基于知识图谱的武器推荐方法研究
这是一篇关于知识图谱表示学习,实体信息融合,武器推荐,协同过滤,时间权重的论文, 主要内容为随着现代战争的发展和战法战术的精进,作战任务逐步细化,武器种类日益增长,过量的信息对指挥员发掘潜在的适合作战任务的武器提出了巨大挑战。为了帮助指挥员提高发掘效率,武器推荐系统得到大力发展。然而传统协同过滤算法存在的数据稀疏和时效性问题限制了系统的推荐效果。本文通过在协同过滤算法中引入知识图谱表示学习方法和时间衰减函数来提高系统的推荐性能。围绕基于知识图谱的武器推荐方法研究这一主题,本文重点开展了知识图谱表示学习方法、基于知识图谱的武器推荐算法和武器推荐系统实现等研究。本文的主要研究工作如下:(1)本文首先提出了一种武器领域知识图谱表示学习方法——融合实体信息的Trans R模型。该方法借鉴拉普拉斯特征映射算法的思想,在Trans R模型的基础上将实体属性信息和实体结构信息以相似度的形式融入训练过程中,以缓解基于三元组的训练模式所导致的模型表达能力不佳问题。通过链接预测和三元组分类实验证明了该方法可以有效提升Trans R模型在武器知识图谱上的语义表达能力。(2)然后本文针对传统协同过滤算法存在的数据稀疏和时效性问题,提出一种基于知识图谱和时间权重的协同过滤算法。该方法将知识图谱表示学习方法、时间衰减函数和协同过滤算法进行了结合,通过融入从知识图谱中提取的武器语义信息,多角度刻画了武器相似度,弥补了传统协同过滤算法只考虑武器使用信息的缺陷;通过利用武器使用记录中的时间信息,突出了近期武器使用记录的重要性。经过一系列对比实验,证明了在武器推荐领域该方法比传统协同过滤算法具备更好的推荐精度。(3)最后本文对基于知识图谱和时间权重的协同过滤算法进行了系统的实现,该武器推荐系统将用户选择的作战任务作为输入,然后根据录入的武器使用记录和推荐算法进行预测,最终将潜在的适合当前作战任务的武器展现给指挥员,供指挥员参考。
推荐系统中基于用户偏好建模的动态协同过滤推荐方法研究
这是一篇关于协同过滤,推荐系统,用户偏好,相似度,时间权重的论文, 主要内容为大数据的时代背景下,数据信息日新月异,用户很难在海量数据中提取出对自已有益或者感兴趣的内容,所以如何解决信息过载给用户带来的困扰是人工智能和大数据时代面临的重要难题。推荐系统的出现成为解决信息过载问题的突破口,它能够帮助挖掘用户潜在的兴趣点,是个性化服务领域的重要分支。在推荐系统的研究过程中,协同过滤算法是至今应用最广泛的推荐算法,其核心思想是利用用户对项目的评分数据挖掘某种相似性来产生推荐,不过该算法也存在着诸如冷启动、数据稀疏、扩展性差等问题。在分析了众多推荐方法的基础上,针对推荐系统中传统的协同过滤推荐存在的问题,以基于项目的协同过滤推荐为基础,本文提出了一种新的基于用户偏好建模的动态协同过滤推荐方法,其主要思想是:利用皮尔逊相关系数法计算用户间相似度,从而对用户进行聚类,使得同一类中的用户相似度较高,不同类间的用户差别较大。聚类过后,根据类中用户评分数据的集中程度确定不同类别的用户偏好项目,以此为基础找出与目标项目共同评分较多的候选邻居项目集,进一步筛选之后生成目标项目的最近邻项目列表。此外,在项目相似度计算中引入时间权重因子,通过用户在某一时间段内访问过的项目集的数据记录来确定基于时间的用户兴趣加权函数,该加权函数反映了用户对项目的兴趣随时问的变化。时间权重因子的加入提高了计算项目相似度的精度,从而进一步提高了推荐质量。本论文在MovieLens数据集上进行实验。实验结果表明,本论文提出的基于用户偏好建模的动态协同过滤推荐方法相比传统的基于用户和基于项目的协同过滤推荐,推荐效果更好。
基于图神经网络的推荐模型研究
