一种改进的短视频推荐算法研究
这是一篇关于协同过滤,推荐算法,短视频,活跃度惩罚因子,时间衰减函数的论文, 主要内容为本论文主要是通过收集和分析用户对短视频的历史浏览信息,一方面针对用户行为时间产生的兴趣偏移,另一方面针对短视频热度对推荐算法覆盖率的影响,提出一种改进的短视频推荐算法。协同过滤是推荐算法中最常见也是最经典的一种算法,其思想是根据最接近的用户或类似的对象来推荐目标,并经常被用于各种推荐系统中。一些短视频APP使用传统的协同过滤算法向用户推荐短视频,但传统算法过多考虑了热门短视频对评分的影响,而忽视了对于冷门短视频在用户兴趣属性指标上的贡献,同时考虑到人类记忆中的遗忘规律,借用艾宾浩斯遗忘曲线来调整时间衰减函数,以跟踪用户兴趣的偏差。相似性计算考虑了用户行为的时间和短视频本身的标签特征等信息,尽可能消除新用户或新产品到来时的冷启动问题,这样才能更好地保证推荐结果的质量,最大限度地反映出不同用户的真实需要,达到个性化的推荐服务。由于传统算法过分考虑热门物品对评分的影响,而忽略了冷门物品对用户兴趣特征度量的贡献,也未考虑用户兴趣动态变化的问题。对此,本文提出一种新的相似度改进算法,改进后的协同过滤算法将热门短视频惩罚因子和时间衰减函数进行加权计算,优化了用户相似度计算方法,形成了一种新的相似性度量模型。采用快手公司与中科大合作产出的Kuai Rec短视频数据集设计实验方案,引入实例,计算评分矩阵,通过与传统推荐算法进行对比,验证改进后的算法。实验结果证明,与传统的推荐算法相比,本文提出的推荐平均绝对误差(MAE)明显降低,推荐质量得到了显著提高。
一种改进的短视频推荐算法研究
这是一篇关于协同过滤,推荐算法,短视频,活跃度惩罚因子,时间衰减函数的论文, 主要内容为本论文主要是通过收集和分析用户对短视频的历史浏览信息,一方面针对用户行为时间产生的兴趣偏移,另一方面针对短视频热度对推荐算法覆盖率的影响,提出一种改进的短视频推荐算法。协同过滤是推荐算法中最常见也是最经典的一种算法,其思想是根据最接近的用户或类似的对象来推荐目标,并经常被用于各种推荐系统中。一些短视频APP使用传统的协同过滤算法向用户推荐短视频,但传统算法过多考虑了热门短视频对评分的影响,而忽视了对于冷门短视频在用户兴趣属性指标上的贡献,同时考虑到人类记忆中的遗忘规律,借用艾宾浩斯遗忘曲线来调整时间衰减函数,以跟踪用户兴趣的偏差。相似性计算考虑了用户行为的时间和短视频本身的标签特征等信息,尽可能消除新用户或新产品到来时的冷启动问题,这样才能更好地保证推荐结果的质量,最大限度地反映出不同用户的真实需要,达到个性化的推荐服务。由于传统算法过分考虑热门物品对评分的影响,而忽略了冷门物品对用户兴趣特征度量的贡献,也未考虑用户兴趣动态变化的问题。对此,本文提出一种新的相似度改进算法,改进后的协同过滤算法将热门短视频惩罚因子和时间衰减函数进行加权计算,优化了用户相似度计算方法,形成了一种新的相似性度量模型。采用快手公司与中科大合作产出的Kuai Rec短视频数据集设计实验方案,引入实例,计算评分矩阵,通过与传统推荐算法进行对比,验证改进后的算法。实验结果证明,与传统的推荐算法相比,本文提出的推荐平均绝对误差(MAE)明显降低,推荐质量得到了显著提高。
基于Spring Cloud和课程特征属性的在线学习推荐平台
这是一篇关于在线学习推荐平台,Spring Cloud,课程特征属性,威尔逊区间,时间衰减函数的论文, 主要内容为随着互联网的普及,再加上政府出台的各种政策的引导以及大量资本涌入教育行业,在线教育渐渐兴起。但是传统的在线学习平台由于当时技术的局限性,采用单体式架构进行开发,存在灵活性较低、可拓展性和稳定性较差等问题,不能够很好地满足不断增长的业务规模和用户需求。而且传统的排序推荐算法,也存在小样本可信度问题和马太效应。为了解决上述问题,本文设计并实现了一种基于Spring Cloud和课程特征属性的在线学习推荐平台,该平台具有一定的应用价值,具体的工作内容如下:首先,通过分析传统的在线学习平台,发现其存在灵活性较低、可拓展性和稳定性较差等问题,而微服务恰好能够解决以上痛点,因此确定使用微服务架构来开发本文的在线学习推荐平台。其次,基于微服务架构理念,采用目前流行的微服务框架Spring Cloud进行开发。严格遵循科学的软件开发流程,先对在线学习推荐平台进行可行性分析以及需求分析,同时对该平台进行总体架构设计;然后在基于平台功能需求分析的基础上,根据系统功能设计了平台的微服务模块;最后对平台的数据库进行设计。然后,针对传统排序推荐算法存在的小样本可信度问题和马太效应。分析提取了课程特征属性好评率和总评价数,同时结合了威尔逊区间和时间衰减函数,提出了一种基于课程特征属性的排序推荐算法。最后,选用了 Spring Cloud、Vue.js 和 IntelliJ IDEA 等目前流行的 Java Web 开发技术和工具,实现了在线学习推荐平台的前后台系统,并在该平台里实现了基于课程特征属性的排序推荐算法,同时对该平台和排序推荐算法进行测试。测试结果表明,该平台部署灵活、易拓展并且使用稳定,用户能够在多个浏览器上快速访问和使用系统功能,改善了小样本可信度问题,并且缓解了马太效应,能够较准确的以非个性化的方式推荐课程资源给用户。
