基于混合协同过滤的电影推荐系统的设计与实现
这是一篇关于协同过滤,项目属性,信息熵,兴趣变化,JSP技术的论文, 主要内容为信息过载是由Web2.0互联网时代信息急速增长带来的严重消极影响,而个性化推荐技术是解决该问题的有力武器。协同过滤是目前应用最广泛和最成功的推荐技术。但是传统的协同过滤算法存在数据稀疏和用户兴趣变化问题,算法精度受限。为了解决上述问题,本文在前人研究基础上提出了一种融合项目属性和时间因素的混合协同过滤算法。此外,考虑到每一天、每个时间段都会有大量的新电影上映,这些电影数量多、种类广、质量层次不齐,用户面临着电影信息过载问题。为此,本文将改进的算法应用到解决实际问题当中,设计并实现了一个以B/S架构为基础的电影推荐系统。所做的工作涵盖以下几点:第一、针对数据稀疏性问题,提出一种基于信息熵的综合相似度计算方法。该方法利用项目属性信息比较稳定、不受评分稀疏性影响的优势,在计算评分相似度的同时,进行项目属性相似度的计算,从而深刻挖掘项目之间的内在联系,提高项目相似度计算的准确性。第二、为了解决用户兴趣变化问题,构建了一种适应于不同用户群体的兴趣变化模型。该模型包括两种权重,第一种时间权重是受艾宾浩斯记忆曲线启发,通过指数衰减函数来模拟用户兴趣的变化过程,并为不同用户群体设置不同的衰减系数,从而突出近期用户行为数据的重要性。第二种权重是基于项目相似度的数据权重,通过计算历史访问项目与近期时间窗口T内的相关性,旨在克服单纯依靠第一种权重带来的弊端:削弱所有早期行为数据包括有价值的。第三、根据设计的改进算法,构建了一个基于B/S架构的电影推荐系统,包括数据库模块、离线计算模块、在线智能推荐模块、系统信息管理模块等。系统在Java Web开发环境下使用jsp和servlet相关技术实现,这不仅可以提供一种高效、简洁的编程手段,而且能够增强网页的独立性和可重用性。第四、通过实验分析比较所设计的算法与传统推荐算法在性能和效果上的差异,讨论融合项目属性和时间因素对推荐算法的影响。实验结果表明,改进后的算法能够缓解数据稀疏问题,而适应于不同用户群体兴趣变化模型的引入,增强了算法对时间因素的敏感性,从而提高了算法的准确率。设计与实现的电影推荐系统在对电影信息进行有效管理的同时,还能够为用户提供有针对性的电影资讯推荐服务。
基于图神经网络的协同过滤推荐算法研究
这是一篇关于推荐系统,协同过滤,社区发现,项目属性,图神经网络的论文, 主要内容为互联网的发展带来了严重的信息过载问题,推荐系统作为缓解该问题的主要手段,已经成为学术界和工业领域的研究热点。其中,协同过滤算法应用最为广泛,但仍存在数据稀疏时效果欠佳、难以发掘高阶交互信息等问题。本文以图神经网络为依托,设计了两种基于图卷积神经网络的协同过滤推荐算法,用以缓解上述问题,达到更好的推荐效果。本文从探究用户的潜在属性出发,提出了一种基于社区发现与图神经网络的推荐算法CD-GCN。在该算法设计中,本文首先探究了真实数据集中用户和项目交互的分布规律,建立了一种通过用户和项目交互信息构建的加权用户-用户交互网络,结合该网络进行社区发现找到用户的潜在特征。然后引入项目属性信息作为辅助信息,采用图卷积神经网络设计了一种基于社区发现与图神经网络的协同过滤推荐算法,并在真实的推荐系统数据集中验证了其效果。在协同过滤算法中,将项目的属性作为节点与用户和项目一起构建为三部图进行图神经网络的推荐同样是一种推荐算法实现方式。这种方式将属性作为节点进行图表示学习,更适用于无人工特征工程的场景下。本文基于此方式提出了一种轻量级的基于属性与注意力机制的图神经网络推荐算法light-A2GCN,与现有方法不同的是,本文对GCN模块进行优化,舍去冗余的非线性激活部分,同时构建了一个前置模型对属性标签节点进行初始化,提高了算法的性能,并同样在真实数据集中验证了算法效果。图17幅,表8个,参考文献71篇
