基于多目标进化的情境感知推荐算法研究及应用
这是一篇关于推荐技术,K-means++聚类,多目标进化算法,协同过滤,spark集群的论文, 主要内容为随着5G时代的到来,人工智能为科技赋能生活提供了更加便捷的服务。我们可以在家通过互联网进行学习,阅览电子图书、浏览实时新闻、在软件上进行观影,以及在电商平台对所需商品下单。但是,同时也产生了另外一类问题,即数据资源量的与日俱增在互联网中呈现出指数增长态势,人们在面对海量数据时往往感到无所适从和无法及时找到所需内容,在这种场景下,精准和快速的推荐成为了解决这一问题的有效方法。而传统的推荐技术过多的依赖历史行为数据,忽略情境信息的重要性,导致推荐效果不理想,如何在传统推荐中融入情境信息降低历史行为数据依赖提升推荐的准确率成为了亟待解决的难题;另一方面推荐系统所生成的推荐列表存在精度和多样性相互冲突问题,在提升精度性能时往往是以牺牲多样性为代价造成了推荐列表中推荐项类型单一。基于上述问题,本文设计了一种融合上下文信息的推荐技术,在确保推荐列表多样性的同时提升推荐精度,具体完成了以下三个方面的内容。(1)针对传统媒体推荐系统中情境信息利用率过低的问题,设计了一种融合情境信息的聚类推荐算法,该算法在推荐前采用情境预过滤技术K-means++聚类将用户按一定的距离度量划分为不同的目标组,并将同一目标组中的高分项目推荐给目标用户。并在协同过滤算法中设计了时间衰减函数态追踪用户偏好漂移使得静态系统变成了时变系统,有效提高时间多样性和缓解推荐系统的冷启动问题。最终,进行了对比实验比较,验证了本文所提出的将情境信息融合到推荐系统中的技术的正确性和有效性。(2)设计了基于多目标进化的情境推荐机制MOEA＿CTUser CF,该机制根据多目标优化理论特性和进化算法有效平衡推荐列表中推荐项的精确性和多样性目标函数。其中,在多目标进化算法中将编码策略重新设计融入推荐项作为进化群体,结合改进的擂台赛法则构造Pareto非支配解集合降低时间复杂度,改进交叉、遗传、变异算子经过多轮迭代生成给用户的推荐列表,并且在基于Movie Lens数据集上与三个基准做对比实验。(3)构建了一个基于多目标进化的媒体推荐系统,该系统框架由spark集群实现,包含前台模块、后台模块、数据存储模块、离线推荐模块和实时推荐模块五个部分。
基于多目标进化的情境感知推荐算法研究及应用
这是一篇关于推荐技术,K-means++聚类,多目标进化算法,协同过滤,spark集群的论文, 主要内容为随着5G时代的到来,人工智能为科技赋能生活提供了更加便捷的服务。我们可以在家通过互联网进行学习,阅览电子图书、浏览实时新闻、在软件上进行观影,以及在电商平台对所需商品下单。但是,同时也产生了另外一类问题,即数据资源量的与日俱增在互联网中呈现出指数增长态势,人们在面对海量数据时往往感到无所适从和无法及时找到所需内容,在这种场景下,精准和快速的推荐成为了解决这一问题的有效方法。而传统的推荐技术过多的依赖历史行为数据,忽略情境信息的重要性,导致推荐效果不理想,如何在传统推荐中融入情境信息降低历史行为数据依赖提升推荐的准确率成为了亟待解决的难题;另一方面推荐系统所生成的推荐列表存在精度和多样性相互冲突问题,在提升精度性能时往往是以牺牲多样性为代价造成了推荐列表中推荐项类型单一。基于上述问题,本文设计了一种融合上下文信息的推荐技术,在确保推荐列表多样性的同时提升推荐精度,具体完成了以下三个方面的内容。(1)针对传统媒体推荐系统中情境信息利用率过低的问题,设计了一种融合情境信息的聚类推荐算法,该算法在推荐前采用情境预过滤技术K-means++聚类将用户按一定的距离度量划分为不同的目标组,并将同一目标组中的高分项目推荐给目标用户。