基于上下文的流式推荐算法研究
这是一篇关于流式数据,矩阵分解,上下文,信息增益,流式推荐算法的论文, 主要内容为推荐系统基于用户历史数据为用户提供个性化建议,是克服信息过载的一种有效手段。随着推荐系统的日益普及,推荐系统中数据的时序性、连续性、高速性和时变性等特点使数据满足流式性质,对传统的基于静态数据构造的推荐系统提出了巨大的挑战,而基于流式数据的推荐系统能够更加有效地处理流式性质的数据。基于矩阵分解的流式推荐算法不仅可以解决传统矩阵分解算法无法处理数据稀疏性的问题,并且能够解决数据流环境下的推荐问题。最近的研究中,基于马尔科夫矩阵分解的推荐算法(MFMP算法),将矩阵分解技术与马尔科夫相关知识相结合,可以实时更新系统中用户和项目隐特征向量。然而,MFMP算法仍存在以下问题:首先,随着时间的推移,MFMP算法无法处理系统中产生的新用户、新项目;其次,算法未考虑上下文信息对用户偏好的影响。针对以上问题,本文进行了如下几点研究。(1)首先,本文针对推荐系统中不断产生的新用户和新项目,提出了一种面向新用户和新项目的马尔科夫矩阵分解推荐算法(Markov Matrix Decomposition Recommendation Algorithm for New Users and New Items,简称 iMFMP)。iMFMP 算法解决了在没有任何历史数据的前提下,如何有效获取新产生用户和新产生项目的隐特征向量的问题。最后,通过基于Movielens-1M数据集的两组对比实验,验证了iMFMP算法的评分预测性能以及推荐性能,证明了算法中获取新产生用户和新产生项目隐特征向量方法的有效性。(2)为了验证用户对项目评分时所处的上下文环境是否会对用户的偏好产生影响,本文在iMFMP算法的基础上提出了一种基于上下文的流式推荐算法(Streaming Recommendation Algorithmbasedon Context,简称 C-iMFMP)。为了从嘈杂的上下文中有效选取与评分相关的上下文信息,首先在C-iMFMP算法中提出了一种基于信息增益的上下文信息与评分相关性分析方法,在此方法的基础上将选取的上下文信息分为主观上下文和客观上下文两类,并依次将两类上下文信息与算法相融合。最后,基于LDOS-CoMoDa数据集的两组对比实验显示,C-iMFMP算法无论是评分预测性能还是推荐性能均优于其余对比算法。
基于上下文的微服务自适应调用技术研究
这是一篇关于微服务,实例选择,消息队列,上下文,自适应调用的论文, 主要内容为随着软件系统的不断更新和迭代,软件系统变得越来越庞大和臃肿,这为系统后期的开发和维护带来了很大的不便。为了解决这一问题,业界提出了微服务架构的概念。微服务架构将系统拆分为多个微服务,每个微服务实现独立的业务功能。但是,由于微服务是通过集群的方式进行部署的,同一个微服务对应多个微服务实例,这就给微服务请求的响应和微服务的调用执行带来了困难。本文从服务请求队列的调整和微服务实例的选择等方面对微服务调用技术进行了深入研究,目的是提高微服务实例选择的准确性和微服务的执行效率,进一步实现高质量的微服务应用。本文在对微服务、上下文以及消息队列等理论和技术进行分析和研究的基础上,对基于上下文的微服务自适应调用技术进行了深入研究。首先,设计了一个微服务自适应调用框架,该框架给出了微服务实例自适应调用的整个过程,达到了微服务实例的准确调用、用户请求的正确发送以及根据服务器的实际负载实时调整所要调用的微服务实例的目的。提出了一种基于消息队列的微服务请求队列调整算法,并将其应用到微服务自适应调用框架中,达到了微服务之间通信的异步性和微服务之间的解耦,并且可根据服务器的负载情况来调整微服务请求队列内部的请求顺序,提高了服务执行效率。同时,提出了一种基于上下文的微服务实例选择算法,该算法综合考虑了 Web服务中的QoS信息和用户上下文信息,同时还考虑了微服务集群中的服务器负载信息,结合QoS、用户上下文以及服务器负载这三类上下文信息来动态获取用户偏好权重向量,从用户访问的历史全局考虑各个上下文对用户所需服务实例的影响,使得选择结果平衡了主客观因素,提高了服务实例选择的准确度和服务执行效率。接下来,对基于上下文的微服务自适应调用框架进行了实现并将本文提出的微服务请求队列调整算法和微服务实例选择算法与其他的一些相关算法进行了实验对比。最后,结合一个微服务部署及调用的实际应用案例验证了本文研究的基于上下文的微服务自适应调用框架和算法的有效性及可用性。