协同过滤算法在个性化推荐系统中的研究
这是一篇关于个性化推荐系统,协同过滤算法,项目属性,MAE的论文, 主要内容为随着互联网和电子商务的发展,信息过载现象越发的严重,导致人们在寻找自己所需的信息时要耗费越来越多的时间与精力,有时候还可能迷失在众多信息之中,忘记自己真正需要的信息是什么。虽然搜索引擎可以在一定程度上帮助用户过滤信息,但是这仅仅是针对那些明确知道自己所需的信息或者商品是什么的用户,对于那些需求比较模糊的用户其帮助程度就可能就不那么明显了。在这种情况下,个性化推荐系统就应运而生了。因为它不仅可以帮助人们过滤信息或物品,而且可以主动为用户推荐他们可能感兴趣的信息或物品。但随着用户数量和信息种类的快速增加,当前的个性化推荐系统也面临着一些挑战。本文重点就是针对当前个性化推荐系统中的协同过滤算法的冷启动和稀疏性进行相应的优化改进。首先,对个性化推荐系统的相关基本理论知识进行详细的介绍和整理。然后,对协同过滤算法的基本思想与其常用的算法进行分析与总结,随后对当前协同过滤算法存在不足进行整理,进一步分析其产生的原因。根据分析的结果,提出一种添加项目属性类别的协同过滤算法,该算法对其传统的相似性度量方法了进行优化,即在计算项目之间的相似度时增加了一个项目属性类别的参数。这样就弥补了传统的度量方法在计算项目之间的相似性时,把不同类别的项目之间进行比较,从而导致其项目的最近邻居不准确。该算法的基本思想是先利用项目自身属性对其进行分类,然后根据分类的情况在类内进行其相似性的计算,计算是采用改进后的公式,即添加项目属性参数的公式来进行项目之间的相似性计算,其次根据其相似性的计算结果生成目标项目的最近邻居集,然后根据其最近邻居在类内对其评分进行预测,把评分较高的前N项作为Top-N输出。最后,利用Movielens网站提供的开源数据包对改进后的算法进行相关的验证,选取平均绝对误差(MAE)作为衡量其算法准确度的标准。通过对比改进前后算法的MAE,可以直观的看出改进后的算法在一定程度上降低了冷启动和稀疏性对推荐算法精确度的影响,提高了推荐系统的推荐效果。
社交网络中基于深度特征学习的推荐算法研究
这是一篇关于推荐系统,深度学习,项目属性,社交网络,注意力机制的论文, 主要内容为伴随移动互联网发展而来的是信息资源的不断增长和社交网络的蓬勃发展,海量资源在给人们日常生活带来便利的同时也为信息的有效筛选增加了困难。基于深度学习的推荐算法可以实现有效的特征提取,对推荐系统辅助信息中隐藏的深层特征进行挖掘可以缓解数据稀疏问题。此外,通过提取用户社交网络中所蕴含的信息能够提高推荐质量。因此,基于深度特征学习研究社交网络中的推荐算法具有一定的意义。针对社交网络中基于深度特征学习的推荐算法展开研究,主要包括以下两个方面:一是传统的推荐系统在推荐过程中仅仅考虑使用用户对项目的评级进行评分预测,忽略了在推荐过程中除用户项目评级以外的其他辅助信息所带来的影响;二是基于社交网络的推荐模型如果仅仅考虑将用户项目交互信息和用户社交网络信息作为两个独立的任务来获取用户感兴趣的内容,这在一定程度上会忽略用户偏好在社交网络上的具体传播过程,这为用户最终生成的推荐列表的准确性会产生了一定的影响。针对以上问题,本文的主要工作和研究成果如下:(1)针对传统的推荐系统在推荐过程中仅仅考虑使用用户对项目的评级造成评分预测准确率低的问题,提出了一种基于评分矩阵和项目属性的深度推荐模型。