这是一篇关于时间权重,知识图谱,图神经网络,推荐模型的论文, 主要内容为随着大数据和互联网技术的快速发展,人们接收、传播和利用信息资源的方式发生了很大的变化。如何从规模日渐庞大、结构日趋复杂的信息资源中精确地为用户筛选出其可能需要的内容,已经成为一个制约互联网发展的重要问题。推荐系统可以根据用户的个人信息及其历史行为数据学习用户的偏好,从而为用户提供个性化的推荐内容,是互联网上最重要的信息服务之一,其核心是推荐模型的设计。在真实的推荐场景中,一些传统的推荐模型通常存在以下问题:由于交互数据稀疏,导致模型推荐效果不好;没有考虑时间变化对用户偏好的影响,无法发掘用户兴趣的动态变化,影响推荐准确性。本文以图神经网络为切入点,结合时间权重和知识图谱,针对上述问题展开研究。本文的主要研究工作如下:(1)针对图神经网络中邻居节点的传播和聚合时,没有考虑时间变化对用户偏好影响的问题,提出一种结合时间权重因子的图卷积神经网络推荐模型TGCNRec。模型利用时间权重因子来捕捉用户动态兴趣,根据用户交互时间属性,运用融合时间权重因子的图卷积神经网络,对用户和项目节点进行特征传播和聚合,将交互的时间属性融入至用户和项目节点特征中,以捕捉用户兴趣的动态变化。在Epinions公开数据集上进行实验,实验结果表明本模型的召回率和归一化折损累计增益均高于其它对比模型,证明所提出模型可以提高推荐的准确率。(2)针对传统推荐模型中存在的数据稀疏,导致推荐准确率不高的问题,提出一种融合知识图谱和时间权重的图神经网络推荐模型KTGCNRec。模型首先在用户项目交互图上,运用基于时间权重的图卷积神经网络进行信息传播聚合,从融入时间信息角度学习用户和项目的向量表示。然后将用户项目的交互与包含项目属性信息的知识图谱结合起来,构建统一的知识图结构,同时采用图嵌入技术生成节点的低维嵌入表示,将它们输入到图注意力网络中进行传播和聚合,以学习图中保存的丰富图结构信息和实体语义知识,优化项目的嵌入表示。最后将基于用户项目交互二部图和知识图谱中学习得到的项目节点嵌入表示进行加权融合,利用多层感知机进行推荐预测,缓解由于交互数据稀疏导致模型学习到的节点嵌入表示质量不佳的问题,提高推荐的准确率。在Amazon-book和Movie Lens-100k两个公开数据集上进行实验,结果表明本模型的召回率和归一化折损累计增益均高于其他对比模型,证明模型可以进一步提高推荐的准确率。
基于Flink的电影推荐系统的研究与实现
这是一篇关于协同过滤算法,Apache Spark,Apache Flink,用户兴趣度公式,时间权重的论文, 主要内容为随着互联网建设的不断发展,加之网络视频运营商与传统电视媒体的相互合作,网络视频市场规模逐年增长。网络用户在享受形式和内容丰富多样的视频盛宴的同时,也在不断被大量冗余、无效的信息冲击。这些庞大的数据信息远远超出了用户能承受的程度,严重干扰了用户对自身所需信息的正确选择,导致信息利用率非常低,甚至带给用户困扰和反感。推荐系统作为解决“信息过载”问题的有效手段,这些年来在得以迅速发展的同时也面临着不少挑战,例如数据规模庞大以及算法设计复杂导致推荐算法的执行效率不高、数据稀疏性以及冷启动问题导致推荐效果不好等等。通过研究目前常用的几种推荐算法,分析算法各自存在的优缺点,旨在对这些算法进行改进和优化,从而改善系统推荐效果。首先,通过分析MovieLens开源数据集的数据结构特征,确定本系统的离线推荐功能采用协同过滤算法进行实现,底层计算引擎基于分布式大数据计算平台Apache Spark。通过扩展Spark的自动分区功能并自定义数据分块方式,减少集群中各节点间的数据传输以及笛卡尔乘积的计算量,保证数据在各节点上的均匀散列以及执行任务的均匀分布,最终使改进后的协同过滤算法比改进前的算法在执行速度上有明显提升,且预测准确度几乎不变。其次,针对用户在推荐系统中的评分行为,设计一种实时推荐算法。该算法基于电影标签信息,融合TF-IDF算法进行电影相似度的计算,同时引入时间权重影响因子,构造出用户兴趣度公式,基于该公式为用户产生实时推荐列表。在Apache Flink流式计算平台上进行算法仿真后的结果显示,该算法中的时间权重因子对实时推荐算法的准确率和召回率存在影响,且在时间权重因子λ取值为0.25,α取值为0.6时,两个指标取到极大值,即此时的推荐效果最好;基于Flink实现实时推荐算法的算法执行效率也比基于Spark Streaming有明显提升。最终,基于上述推荐算法,选用目前主流的应用开发框架以及相关组件实现了一套用户界面友好的电影推荐系统,整个推荐系统主要包括数据加载模块、离线推荐模块、实时推荐模块以及系统业务模块四部分。
基于数据挖掘的农产品商城系统中推荐模式的研究与实现