基于Spring Cloud和课程特征属性的在线学习推荐平台
这是一篇关于在线学习推荐平台,Spring Cloud,课程特征属性,威尔逊区间,时间衰减函数的论文, 主要内容为随着互联网的普及,再加上政府出台的各种政策的引导以及大量资本涌入教育行业,在线教育渐渐兴起。但是传统的在线学习平台由于当时技术的局限性,采用单体式架构进行开发,存在灵活性较低、可拓展性和稳定性较差等问题,不能够很好地满足不断增长的业务规模和用户需求。而且传统的排序推荐算法,也存在小样本可信度问题和马太效应。为了解决上述问题,本文设计并实现了一种基于Spring Cloud和课程特征属性的在线学习推荐平台,该平台具有一定的应用价值,具体的工作内容如下:首先,通过分析传统的在线学习平台,发现其存在灵活性较低、可拓展性和稳定性较差等问题,而微服务恰好能够解决以上痛点,因此确定使用微服务架构来开发本文的在线学习推荐平台。其次,基于微服务架构理念,采用目前流行的微服务框架Spring Cloud进行开发。严格遵循科学的软件开发流程,先对在线学习推荐平台进行可行性分析以及需求分析,同时对该平台进行总体架构设计;然后在基于平台功能需求分析的基础上,根据系统功能设计了平台的微服务模块;最后对平台的数据库进行设计。然后,针对传统排序推荐算法存在的小样本可信度问题和马太效应。分析提取了课程特征属性好评率和总评价数,同时结合了威尔逊区间和时间衰减函数,提出了一种基于课程特征属性的排序推荐算法。最后,选用了 Spring Cloud、Vue.js 和 IntelliJ IDEA 等目前流行的 Java Web 开发技术和工具,实现了在线学习推荐平台的前后台系统,并在该平台里实现了基于课程特征属性的排序推荐算法,同时对该平台和排序推荐算法进行测试。测试结果表明,该平台部署灵活、易拓展并且使用稳定,用户能够在多个浏览器上快速访问和使用系统功能,改善了小样本可信度问题,并且缓解了马太效应,能够较准确的以非个性化的方式推荐课程资源给用户。
基于Flink的分布式推荐系统研究与应用
这是一篇关于推荐系统,实时推荐,时间衰减函数,Apache Flink,Hadoop的论文, 主要内容为随着互联网和网络技术的飞速发展,用户享受着越来越便捷的网络服务。但同时,“信息过载”问题也很快地暴露在人们的面前,有效的筛选信息从而提高效率的能力就显得尤为重要,推荐系统就能很好满足了人们的需求。面对着巨大且不断高速增长的数据量,传统推荐系统面临着计算效率低、实时推荐效果不佳、推荐方式单一等问题。具有分布式并行化计算能力的推荐系统就成了越来越迫切的需求。针对上述问题,本文使用新一代流式计算引擎Apache Flink作为多种推荐服务的计算平台,结合Hadoop、Hive、Flume、Redis、Zoo Keeper和Kafka等大数据开源技术构建分布式推荐系统。首先,在推荐算法上,对实时推荐算法进行改进和优化,在计算推荐优先级时融入时间衰减函数,反应用户喜好随时间的变化,考虑到一次评分中消极评分和极低评分的影响,融入用户近期评分,生成多个备选物品列表,在列表间加上时间衰减函数,生成最终的列表。在相似推荐中,通过电影的类型信息计算电影之间的相似度,融入TF-IDF加权算法对热门类型的权重进行调整。离线推荐选择使用基于交替最小二乘法(Alternating Least Square,ALS)的协同过滤算法,使用基于Flink的通用算法平台Alink,提升离线推荐算法在分布式场景下计算效率。数值实验的结果表明,使用基于隐含特征向量去计算相似度相较于使用基于特征属性的方式,在改进后的实时推荐算法的推荐效果上有明显的提升。改进后的实时推荐算法相较于原算法在准确率、召回率和归一化折损累计增益NDCG都有一定的提升,时间衰减系数λ为0.4时,准确率和召回率有较好的表现,而时间衰减系数λ为0.5时,归一化折损累计增益NDCG有较好的表现。其次,对分布式推荐系统的整体架构进行设计,利用Movie Lens开源数据构建电影推荐系统,包含了存储层、数据处理层、应用层和展示层。存储层以Hadoop为核心做分布式的存储;数据处理层使用Flink集群作为不同推荐服务的计算引擎;应用层包含了离线推荐服务、实时推荐服务、统计推荐服务和相似推荐服务,相应的推荐列表会被存入My SQL;展示层包含前端和后端两部分,并采用了Angular JS技术进行了实施,后端的业务系统则基本上完成了Java EE层面完整的服务逻辑,并利用Spring完成搭建。最终实现多种推荐服务相互补充的混合电影推荐系统。