首先,将运用静态编码方法表征出的用户和项目属性向量作为深度神经网络的部分输入,同时利用多层神经网络学习出用户和项目以及两者在属性边信息上的一阶特征;其次,在两者的一阶特征基础上进行特征映射和特征拼接操作获取用户和项目的二阶和深度特征,最后根据用户和项目的深度特征实现评分的预测。在不同推荐数据集上的实验结果表明所提出的推荐模型能够有效缓解评分矩阵稀疏问题,且其多数评分预测的指标都优于目前其他的推荐模型。(2)针对传统的社交推荐模型存在的用户项目交互信息和用户社交网络信息融合度不高的问题,提出了一种基于图神经网络的偏好传播社交推荐模型。首先,对用户和项目进行嵌入层编码并作为图神经网络的输入,同时定义了用户的高阶信任和波纹集合;其次,运用注意力机制对波纹集合中的项目和高阶信任集合中的用户所蕴含的偏好信息进行聚合与传播,最后根据偏好传播后所得的用户特征实现评分的预测。除此之外,在真实数据集上进行的不同实验结果证明所提出的推荐模型能够充分结合用户项目交互信息和用户社交网络信息传播用户偏好,与其他推荐模型相比较,所提出的模型在预测和分类准确度方面都有一定的提高。
基于图神经网络的协同过滤推荐算法研究
这是一篇关于推荐系统,协同过滤,社区发现,项目属性,图神经网络的论文, 主要内容为互联网的发展带来了严重的信息过载问题,推荐系统作为缓解该问题的主要手段,已经成为学术界和工业领域的研究热点。其中,协同过滤算法应用最为广泛,但仍存在数据稀疏时效果欠佳、难以发掘高阶交互信息等问题。本文以图神经网络为依托,设计了两种基于图卷积神经网络的协同过滤推荐算法,用以缓解上述问题,达到更好的推荐效果。本文从探究用户的潜在属性出发,提出了一种基于社区发现与图神经网络的推荐算法CD-GCN。在该算法设计中,本文首先探究了真实数据集中用户和项目交互的分布规律,建立了一种通过用户和项目交互信息构建的加权用户-用户交互网络,结合该网络进行社区发现找到用户的潜在特征。然后引入项目属性信息作为辅助信息,采用图卷积神经网络设计了一种基于社区发现与图神经网络的协同过滤推荐算法,并在真实的推荐系统数据集中验证了其效果。在协同过滤算法中,将项目的属性作为节点与用户和项目一起构建为三部图进行图神经网络的推荐同样是一种推荐算法实现方式。这种方式将属性作为节点进行图表示学习,更适用于无人工特征工程的场景下。本文基于此方式提出了一种轻量级的基于属性与注意力机制的图神经网络推荐算法light-A2GCN,与现有方法不同的是,本文对GCN模块进行优化,舍去冗余的非线性激活部分,同时构建了一个前置模型对属性标签节点进行初始化,提高了算法的性能,并同样在真实数据集中验证了算法效果。图17幅,表8个,参考文献71篇
基于自编码器与注意力机制的项目属性感知推荐算法研究
这是一篇关于推荐系统,自编码器,注意力机制,项目属性的论文, 主要内容为随着科学技术的快速发展,用户可获取的信息越来越多,随之而来的“信息过载”问题造成了用户很难在海量信息中快速定位自身所感兴趣的内容。推荐系统作为解决这一问题的有效手段而受到广泛的重视。然而随着用户和项目的数量不断增长,导致个性化推荐面临着一些挑战:其一,用户对项目的历史交互信息中包含着丰富的数据信息,如何有效的建模这些数据来学习户和项目的特征,对于预测用户的偏好至关重要。其二,现有的低阶线性推荐模型难以挖掘用户和项目之间更高阶的非线性关系。其三,项目属性作为一种辅助信息,能够缓解冷启动问题。但如何有效利用项目属性信息,来实现个性化推荐仍是一个值得研究的问题。