K12场景下学习交流平台的设计与实现
这是一篇关于K12教育,智能硬件,工作流引擎,社交关系的论文, 主要内容为K12教育指幼儿园到高中期间的教育,一直以来深受人们重视,但诸如教育资源分配不均匀、家长缺乏时间或能力辅导孩子、学生缺乏自主学习积极性等问题始终得不到完全的解决。随着互联网的发展,人们可以采用互联网技术手段降低学习资源的获取成本、提供更有效的学习方式、培养学生良好的学习习惯,很多产品或服务也应运而生。针对上述K12教育问题,本文设计了一个学习与交流平台,提供了丰富的学习资源和多样的学习方式。学生可以通过此平台与同龄人交流,分享学习成果,并在每次完成学习任务后得到激励,从而激发对学习的积极性,养成好的学习习惯。平台对接了智能硬件、手机APP和后台网站,联通学生、家长、管理员及教研人员,同时整合了公司内搜题、批改、辅导等其他业务线的系统,助力家长解决辅导孩子的难题。本文阐述了K12场景下学习交流平台的设计方案,给出了平台的设计与实现。平台拥有社交模块、课程模块、工作流引擎、事件中心与规则引擎五个主要模块。社交模块维护学生间的各种关系,提供了多样的互动功能;课程模块维护了丰富多元的课程内容;工作流引擎提供定义、管理流程的能力,能将课程模块中的一系列题目、互动组织起来,使得课程形式更加灵活多样;事件中心提供了消息的转发能力,联通各模块实现激励发放功能的同时避免了模块间的耦合;规则引擎负责对事件中心的消息进行检查,判断其是否满足预先定义的激励条件,实现了激励规则的灵活可配。平台基于字节跳动的研发体系构建,采用分布式微服务架构进行设计。各个微服务在自研的Kite X框架下开发,采用容器化、跨机房的部署方案,提高了系统的容灾能力。消息中心使用了事件总线Event Bus传递消息,可用性高;社交关系的维护基于图数据库Byte Graph实现,能支持多种关系间的复杂查询,且查询性能高,能支撑一个点连接上亿条边的场景。如今已有数十万的学生和家长使用这一平台,也有许多教研老师加入平台生产学习内容,使用人数在持续增长。
面向微博内容的个性化推荐算法的研究
这是一篇关于微博推荐,社交关系,矩阵分解,主题模型,群组划分的论文, 主要内容为随着社交媒体的普及和广泛应用,导致微博等社交网络信息爆炸,凸显了信息过载问题—一面对海量的数据,用户很难从中找到感兴趣的信息。而推荐系统是解决该问题的一个重要工具,受到了学术界和工业界的广泛关注。但现有微博推荐算法还存在着交互行为时效性考虑不足、数据稀疏条件下推荐准确率低以及群组硬划分等问题。针对上述问题,本文在研究分析现有微博推荐算法的基础上,提出基于联合概率矩阵分解的微博推荐算法和基于拓扑势的微博推荐算法。本文主要的研究内容包括以下三个方面:(1)提出基于联合概率矩阵分解的微博推荐算法。针对交互行为时效性考虑不足的问题,本文在用户之间点赞、转发和评论等交互行为基础上,通过引入遗忘函数,提出一种能区分不同时间段交互行为的影响力评估模型;针对数据稀疏条件下推荐准确率低的问题,引入联合概率矩阵分解方法对用户相似度矩阵和影响力矩阵进行联合概率矩阵分解,缓解了数据稀疏条件下推荐准确率不高的问题。(2)提出基于拓扑势的微博推荐算法。针对群组硬划分的问题,本文使用LDA主题模型分析微博文本的主题,并结合用户自定义标签构建用户兴趣偏好向量,使用KL距离计算用户偏好向量之间的相似度距离,引入拓扑势，根据用户间偏好相似度距离对用户进行聚类,划分出用户群组,实现用户重叠群组划分。(3)设计并实现了微博推荐系统。本文将基于联合概率矩阵分解的微博推荐算法和基于拓扑势的微博推荐算法应用于微博推荐系统,系统包含数据源模块、预处理模块以及微博推荐模块。数据源模块主要功能是爬取微博数据,预处理模块主要是对爬取的数据进行清洗、分类,微博推荐模块实现了两种推荐算法,向用户推荐符合其兴趣的内容。
基于多关系的矩阵分解推荐算法研究