基于上下文的信息推荐系统研究
这是一篇关于上下文,推荐系统,感性工学,文本挖掘,主题模型的论文, 主要内容为随着大数据时代的到来,“信息过载”问题愈发严重,为了解决信息提供者与信息使用者需求良好匹配的问题,互联网智能化产品——推荐系统应运而生。本文基于上下文的信息推荐系统(Context-Aware Recommender System,CARS)研究是以传统推荐系统为基础,是它的拓展与延伸。文中给出的基于情感上下文因素的信息推荐模型分别通过语义差分法制定态度量表和挖掘信息产品文本评论两种常见方式提取用户情感偏好,并在此基础上将用户情感因素融入到推荐模型中,使得推荐系统带来更高的精确度和更好的用户满意度。主要研究工作如下:1.基于用户感性语义上下文信息推荐方法研究。针对新产品推荐过程中的评价匹配问题,给出了一种面向用户特殊需求偏好的感性推荐方法。首先通过语义差分法和语义变量设计问卷获得待估新信息产品的感性信息数据以及在用户不同偏好关系下的感性目标可能性分布;然后提出了以用户感性需求为导向的推荐效用函数,并运用混合加权平均算子对各方案匹配信息集结计算;最后,依据效用函数值大小对各方案进行排序。尤其针对用户特殊需求给定时,该模型效用函数可以计算出新产品与用户特殊偏好的匹配程度。并将其应用于智能家电产品方案的推荐优选中,实例计算表明,本研究给出的方法具有可行性和实用性。2.用户情境感知的上下文信息推荐系统研究。探索从文本评论信息中挖掘用户情境/情绪上下文信息,并用于上下文推荐模型产生更好的系统推荐结果。首先通过对用户需求描述中上下文的挖掘,确定用户当前的上下文。其中上下文推理部分是针对京东爬取的书籍评论数据集采用Gibbs抽样训练L-LDA模型得到一个分类器,选取被分配最高主题概率的类别作为需求描述中用户当前的上下文。同时,运用k-近邻算法/协同过滤算法预测用户最适合的物品项i,得到传统评分预测值。当给定用户上下文时,计算用户和物品的匹配度,选择最符合用户当前上下文的物品项。结合传统预测评分值加权融入上下文状态匹配度根据这两部分结果计算得到
基于上下文信息的移动兴趣点推荐系统的研究与实现
这是一篇关于兴趣点,推荐系统,上下文,GBDT的论文, 主要内容为随着互联网产业的发展,互联网上的数据量变得越来越庞大,用户想要从大量的数据中获取所需信息反而变得越发困难。而对于商家来讲,迅速、高效地使自己的产品信息出现在目标用户面前,是实现产品销售的关键。为此,论文研究并实现了基于上下文信息的移动兴趣点推荐系统及相关算法。论文提出一种融入地理上下文信息的协同过滤兴趣点推荐算法,算法采用基于用户的协同过滤的方法,针对传统协同过滤寻找相似用户过程进行了改进。算法基于word2vec网络实现兴趣点及用户的Embedding向量化,通过计算向量相似度获取用户签到记录相似度;算法还提出一种应用历史签到位置矩阵,计算用户间签到地理相似度的计算方法;算法将以上签到记录相似度和签到地理相似度进行融合,来寻找相似用户群组并进行相关推荐。与传统协同过滤算法进行对比实验,本算法表现较好。论文实现了基于上下文信息与GBDT的兴趣点推荐算法,该算法采用 DBSCAN(Density-Based Spatial Clustering of Applications with Noise)与K-means结合的聚类方法,处理地理上下文信息;采用从多种时间维度进行统计分析的方法,处理时间上下文信息;采用对兴趣点进行分类,计算用户历史访问次数等方法,处理历史行为上下文信息;最后,基于以上上下文信息,采用GBDT(Gradient Boosting Decision Tree,梯度提升决策树)算法对兴趣点签到记录进行评分排序,生成兴趣点推荐结果。