基于以上提出的三个问题本文的贡献如下:(1)为了克服传统推荐模型仅仅将用户和项目的向量信息嵌入到低维空间中,从而造成信息丢失的问题。设计了基于改进自编码器的模型,通过多层次的网络结构来保留用户/项目历史数据中重要的信息,并在潜层空间中捕捉更为抽象的特征表达,以此来更有效建模用户偏好。(2)为了充分学习用户和项目特征向量之间的复杂交互关系,分别通过两种不同的方式来对交互过程进行建模。一方面,通过向量点乘来学习它们之间的低阶线性关系,另一方面,将向量拼接并通过多层感知机来学习其高阶非线性关系。(3)为了有效缓解稀疏性问题,将项目属性信息融入模型中。并且通过双重注意力机制来建模用户更个性化的偏好。首先,通过局部注意力网络挖掘用户对项目不同属性的细粒度偏好,然后根据全局注意力网络来衡量用户对项目的整体偏好和细粒度偏好对用户最终做出决策的不同影响。最终,在两个公开数据集上进行大量实验并通过和多种算法在不同指标下进行对比,来验证所提模型的有效性。
基于自编码器与注意力机制的项目属性感知推荐算法研究
这是一篇关于推荐系统,自编码器,注意力机制,项目属性的论文, 主要内容为随着科学技术的快速发展,用户可获取的信息越来越多,随之而来的“信息过载”问题造成了用户很难在海量信息中快速定位自身所感兴趣的内容。推荐系统作为解决这一问题的有效手段而受到广泛的重视。然而随着用户和项目的数量不断增长,导致个性化推荐面临着一些挑战:其一,用户对项目的历史交互信息中包含着丰富的数据信息,如何有效的建模这些数据来学习户和项目的特征,对于预测用户的偏好至关重要。其二,现有的低阶线性推荐模型难以挖掘用户和项目之间更高阶的非线性关系。其三,项目属性作为一种辅助信息,能够缓解冷启动问题。但如何有效利用项目属性信息,来实现个性化推荐仍是一个值得研究的问题。基于以上提出的三个问题本文的贡献如下:(1)为了克服传统推荐模型仅仅将用户和项目的向量信息嵌入到低维空间中,从而造成信息丢失的问题。设计了基于改进自编码器的模型,通过多层次的网络结构来保留用户/项目历史数据中重要的信息,并在潜层空间中捕捉更为抽象的特征表达,以此来更有效建模用户偏好。(2)为了充分学习用户和项目特征向量之间的复杂交互关系,分别通过两种不同的方式来对交互过程进行建模。一方面,通过向量点乘来学习它们之间的低阶线性关系,另一方面,将向量拼接并通过多层感知机来学习其高阶非线性关系。(3)为了有效缓解稀疏性问题,将项目属性信息融入模型中。并且通过双重注意力机制来建模用户更个性化的偏好。首先,通过局部注意力网络挖掘用户对项目不同属性的细粒度偏好,然后根据全局注意力网络来衡量用户对项目的整体偏好和细粒度偏好对用户最终做出决策的不同影响。最终,在两个公开数据集上进行大量实验并通过和多种算法在不同指标下进行对比,来验证所提模型的有效性。
社交网络中基于深度特征学习的推荐算法研究
这是一篇关于推荐系统,深度学习,项目属性,社交网络,注意力机制的论文, 主要内容为伴随移动互联网发展而来的是信息资源的不断增长和社交网络的蓬勃发展,海量资源在给人们日常生活带来便利的同时也为信息的有效筛选增加了困难。基于深度学习的推荐算法可以实现有效的特征提取,对推荐系统辅助信息中隐藏的深层特征进行挖掘可以缓解数据稀疏问题。此外,通过提取用户社交网络中所蕴含的信息能够提高推荐质量。因此,基于深度特征学习研究社交网络中的推荐算法具有一定的意义。