着互联网技术的发展,大数据时代的到来,出现了“数据过载”的现象,人们需要花更多的时间与精力来搜索信息。如何向用户推荐更有价值的信息,同时提高用户体验成为一个至关重要的问题。协同过滤推荐系统是一种典型的推荐系统,能够向用户推荐需要的信息,但随着用户量与物品数量的增加,该类系统存在低效和不易扩展的问题。为解决以上问题,本文结合非负矩阵分解算法(NMF)和精确欧氏局部敏感哈希算法(E2LSH)构建了基于用户的协同过滤推荐系统模型NE-UserCF(NMFE2LSH-UserCF)。然后,采用MovieLens数据集,对该模型的有效性与可靠性进行验证。最后,设计一个完整的结合NE-UserCF模型的推荐系统,并基于Hadoop平台对本文中设计的推荐系统进行实现。本文主要工作如下:(1)构建NE-UserCF模型。用NMF算法对用户-物品评分矩阵进行初步处理,保证降维后用户-物品评分矩阵的非负性特点,去除用户-物品评分矩阵中的无效特征和冗余特征,有效降低用户-物品评分矩阵的维度,加快相似用户的搜索,提高推荐效率。用E2LSH算法建立用户索引,对兴趣相似用户进行聚类,获得用户相似度矩阵,保证了索引结果的准确性和查全性。最后,采用基于用户的协同过滤推荐算法进行Top-N推荐。(2)验证NE-UserCF模型的可靠性。对NE-UserCF模型进行MapReduce实现后,选用MovieLens数据集进行离线批量训练,对模型的可靠性进行验证,验证表明该模型能有效提高推荐系统的准确率。(3)实现基于Hadoop平台的结合NE-UserCF模型的电影推荐系统。该系统的主要功能有:个人信息管理、电影信息管理、查看推荐结果与推荐结果管理等。在完成Hadoop平台的搭建、推荐系统平台搭建和算法部署后,基于Hadoop平台,实现结合NE-UserCF模型的电影推荐应用系统,达到了预期的推荐效果。
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：毕设向导 ，原文地址：https://m.bishedaima.com/lunwen/48056.html