并在协同过滤算法中设计了时间衰减函数态追踪用户偏好漂移使得静态系统变成了时变系统,有效提高时间多样性和缓解推荐系统的冷启动问题。最终,进行了对比实验比较,验证了本文所提出的将情境信息融合到推荐系统中的技术的正确性和有效性。(2)设计了基于多目标进化的情境推荐机制MOEA＿CTUser CF,该机制根据多目标优化理论特性和进化算法有效平衡推荐列表中推荐项的精确性和多样性目标函数。其中,在多目标进化算法中将编码策略重新设计融入推荐项作为进化群体,结合改进的擂台赛法则构造Pareto非支配解集合降低时间复杂度,改进交叉、遗传、变异算子经过多轮迭代生成给用户的推荐列表,并且在基于Movie Lens数据集上与三个基准做对比实验。(3)构建了一个基于多目标进化的媒体推荐系统,该系统框架由spark集群实现,包含前台模块、后台模块、数据存储模块、离线推荐模块和实时推荐模块五个部分。
基于聚类和用户属性的协同过滤算法研究
这是一篇关于协同过滤,数据稀疏,K-means++聚类,Slope one算法的论文, 主要内容为随着互联网日益普及,人们进入了大数据时代,互联网上的信息量就像一个“大海”,但对于人们而言真正有用的信息很少。在信息资源爆炸环境下,如果没有好的信息过滤机制,人们会被“数据海洋”淹没,寻找需要的信息也变得更困难。在此背景下推荐系统被人们提出来,实现了从海量数据中为用户获取有意义信息的功能。协同过滤作为主流的推荐算法,能够从用户的历史记录分析出用户的喜好。但是如果用户参与的项目少,推荐系统中存在较大的数据空缺,系统推荐性能因此就会受到相应影响。本文首先针对技术方面相关知识内容与开展全面介绍,主要指出协同过滤算法存在精确程度较低、同时覆盖率低等相应问题,进一步开展相应研究,针对该算法作出改进,主要研究内容如下所示:(1)在当前的个性化推荐算法中,比较经典的算法是协同过滤推荐算法,它虽然是许多推荐算法的理论基础,仍然存在一些影响推荐效果的问题。本文对数据集的数据稀疏性问题进行研究,应用改进的Slope one对数据中的数据缺失值进行预测,预测值会进一步加入到评分矩阵内,通过这一方法可以让稀疏性问题得到有效处理。(2)由于协同过滤算法在寻找最近邻居时,需要和所有用户运算,运算的效率相对比较低,为了使其运行效率进一步提升,本文考虑对用户开展聚类,让相似的这类用户共同划分于同一个聚类簇中,最大程度上降低计算复杂度,对算法可扩展性加以改善。(3)传统的相似度计算只考虑到用户评分,导致计算不合理的问题,只计算了评分间的差异,却未考虑用户属性对相似度计算的影响。把用户属性(性别,年龄,职业)引入到相似度计算中,优化相似度计算。(4)为了让算法优化其有效性得到进一步验证,本文在实验过程采用Movie lens100k数据集开展验证,对比分析协同过滤算法以及填充处理过的协同过滤算法,通过数据实验进行比对,结合最终实验结果发现,本文优化后算法能得到有效改善。
基于聚类和用户属性的协同过滤算法研究
这是一篇关于协同过滤,数据稀疏,K-means++聚类,Slope one算法的论文, 主要内容为随着互联网日益普及,人们进入了大数据时代,互联网上的信息量就像一个“大海”,但对于人们而言真正有用的信息很少。在信息资源爆炸环境下,如果没有好的信息过滤机制,人们会被“数据海洋”淹没,寻找需要的信息也变得更困难。在此背景下推荐系统被人们提出来,实现了从海量数据中为用户获取有意义信息的功能。协同过滤作为主流的推荐算法,能够从用户的历史记录分析出用户的喜好。