针对社交网络中基于深度特征学习的推荐算法展开研究,主要包括以下两个方面:一是传统的推荐系统在推荐过程中仅仅考虑使用用户对项目的评级进行评分预测,忽略了在推荐过程中除用户项目评级以外的其他辅助信息所带来的影响;二是基于社交网络的推荐模型如果仅仅考虑将用户项目交互信息和用户社交网络信息作为两个独立的任务来获取用户感兴趣的内容,这在一定程度上会忽略用户偏好在社交网络上的具体传播过程,这为用户最终生成的推荐列表的准确性会产生了一定的影响。针对以上问题,本文的主要工作和研究成果如下:(1)针对传统的推荐系统在推荐过程中仅仅考虑使用用户对项目的评级造成评分预测准确率低的问题,提出了一种基于评分矩阵和项目属性的深度推荐模型。首先,将运用静态编码方法表征出的用户和项目属性向量作为深度神经网络的部分输入,同时利用多层神经网络学习出用户和项目以及两者在属性边信息上的一阶特征;其次,在两者的一阶特征基础上进行特征映射和特征拼接操作获取用户和项目的二阶和深度特征,最后根据用户和项目的深度特征实现评分的预测。在不同推荐数据集上的实验结果表明所提出的推荐模型能够有效缓解评分矩阵稀疏问题,且其多数评分预测的指标都优于目前其他的推荐模型。(2)针对传统的社交推荐模型存在的用户项目交互信息和用户社交网络信息融合度不高的问题,提出了一种基于图神经网络的偏好传播社交推荐模型。首先,对用户和项目进行嵌入层编码并作为图神经网络的输入,同时定义了用户的高阶信任和波纹集合;其次,运用注意力机制对波纹集合中的项目和高阶信任集合中的用户所蕴含的偏好信息进行聚合与传播,最后根据偏好传播后所得的用户特征实现评分的预测。除此之外,在真实数据集上进行的不同实验结果证明所提出的推荐模型能够充分结合用户项目交互信息和用户社交网络信息传播用户偏好,与其他推荐模型相比较,所提出的模型在预测和分类准确度方面都有一定的提高。
基于协同过滤的个性化新闻推荐系统的研究与实现
这是一篇关于个性化推荐系统,协同过滤,用户偏好,项目属性,评分矩阵的论文, 主要内容为随着互联网技术的发展,人们已经由信息匮乏时代迈进信息过载时代。海量的信息资源使得人们很难找到自己感兴趣的内容,这一用户需求促进了个性化推荐系统的发展。个性化推荐系统以其能够过滤大量无用信息,预测用户潜在喜欢内容的优势,得到了各领域越来越广泛的应用。本文研究的是个性化推荐系统在新闻领域的应用,虽然新闻个性化推荐已经在理论研究中取得了长足发展,但仍有很多问题亟待解决,如:数据稀疏性问题、冷启动问题、可扩展性问题等。因此本文把解决个性化新闻推荐系统中的数据稀疏性和冷启动问题作为研究重点,其主要工作有:(1)提出一种基于用户偏好和项目属性的协同过滤推荐算法(IAUPCF)。本算法在传统的用户项目评分矩阵的基础上,融入用户偏好和项目属性,把评分矩阵转换成基于用户偏好和项目属性的评分矩阵(IAUPEM),然后根据IAUPEM计算目标用户最近邻居集。此改进算法解决了传统相似性计算只依赖用户评分值而造成数据稀疏的问题。(2)提出一种新的有效预测评分值方法,使用该方法进行预测值判定,能够降低“时间效应”对推荐结果的影响,得到更准确的用户兴趣模型,使经过预测计算后的值更接近真实情况,从而提高推荐精度。(3)设计并实现一个简单的基于协同过滤的个性化新闻推荐系统,本系统基于IAUPCF算法,能够实时准确地向用户推荐其感兴趣的新闻。本文提出的IAUPCF算法不仅能够有效地弥补传统协同过滤算法中的不足,还能明显提高系统推荐精度,更为新闻推荐系统的改进提供了一种新的研究思路。
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：源码客栈 ，原文地址：https://m.bishedaima.com/lunwen/48342.html