论文对以上算法进行了大量实验工作,并基于开源数据集与其他算法进行了实验对比,实验结果表明,本文实现的算法有更好的推荐效果。基于以上两种兴趣点推荐算法,论文设计实现了基于上下文信息的移动兴趣点推荐系统。该系统包含移动客户端与服务器端,论文对移动客户端、服务器端分别进行了需求分析、总体设计,对系统的浏览地图模块、搜索兴趣点模块、查看兴趣点模块、推荐算法模块、存储用户历史点击记录模块、登录注册模块进行了详细设计与实现,并对开发完成后的系统进行了测试。
在线网络中推荐系统相关算法的研究
这是一篇关于推荐系统,社交网络,物品关系,频繁N元概念,标签,上下文的论文, 主要内容为随着互联网的快速发展,网络上的信息也急剧增长,我们很难快速准确地获取有用的信息。因此,我们急需一种信息过滤技术来找出我们想要的内容。面对信息过载问题,推荐系统经过不断的完善与发展,已经越来越受到人们的关注。本文针对在线网络中不同类型的应用,提出了一系列有针对性的推荐算法,主要的研究成果和创新点在以下几个方面：(1)提出了基于加权的社交网络和物品关系的方法。在推荐系统中,协同过滤是最流行的方法之一,该方法利用了用户的历史行为数据来进行推荐。虽然协同过滤已被广泛运用,但仍没有很好的解决诸如冷启动用户等问题。随着社交网络的兴起,一些基于社交的方法也慢慢受到大家的重视。这些方法都基于一个假设,那就是在社交网络中,用户的爱好很容易受到其信任朋友的影响。但是这些基于社交网络的方法并没有区分对待不同朋友,而在现实生活中,我们更愿意相信亲密朋友的意见。基于加权的社交网络和物品关系的方法可以有效的解决上述问题。在基于社交网络算法的基础上,我们不仅考虑了信任朋友的影响,还对不同的信任朋友赋予不同的值,其权值由用户之间的相似度来代替。另外,由于被同一个用户所喜欢的物品通常具有一定的相似性,因此我们还考虑了物品之间的关系。由于冷启动用户不仅行为较少,而且信任关系也很少,因此利用物品之间的关系也可以缓解冷启动用户问题。在实验中,我们利用Epinions数据集来对模型进行验证。从结果中可以看出本文的模型比其他方法在不同的设置上都要好,尤其是对于冷启动用户。(2)提出了基于频繁N元概念的方法。在社交网络中,许多用户都会通过给物品评分或者建立标签来达到分享的目的。因此,在用户、物品、评分、标签以及其他数据中存在一些隐藏的语义关系。以前大多数的工作只集中在
基于因子分解模型的移动上下文推荐系统研究
这是一篇关于因子分解机,矩阵分解,推荐系统,协同过滤,上下文的论文, 主要内容为随着信息技术和互联网的高速发展,现代人们逐渐从信息资源匮乏的时代走向了信息过载(information overload)的时代,数以万计的用户规模和海量的信息让用户使用者以及信息的提供者都面临着巨大的考验；对于信息的使用者和消费者而言,在海量信息资源中找寻到真正自己所需要的资源是一件非常困难的事情,而且对于资源和信息的生产者来说,如何让自己的产品脱颖而出,受到了不同用户的关注,也是一件难题。至此,推荐系统应运而生,它联系着用户与物品,并且让最有用的信息呈现在对它感兴趣的用户面前,从而让用户和物品生产者达到一种双赢,让用户产生更强的信任感,并让物品生产者得到更大的赢利。 近些年来,推荐系统和其算法在全世界都已经有颇具成熟的研究,移动通信网络的崛起,让更多地用户开始使用智能移动设备(如智能手机、平板电脑等)来获取网络服务。基于移动的上下文推荐系统便是在这种环境下应运而生的。现代智能移动设备通过收集移动用户的浏览行为,并且运用了个性化的推荐算法来预测用户偏好,为用户主动推荐满足其个性化需求的产品。移动智能终端能够更好地收集到用户所处的上下文(context)。这些上下文包括用户当前所处的时间、地点、心情等等。这些上下文信息对于提高推荐系统的准确度是非常有用的。因此,准确地收集到用户的上下文信息,并将这些指标运用到算法中是设计出一个优秀的推荐系统的关键。 