基于Spring Cloud和课程特征属性的在线学习推荐平台
这是一篇关于在线学习推荐平台,Spring Cloud,课程特征属性,威尔逊区间,时间衰减函数的论文, 主要内容为随着互联网的普及,再加上政府出台的各种政策的引导以及大量资本涌入教育行业,在线教育渐渐兴起。但是传统的在线学习平台由于当时技术的局限性,采用单体式架构进行开发,存在灵活性较低、可拓展性和稳定性较差等问题,不能够很好地满足不断增长的业务规模和用户需求。而且传统的排序推荐算法,也存在小样本可信度问题和马太效应。为了解决上述问题,本文设计并实现了一种基于Spring Cloud和课程特征属性的在线学习推荐平台,该平台具有一定的应用价值,具体的工作内容如下:首先,通过分析传统的在线学习平台,发现其存在灵活性较低、可拓展性和稳定性较差等问题,而微服务恰好能够解决以上痛点,因此确定使用微服务架构来开发本文的在线学习推荐平台。其次,基于微服务架构理念,采用目前流行的微服务框架Spring Cloud进行开发。严格遵循科学的软件开发流程,先对在线学习推荐平台进行可行性分析以及需求分析,同时对该平台进行总体架构设计;然后在基于平台功能需求分析的基础上,根据系统功能设计了平台的微服务模块;最后对平台的数据库进行设计。然后,针对传统排序推荐算法存在的小样本可信度问题和马太效应。分析提取了课程特征属性好评率和总评价数,同时结合了威尔逊区间和时间衰减函数,提出了一种基于课程特征属性的排序推荐算法。最后,选用了 Spring Cloud、Vue.js 和 IntelliJ IDEA 等目前流行的 Java Web 开发技术和工具,实现了在线学习推荐平台的前后台系统,并在该平台里实现了基于课程特征属性的排序推荐算法,同时对该平台和排序推荐算法进行测试。测试结果表明,该平台部署灵活、易拓展并且使用稳定,用户能够在多个浏览器上快速访问和使用系统功能,改善了小样本可信度问题,并且缓解了马太效应,能够较准确的以非个性化的方式推荐课程资源给用户。
基于Spring Cloud和课程特征属性的在线学习推荐平台
这是一篇关于在线学习推荐平台,Spring Cloud,课程特征属性,威尔逊区间,时间衰减函数的论文, 主要内容为随着互联网的普及,再加上政府出台的各种政策的引导以及大量资本涌入教育行业,在线教育渐渐兴起。但是传统的在线学习平台由于当时技术的局限性,采用单体式架构进行开发,存在灵活性较低、可拓展性和稳定性较差等问题,不能够很好地满足不断增长的业务规模和用户需求。而且传统的排序推荐算法,也存在小样本可信度问题和马太效应。为了解决上述问题,本文设计并实现了一种基于Spring Cloud和课程特征属性的在线学习推荐平台,该平台具有一定的应用价值,具体的工作内容如下:首先,通过分析传统的在线学习平台,发现其存在灵活性较低、可拓展性和稳定性较差等问题,而微服务恰好能够解决以上痛点,因此确定使用微服务架构来开发本文的在线学习推荐平台。其次,基于微服务架构理念,采用目前流行的微服务框架Spring Cloud进行开发。严格遵循科学的软件开发流程,先对在线学习推荐平台进行可行性分析以及需求分析,同时对该平台进行总体架构设计;然后在基于平台功能需求分析的基础上,根据系统功能设计了平台的微服务模块;最后对平台的数据库进行设计。然后,针对传统排序推荐算法存在的小样本可信度问题和马太效应。分析提取了课程特征属性好评率和总评价数,同时结合了威尔逊区间和时间衰减函数,提出了一种基于课程特征属性的排序推荐算法。最后,选用了 Spring Cloud、Vue.js 和 IntelliJ IDEA 等目前流行的 Java Web 开发技术和工具,实现了在线学习推荐平台的前后台系统,并在该平台里实现了基于课程特征属性的排序推荐算法,同时对该平台和排序推荐算法进行测试。测试结果表明,该平台部署灵活、易拓展并且使用稳定,用户能够在多个浏览器上快速访问和使用系统功能,改善了小样本可信度问题,并且缓解了马太效应,能够较准确的以非个性化的方式推荐课程资源给用户。
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/52731.html