这是一篇关于社交关系,矩阵分解,社团结构划分,协同过滤的论文, 主要内容为信息时代的迅速发展,为人们提供了诸多便利,但是大量的数据同时也给人们带来一定的困扰,导致用户选择信息比较困难,因此推荐系统的出现就是为了帮助人们解决这一出现的问题。由于每个用户都存在于各种社交关系中,所以将社交关系与推荐系统进行结合成为可以有效的帮助人们得到自己想要的信息。现实世界中用户不可能存在于一种社交关系中,并且对于该用户来说,并且每一种社交关系对推荐效果产生的作用也是存在差别的,但现有的社会化推荐算法往往只引入了一种社交关系,因此将大大降低推荐的准确率。为了改善这种现象,本文基于已有的社会化推荐算法,实现推荐系统与多种社交关系的结合,通过在数据集Epinions上实验得出结果,具体研究内容和结果如下:1.传统的矩阵分解推荐算法没有引入社交关系,或者只引入了一种社交关系,忽略了多种社交关系的对推荐产生的作用,因此本文在多子网复合复杂网络模型的基础上,提出了MDRS2推荐算法,首先将用户商品评分矩阵进行分解,得到用户和商品的潜在特征空间,通过这两个特征空间进行内积,对空白评分进行预测,根据提出的模型得到损失函数,然后利用梯度下降不断的进行迭代,直到得到最优解,利用得到的预测值,完成对用户的推荐。通过实验结果表明,结合多种社交关系的推荐算法,相比之前不加社交关系或者只考虑一种关系的推荐算法,推荐结果有所提高,因此可以更好的服务于用户。2.虽然引入社交关系改善了推荐的结果,但是对于整个数据集来说,数据依然存在较高的稀疏性,因此提出了基于社团结构划分的概率矩阵分解推荐算法,利用聚类算法将影响力相近的用户划分到同一社团,目的是为了改善数据的稀疏性,然后根据协同过滤推荐算法,依据条件概率找到用户的邻居用户,通过邻居用户给出的评分,预测空白评分,通过这一步完成第一次数据填充,将得到一个全新的用户商品评分矩阵,结合前文提出的MDRS2推荐算法模型,将填充完的数据进行再一次分解,对数据进行第二次评分预测,这将大大降低数据的稀疏性,实验结果表明,通过降低数据的稀疏性使得推荐结果进一步得到改善。
基于用户社交关系的推荐系统研究
这是一篇关于推荐系统,社交关系,社会化推荐,偏置信息,矩阵分解的论文, 主要内容为当今时代,庞大的信息充斥着人们的生活,伴随而来的信息过载现象成为了困扰人们的首要问题。推荐系统在帮助消费者便捷地找到所需商品的同时,也可以促进商品的销售,对商品生产者和消费者都是至关重要的。对于一个推荐系统来说,准确度是其最重要的指标之一,除了挖掘用户和物品本身的联系之外,推荐系统还可以利用时间序列、社交信息、标签数据、热点数据等来提高推荐系统的质量。随着互联网的快速普及,以社交关系为核心的社交网络逐渐受到了越来越多的关注。在现实中,对受信任朋友推荐的商品,用户总是乐于接受并且通常效果非凡,而且拥有相似社交关系的用户们往往有相似的偏好,深度关联的用户之间也通常更容易互相影响。基于用户社交关系的推荐系统正是通过社交关系来进行物品推荐的,先根据人与人之间的社交关系构建出用户社交网络,再通过社交网络来为用户推荐最有可能想要的商品。相比其他推荐算法,这种算法通常拥有更高的精准度和可解释性,也更容易被用户接受。虽然用户社交关系在推荐系统之中应用广泛,但依然问题颇多。社交关系大多都是通过用户授权来获得的,这种方式虽然可以更为直接地体现用户的主观意愿,但是往往以牺牲用户的隐私为代价,而且在此期间所要付出的时间成本也令用户难以接受。由于隐私和时间成本的影响,稀疏的社交网络往往会造成模型的严重失真,进而导致巨大的推荐偏差。此外,用户显性社交关系大多只利用信任关系,单一的信任关系并不能很好地体现用户之间的潜在联系,严重制约了推荐系统的精确度。针对这些问题,本文进行了以下研究:(1)提出了基于用户偏置和隐性社交关系的矩阵分解算法(Matrix Factorization Algorithm Based on User Bias and Implicit Social Relations,NMFPS)。