本文的主要工作内容包括： 第一章回顾和阐述了推荐系统的定义、结构、经典的推荐系统算法、国内外研究成果以及评价评测指标、评测维度等等。着重介绍了经典的协同过滤算法,以及机器学习中的优秀算法,总结和比较了这些算法的适用场景。 第二章对推荐系统领域的经典推荐算法进行阐述,其中包括基于用户,基于物品的协同过滤算法,混合推荐技术,基于图的推荐(随即游走算法)、以及对上下文对推荐的影响。 第三章详细介绍了因子分解理论,并且对机器学习的理论知识,损失函数的分类做了详细的解释。接下来对于现阶段推荐系统领域最为热门的矩阵分解理论的经典算法进行了回顾并且引出了两个高性能的推荐算法：张量的多元推荐(Multiverse Recommendation)和因子分解机(Factorization Machines)。这篇文章中主要应用了因式分解机(Factorization Machines)作为主要的研究算法,在深刻介绍因式分解的发展历史与理论的基础上提出因式分解机模型并描述了因子分解机的模型表示。 第四章主要进行实证分析,研究了因子分解机模型中的优化算法对比,算法时间复杂度的分析,分解维度k的取值对预测质量的影响,并且选取了很多关键的上下文特征融入到系统中,还同张量分解算法Multiverse Recommendation进行了对比,获得了比它更好的性能。本文在三个国际公开数据集上对比传统的推荐系统算法,获得了比它们更好的推荐结果。 这篇文章针对了因子分解理论对两种推荐系统领域中最新的模型进行了研究,其中本文主要分析了因子分解机,它在算法的时间复杂度上是线性的,这对于处理大规模的数据提供了很好的性能。并且此算法具有通用性,可以通过指定的输入方式对不同的算法进行模拟。经过实验中和传统的算法的对比,因子分解机是推荐领域最优秀算法之一
基于上下文信息的移动兴趣点推荐系统的研究与实现
这是一篇关于兴趣点,推荐系统,上下文,GBDT的论文, 主要内容为随着互联网产业的发展,互联网上的数据量变得越来越庞大,用户想要从大量的数据中获取所需信息反而变得越发困难。而对于商家来讲,迅速、高效地使自己的产品信息出现在目标用户面前,是实现产品销售的关键。为此,论文研究并实现了基于上下文信息的移动兴趣点推荐系统及相关算法。论文提出一种融入地理上下文信息的协同过滤兴趣点推荐算法,算法采用基于用户的协同过滤的方法,针对传统协同过滤寻找相似用户过程进行了改进。算法基于word2vec网络实现兴趣点及用户的Embedding向量化,通过计算向量相似度获取用户签到记录相似度;算法还提出一种应用历史签到位置矩阵,计算用户间签到地理相似度的计算方法;算法将以上签到记录相似度和签到地理相似度进行融合,来寻找相似用户群组并进行相关推荐。与传统协同过滤算法进行对比实验,本算法表现较好。论文实现了基于上下文信息与GBDT的兴趣点推荐算法,该算法采用 DBSCAN(Density-Based Spatial Clustering of Applications with Noise)与K-means结合的聚类方法,处理地理上下文信息;采用从多种时间维度进行统计分析的方法,处理时间上下文信息;采用对兴趣点进行分类,计算用户历史访问次数等方法,处理历史行为上下文信息;最后,基于以上上下文信息,采用GBDT(Gradient Boosting Decision Tree,梯度提升决策树)算法对兴趣点签到记录进行评分排序,生成兴趣点推荐结果。论文对以上算法进行了大量实验工作,并基于开源数据集与其他算法进行了实验对比,实验结果表明,本文实现的算法有更好的推荐效果。基于以上两种兴趣点推荐算法,论文设计实现了基于上下文信息的移动兴趣点推荐系统。该系统包含移动客户端与服务器端,论文对移动客户端、服务器端分别进行了需求分析、总体设计,对系统的浏览地图模块、搜索兴趣点模块、查看兴趣点模块、推荐算法模块、存储用户历史点击记录模块、登录注册模块进行了详细设计与实现,并对开发完成后的系统进行了测试。
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/48686.html