这是一篇关于数据挖掘,推荐系统,协同过滤,时间权重,推荐模式的论文, 主要内容为众所周知,电子商务作为信息时代的重要产物,如今发展十分迅速,是信息时代最有活力的领域之一,给人们带来了极大的便利。然而随着电子商务的不断发展,人们从各式各样的商品中找到自已喜欢的变得愈发艰难。最近几年,电子商务中的推荐模块通过收集用户的数据,分析出他们各自的购物喜好,进而推荐给他们可能喜欢的商品,在一定程度上解决了这一问题。然而目前电子商务推荐系统在推荐效率和推荐质量方面仍然有提高的空间。我们现代网络管理研究室研发的“一村一品”农产品商城系统是一个典型的电子商务网站,随着系统功能的不断完善和商品数量的增多,需要为其添加推荐功能。基于此,本文主要对推荐系统中的协同过滤推荐算法以及农产品商城系统中的推荐模式开展了深入细致的研究。本文首先研究了数据挖掘技术以及推荐系统里面常用的协同过滤技术和基于内容的推荐技术,然后重点研究了基于项目的协同过滤推荐算法,在考虑了评分时间特性对推荐结果的重要影响后,设计了一种改进的结合评分时间特性的协同过滤推荐算法。该改进算法在一定程度上弥补了传统算法没有考虑时间特性的不足,提高了推荐算法的推荐质量。接下来通过分析农产品商城系统的具体推荐需求,设计了针对该系统的整体式混合推荐模式,该模式能够对不同的用户状态采取相应的推荐策略,并进一步完成了该系统推荐模块的架构设计。最后将本文提出的改进算法以及设计好的整体式混合推荐模式应用到农产品商城系统中,实现了该农产品商城系统的推荐模块功能,并且通过实验验证了推荐模块良好推荐效果。
协同过滤系统中推荐算法与推荐策略研究
这是一篇关于推荐系统,协同过滤,时间权重,遗忘曲线,粗糙集理论,模糊隶属度的论文, 主要内容为近年来Web2.0技术的发展,互联网应用在日常生活中越来越普及,网络搜索、网上购物等活动也变得越来越流行。但是网络中迅猛增长的数据量与种类繁多的信息资源同样造成了信息过载的问题,在此背景下推荐系统应运而生,可以帮助用户在互联网中更好地选择自己所需要的资源。与传统的信息搜索技术不同,推荐系统根据用户选择的历史记录产生智能推荐,实现了资源主动寻找用户的信息发现模式,因此推荐技术迅速成为了国内外的研究热点并被广泛应用于社交网络与商业网站中。 推荐系统中最重要也是应用最广泛的推荐技术是协同过滤技术,协同过滤技术利用用户行为的相似性来产生推荐。目前学术界与商业应用领域研究的热点问题主要有三个：第一是用户-评分矩阵的稀疏性问题,用户购买或者给予评分的物品是有限的,因此用户与资源之间评价关系存在巨大的稀疏性,这使得推荐精度受到很大的影响；第二是新用户和新项目的冷启动问题,当新用户或新商品加入时会因缺少相关信息带来冷启动问题,基于项目的协同过滤算法虽然在冷启动问题的处理上优于基于用户的算法,但它缺乏对用户行为信息的深入研究,不能个性化地建立用户模型；第三是推荐的准确度。如何更准确地建立用户行为模型,把握用户的关注趋势,最后为用户提供最需要与最新颖的产品,依旧是目前研究的热点课题。 针对上述问题,本文开展了以下研究工作： (1)提出一种时间权重的迭代模型,改进了基于项目的协同过滤推荐算法。传统的协同过滤算法主要采用两种方式处理用户选择记录：计算数据库中所有项目的相似度或只计算用户最近一段时间内选择的项目之间的相似度。前者不能权衡项目的重要性,增大了系统的计算量,后者则忽略了用户的长期兴趣,会因用户临时选择产生的干扰信息作为推荐的依据,这两种方法都没有考虑用户的兴趣随时间变化的特点。本文受记忆原理的启发,为数据库中的项目赋予不同的权重,并根据最新动态进行更新,从而区分出用户的长短期兴趣,捕捉用户最近的关注点并记住其一直感兴趣的资源,产生更个性化的推荐。 (2)提出一种基于粗糙集与模糊集合理论的推荐策略,通过粗糙集理论对项目的属性标签集进行约简,并获取每一个用户的属性偏好规则,以矩阵的形式存储在推荐系统中,同时对系统中的项目资源按照模糊统计方法计算其对属性标签的隶属度,得到隶属度矩阵,将规则矩阵与隶属度矩阵进行合成运算,得到用户与项目资源的关系矩阵,也就是用户可能感兴趣的项目。系统根据此矩阵向用户产生推荐。最后在MovieLens数据集上对本文提出的推荐策略进行了验证与准确率的比对,验证了算法的有效性。
基于交互时间和社交网络的图神经网络推荐算法研究