首先,该算法通过用户相似度和全局社交关系计算出用户隐性社交关系值,再引入用户偏置向量来表达用户本身的评分偏好,然后,将社交关系矩阵进行降维,通过Batch Norm批量训练降维后的用户社交向量、用户偏置向量、用户特征向量和物品特征向量来平衡用户社交关系和用户偏置的权重,最后,使用最优化算法Adam来获得最佳的用户向量和物品向量。(2)提出了融合社交关系相似度的偏置概率矩阵分解算法(Bias probability matrix factorization algorithm Based on social similarity,TSSPMF)。首先,该算法通过0-1信任关系计算出用户彼此之间的社交关系,然后,利用用户社交关系矩阵计算出社交关系相似度矩阵,接着将社交关系相似度矩阵和社交关系矩阵进行矩阵分解,使得两个矩阵共用同一组用户特征向量,通过用户特征向量来对两个矩阵进行约束。同时加入偏置项来表达用户和物品的偏好,从而更好地刻画用户和物品的特征。最后,使用概率矩阵分解模型融合社交关系矩阵和社交关系相似度矩阵并迭代求解。(3)设计了基于用户社交关系的推荐系统应用平台(Recommender System Based on User Social Relations,USRS),该平台通过显性社交关系和隐性社交关系的融合来为平台参与者推荐电影,即使是初次接触平台的用户也能获得良好的使用体验,可以显著缓解推荐系统的冷启动现象。此外,推荐系统还能在用户浏览商品时收集隐性社交信息,不断修正用户偏好,进一步优化用户模型。用户使用平台的时间越长,推荐效果越好。
融合多元文本信息与用户偏好的商品推荐方法研究
这是一篇关于个性化推荐,情感分类,社交关系,门控循环单元,注意力机制,循环神经网络的论文, 主要内容为社会经济的发展极大地改善了人民的生活,人民群众对物质文化生活的美好愿景不断增强。同时,人类已步入大数据时代,如何从海量数据中挑选出用户感兴趣的信息并将其推荐给用户,已成为商家和用户共同关注的焦点。因此,个性化推荐系统应运而生。用户评论蕴含了丰富的情感信息,传统推荐方法对此考虑较少。一些研究虽引入文本处理方法,但也仅是对用户评论这种单一文本进行处理,并且无法根据用户偏好对评论进行细粒度的情感分类,这些因素限制了情感分类的准确率。在情感分类中综合利用多元文本和用户偏好,可以得到更加准确的情感极性。另外,现有推荐方法也没有充分利用用户偏好中的时间特征,时间特征是用户偏好的重要组成部分,对其加以利用可使用户偏好建模更加准确。同时,用户的兴趣爱好也在不断变化,这种变化既有用户随时间和阅历的增加自主产生的变化,又有其他用户对其产生的影响,现有方法往往只注重对用户偏好进行建模而缺乏对社交关系的利用,综合考虑这些因素可以提高商品推荐的准确率。本文针对上述问题开展商品推荐研究,提出了一种融合多元文本信息与用户偏好的商品推荐方法,该方法由两部分组成:第一部分是融合多元文本信息和注意力机制的方面级情感分类方法,该方法的功能是对用户评论进行情感分类,以提取出评论文本中用户观点的情感极性;第二部分是基于多维特征的商品推荐方法,该方法对所得到的情感极性加以利用,并结合时间因素得到了更加准确的用户偏好向量,又综合利用用户偏好和社交关系得出了更加准确的推荐结果。下面分别对这两个部分进行说明。(1)融合多元文本信息和注意力机制的方面级情感分类方法。本文针对现有情感分类方法对评论文本中的用户情感信息挖掘不充分的问题,综合利用多元文本、注意力机制以及用户偏好提出了一种新的情感分类方法。对于商品来说,其简介文本是对该商品最为直观的描述,传统的情感分类方法往往只对用户评论进行处理,而本文综合利用商品简介和用户评论这两种不同的文本。首先分别对两种文本进行切片处理,得到多个子序列,利用注意力机制使两种文本互相作用,即可得到融合商品简介和用户评论的文本表示;然后在正向和反向分别对文本信息进行处理以此更加充分地提取文本信息的隐藏特征;最后对文本信息中涉及的不同方面分别用对应的方面处理模块进行训练,根据用户偏好得到用户最感兴趣的方面,将文本特征向量输入该方面处理模块,进行方面级情感极性计算,最终得到更加精确的情感分类结果。