但是如果用户参与的项目少,推荐系统中存在较大的数据空缺,系统推荐性能因此就会受到相应影响。本文首先针对技术方面相关知识内容与开展全面介绍,主要指出协同过滤算法存在精确程度较低、同时覆盖率低等相应问题,进一步开展相应研究,针对该算法作出改进,主要研究内容如下所示:(1)在当前的个性化推荐算法中,比较经典的算法是协同过滤推荐算法,它虽然是许多推荐算法的理论基础,仍然存在一些影响推荐效果的问题。本文对数据集的数据稀疏性问题进行研究,应用改进的Slope one对数据中的数据缺失值进行预测,预测值会进一步加入到评分矩阵内,通过这一方法可以让稀疏性问题得到有效处理。(2)由于协同过滤算法在寻找最近邻居时,需要和所有用户运算,运算的效率相对比较低,为了使其运行效率进一步提升,本文考虑对用户开展聚类,让相似的这类用户共同划分于同一个聚类簇中,最大程度上降低计算复杂度,对算法可扩展性加以改善。(3)传统的相似度计算只考虑到用户评分,导致计算不合理的问题,只计算了评分间的差异,却未考虑用户属性对相似度计算的影响。把用户属性(性别,年龄,职业)引入到相似度计算中,优化相似度计算。(4)为了让算法优化其有效性得到进一步验证,本文在实验过程采用Movie lens100k数据集开展验证,对比分析协同过滤算法以及填充处理过的协同过滤算法,通过数据实验进行比对,结合最终实验结果发现,本文优化后算法能得到有效改善。
基于聚类和用户属性的协同过滤算法研究
这是一篇关于协同过滤,数据稀疏,K-means++聚类,Slope one算法的论文, 主要内容为随着互联网日益普及,人们进入了大数据时代,互联网上的信息量就像一个“大海”,但对于人们而言真正有用的信息很少。在信息资源爆炸环境下,如果没有好的信息过滤机制,人们会被“数据海洋”淹没,寻找需要的信息也变得更困难。在此背景下推荐系统被人们提出来,实现了从海量数据中为用户获取有意义信息的功能。协同过滤作为主流的推荐算法,能够从用户的历史记录分析出用户的喜好。但是如果用户参与的项目少,推荐系统中存在较大的数据空缺,系统推荐性能因此就会受到相应影响。本文首先针对技术方面相关知识内容与开展全面介绍,主要指出协同过滤算法存在精确程度较低、同时覆盖率低等相应问题,进一步开展相应研究,针对该算法作出改进,主要研究内容如下所示:(1)在当前的个性化推荐算法中,比较经典的算法是协同过滤推荐算法,它虽然是许多推荐算法的理论基础,仍然存在一些影响推荐效果的问题。本文对数据集的数据稀疏性问题进行研究,应用改进的Slope one对数据中的数据缺失值进行预测,预测值会进一步加入到评分矩阵内,通过这一方法可以让稀疏性问题得到有效处理。(2)由于协同过滤算法在寻找最近邻居时,需要和所有用户运算,运算的效率相对比较低,为了使其运行效率进一步提升,本文考虑对用户开展聚类,让相似的这类用户共同划分于同一个聚类簇中,最大程度上降低计算复杂度,对算法可扩展性加以改善。(3)传统的相似度计算只考虑到用户评分,导致计算不合理的问题,只计算了评分间的差异,却未考虑用户属性对相似度计算的影响。把用户属性(性别,年龄,职业)引入到相似度计算中,优化相似度计算。(4)为了让算法优化其有效性得到进一步验证,本文在实验过程采用Movie lens100k数据集开展验证,对比分析协同过滤算法以及填充处理过的协同过滤算法,通过数据实验进行比对,结合最终实验结果发现,本文优化后算法能得到有效改善。
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：源码工坊 ，原文地址：https://m.bishedaima.com/lunwen/52677.html