这是一篇关于时间权重,社交信任,图神经网络,个性化推荐的论文, 主要内容为信息技术的迅猛发展,引发了数据的爆炸式增长,使人们进入了一个信息过载的时代。现今社会,如何从海量数据中快速准确的挖掘有用信息成为一个亟待解决的问题。基于此,推荐系统应运而生。推荐系统能根据用户兴趣偏好主动为用户提供有针对性信息,其核心是推荐算法的设计。在众多推荐算法中,协同过滤算法无疑是最经典、应用最广泛的一种算法,但是传统的协同过滤推荐算法通常存在数据稀疏和冷启动问题,并且忽略了用户兴趣会随时间发生变化的特性。为了解决这些问题,融合辅助信息是一种非常有效的方法。此外,近年来图神经网络的出现,使得人们可以利用图来挖掘节点更深层的信息,丰富节点的嵌入表示,因此利用图神经网络进行个性化推荐是一个非常有潜力的研究方向。本文为了提高算法性能并缓解模型的用户冷启动问题,将交互时间和社交网络融入到图神经网络算法中,提出一种融合时间权重和社交信任的图神经网络推荐算法(TSLGCN)。本文的主要工作如下:首先,提出融入时间权重的图神经网络算法,得到基于历史交互数据的用户和项目的向量表示。根据用户历史交互数据构建用户-项目交互图,在此基础上,通过用户交互时间计算交互项目的时间权重值。然后将时间权重值和用户评分融入到图神经网络算法中,通过高阶邻域聚合得到用户和项目的向量表示。该算法在得到用户的向量表示时,考虑到了用户对项目的兴趣随时间的变化,提高了算法的准确性。随后,提出基于社交信任的图神经网络算法,得到基于社交网络的用户的向量表示。根据用户社交关系构建用户社交网络图,利用用户之间共同交互项目数量与阈值的对比,计算社交好友之间的信任值,并将社交信任值融入图神经网络算法中,通过两层邻域聚合来得到基于用户社交网络图的用户向量表示。该算法从用户的社交网络角度出发,在一定程度上能缓解模型的用户冷启动问题。然后,将融入时间权重的神经网络算法与基于社交信任的图神经网络推荐算法进行加权融合,得到一种融合时间权重和社交信任的推荐算法。最后,使用Yelp公开数据集对模型参数进行择优,并在此基础上与五种对照算法进行对比验证本文算法的有效性。实验结果表明,本文模型的精确率、召回率和归一化折损累计增益值均高于其它对照模型。
基于协同过滤的视频推荐系统研究与实现
这是一篇关于视频推荐,协同过滤,数据稀疏性,视频标签,时间权重的论文, 主要内容为近年来计算机技术蓬勃发展,由此带动的信息技术革新也再次定义了传统视频行业。由于网络信息在人类日常生活中占据了巨大的比重,同时伴随着网络科技发展日新月异,人们的日常生活日益被大量视频资源占据。需要在具有海量信息量的视频中获得有价值的信息往往十分麻烦,由此产生了信息过载问题。为了克服信息过载的技术难题,各大视频网站研发了推荐系统模块。推荐技术的诞生,在极大程度上提升了个人用户和视频服务平台的互动性,从而增加了网站用户黏性。传统推荐算法中,协同过滤算法是一个体现了群体智慧的设计思想,可以通过相似用户或者相似物品进行个性化推荐。然而,传统协同过滤算法仍然有不少局限性,面临着数据极度稀疏以及用户兴趣偏移等问题。与此同时,随着用户与视频资源的爆炸性增长,这个问题会越发严峻。在结合上述背景的情况下,本文所做工作主要包含如下几点:(1)为解决用户-视频评分矩阵稀疏问题,本文引入用户对视频类别的偏好信息。根据用户原评分数据和视频类别间的对应关系来构造用户-视频标签矩阵,对原评分矩阵数据进行有效降维。为了提高计算过程中最近邻居的搜索效率,对用户-视频标签矩阵中采用K均值聚类算法,得到目标用户所在簇类,并将其作为目标用户近邻集合的搜索空间。(2)为解决用户兴趣偏移的问题,在遗忘曲线规律启发下,引入时间权重函数,对原评分预测公式进行改进。使得时间过去越久的评分权重越小。最后,将引入时间权重后的算法与融合视频类别标签的协同过滤算法相结合得到新的融合时间权重函数的协同过滤算法。(3)为验证改进算法的性能,在MovieLens数据集上进行多次实验验证并分析。实验结果表明,对比传统协同过滤,本文提出的融合时间权重函数的协同过滤算法能够一定程度上缓解稀疏性问题,提高推荐准确性。(4)在前文研究成果和实践的基础上,搭建了一个简单的视频推荐系统,用于检验本文提出的改进算法在现实应用中的有效性。
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：毕业设计货栈 ，原文地址：https://m.bishedaima.com/lunwen/49198.html