(2)基于多维特征的商品推荐方法。本文针对现有推荐方法对用户偏好建模不准确以及缺乏对社交关系利用的问题,综合利用情感极性、时间因素以及社交关系提出了一种新的商品推荐方法。本文首先分别根据用户评论得到用户对于商品的情感极性,根据用户的历史行为得到用户对商品时间属性的偏好;然后通过在GRU模型中增加门控单元使两种信息得到融合。之后利用用户兴趣演化网络捕捉用户兴趣的变化过程,即可根据用户兴趣向量得到基于用户偏好的商品评分;同时,根据用户的评论行为构建其社交关系网络,通过对社交关系的抽取可以得到基于社交关系的商品评分,将两种评分利用自适应时间函数加以融合,即可得到最终的商品评分,进而可以产生更加准确的商品推荐结果。最后,本文对所提方法进行了实验验证,采用准确率、查准率、召回率和F值作为评价指标。实验结果显示,本文提出的融合多元文本信息与用户偏好的商品推荐方法相较于其他对比方法在各项指标上表现更为优秀。
基于社交关系下用户兴趣偏好的协同聚类集成算法研究
这是一篇关于协同过滤推荐,兴趣偏好,社交关系,聚类集成,相似度的论文, 主要内容为互联网的普及和信息技术的发展,引起数据爆炸式增长,使“信息过载”问题日益严重,而依赖用户历史信息为用户提供个性化推荐的推荐系统有效缓解了该问题带来的困扰。推荐系统的核心是通过推荐算法挖掘用户潜在的兴趣和偏好,主动为用户提供精准推荐。因此,如何深入准确挖掘用户兴趣偏好以提高推荐准确性一直是推荐系统领域研究的一个热点问题。目前多数研究者主要是通过用户历史评分和社交关系信息建立不同的模型来挖掘用户的兴趣偏好,但存在的一个普遍问题是忽略了兴趣和偏好的差异。因此,本文通过明确定义用户兴趣和偏好概念,以提出更加精确的推荐算法。为提高推荐的准确性并缓解传统协同过滤推荐算法存在的数据稀疏、冷启动、扩展性差的问题,本文提出了基于社交关系下用户兴趣偏好的协同聚类集成算法SIPCE(collaborative clustering ensemble algorithm based on users’interests and preferences under social relation)。鉴于目前在非监督数据集上都是研究用户对单个项目的兴趣偏好,缺乏对用户整体兴趣偏好的挖掘,因此,SIPCE算法首先在非监督数据集上采用矩阵分解算法获取项目的潜在特征向量,并对其进行聚类以表示项目的类型信息,以此研究非监督数据集上用户对项目类型的兴趣偏好;其次,在构造兴趣偏好模型时,为提高推荐性能,SIPCE算法通过明确区分兴趣和偏好差异,结合各自特点,引入专家用户和直接信任用户两个社交关系,再将项目按照评价主体加权融合计算用户兴趣和偏好,构造基于项目类型的用户兴趣矩阵和偏好矩阵,缓解了数据稀疏和冷启动问题。然后,为缓解单一聚类算法存在的降低推荐准确性问题,在计算相似度前,采用聚类集成方法对用户兴趣和偏好矩阵分别进行聚类。最后,基于聚类簇计算相似度,并进一步将兴趣和偏好相似度进行融合,寻找兴趣和偏好都相似的用户进行推荐,使推荐的结果更加准确。本文算法在解决传统协同过滤存在的问题的同时,对用户兴趣和偏好进行明确的定义,研究兴趣和偏好对推荐系统的综合影响。实验部分通过两个公开的数据集,研究了用户兴趣和偏好在不同评价指标下对推荐系统的不同影响,以及聚类集成方法对提高推荐算法精度的有效性,并将本文算法与其它经典推荐算法进行比较,实验结果表明本文算法可以进一步提高推荐性能,且对冷启动用户也表现出较好的效果。
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：源码码头网 ，原文地址：https://m.bishedaima.com/lunwen/48228.html
