基于项目共现和知识图谱的推荐算法研究
这是一篇关于推荐系统,度量分解,项目嵌入,知识图谱,偏好传播的论文, 主要内容为随着互联网行业和信息技术的飞速发展,用户面对大量的信息选择。因此,推荐系统帮助用户处理信息过载的问题,受到越来越多的关注。面对这样的大规模的选择,用户只会调用其中很小的一部分,从而会造成数据稀疏性问题。因此,在数据稀疏的情况下,如何建立用户与项目之间的关系,挖掘更多的数据信息以更好地帮助用户过滤冗余信息,满足用户的个性化需求,在当今社会已经成为一个巨大的挑战。传统的协同过滤算法在推荐系统中已经取得了不错的效果,但当遇到数据稀疏问题时,其算法性能就会受到影响。为解决数据稀疏问题,本文提出了基于项目共现的度量分解,该模型利用欧式距离联合分解用户-项目交互矩阵和共享潜在因子的项目-项目共现矩阵。通过点互信息的计算,从共同喜欢矩阵中得到了项目共现矩阵。同时,在4个数据集上进行了关于等级预测和项目排序的实验。实验结果表明,该方法在评价预测和项目排序两方面都明显优于对比算法。此外,其不仅适用于等级预测和项目排序,而且能很好地克服数据稀疏的问题。知识图谱的推荐将知识图谱中丰富的项目实例和联系用于用户-项目的补充信息以解决数据稀疏和冷启动问题已经得到了越来越多的关注。为充分使用知识图谱的优势,本文提出了传播用户偏好的知识图谱的推荐算法,主要联合使用基于嵌入和基于路径的知识图谱推荐的一个端到端的推荐框架,同时引入曼哈顿距离与矩阵分解内积共同进行用户和项目潜在因子的训练以缓解矩阵内积不满足三角不等定理的问题。为展现方法的有效性,在数据集Book-Crossing和movielens-1M进行了实验,实验结果表明该方法在这2个数据集上都有较大的提升。但只是使用了一些常见的关系建立知识图谱,在未来的研究中应引入新的关系以完善知识图谱的建立。
基于度量分解和深度学习的推荐系统的研究与应用
这是一篇关于度量分解,推荐系统,协同注意力,置信机制,深度学习的论文, 主要内容为随着互联网信息技术的不断向前发展,人们所要面对和处理的数据信息也日益增多,大量且繁杂的信息阻挠了有效信息的传递,在互联网中找到自己感兴趣的内容宛如大海捞针。对于用户和商家而言,推荐系统可以有效地将物品和用户的信息关联在一起,从而实现高效的推送,创造价值。传统的协同过滤算法中所采用的矩阵分解方式在构建用户物品交互矩阵上存在一定的局限性,导致算法限制了矩阵分解的表现力。本文通过采用度量分解与深度学习相结合的方式构建推荐系统的离线算法模块,主要对不同种类的场景下的用户物品评论数据集进行数据处理。通过设计实验探究不同数据下该方案相对于传统算法在推荐指标上的提升,以及度量分解算法与深度学习推荐算法相结合的可能性。本文以Amazon评论数据为主要场景对推荐方案进行研究和实验,分别根据不同类型数据下用户和物品的关系以及对应的评论、评分等信息对数据进行处理和研究。本论文的工作如下:1.在推荐系统的离线算法模块构建过程中,许多经典的推荐算法采用了矩阵分解和度量空间学习的方式。在推荐过程中处理用户和物品之间的交互关系,但是这两种方法或多或少都存在一些缺陷。本文在以基于内容推荐的深度学习模型基础上,探讨和研究度量分解方式与基于内容推荐模型结合的可能性。2.使用度量分解的方式对基于内容大的推荐模型进行改进,提出了一种基于度量分解的深度学习推荐改进方案,解决了原有模型在矩阵分解在推荐过程中存在的局限性。3.在原有模型中损失函数中引入了置信机制进行修改和优化,通过该机制为不同数据分配不同的权重,从而可以通过调整参数在不同的数据集上获得相对较好的推荐效果。4.对数据进行相关处理,对用户和物品所具有的评论信息进行筛选,将评论信息通过过滤和分词后进行数字化和索引构建操作,为后续模型的处理和推荐平台的构建做准备。对Amazon评论数据集进行下载、收集和处理,为模型的实验和后续推荐展示平台的构建提供数据来源。5.推荐系统展示平台:设计并实现基于度量分解的推荐系统展示平台,通过推荐计算模块结合处理后的数据对用户与物品之间的评分进行训练和计算预测,将推荐结果通过前端界面展示给用户。最后,在Amazon Instant、Amazon automotive和Amazon Video Games三个用户物品评论数据集的推荐指标中改进模型都取得了提升,其中MSE指标相比较于其他推荐模型至少取得了2.1%、1.2%和5.4%的提升,证明了本文提出的改进方案的有效性。并且在Amazon Instant和Amazon Automotive两个评论数据上使用不同的置信值进行实验,通过MSE指标的变化证明了置信机制在评论数据上的有效性。
基于项目共现和知识图谱的推荐算法研究
这是一篇关于推荐系统,度量分解,项目嵌入,知识图谱,偏好传播的论文, 主要内容为随着互联网行业和信息技术的飞速发展,用户面对大量的信息选择。因此,推荐系统帮助用户处理信息过载的问题,受到越来越多的关注。面对这样的大规模的选择,用户只会调用其中很小的一部分,从而会造成数据稀疏性问题。因此,在数据稀疏的情况下,如何建立用户与项目之间的关系,挖掘更多的数据信息以更好地帮助用户过滤冗余信息,满足用户的个性化需求,在当今社会已经成为一个巨大的挑战。传统的协同过滤算法在推荐系统中已经取得了不错的效果,但当遇到数据稀疏问题时,其算法性能就会受到影响。为解决数据稀疏问题,本文提出了基于项目共现的度量分解,该模型利用欧式距离联合分解用户-项目交互矩阵和共享潜在因子的项目-项目共现矩阵。通过点互信息的计算,从共同喜欢矩阵中得到了项目共现矩阵。同时,在4个数据集上进行了关于等级预测和项目排序的实验。实验结果表明,该方法在评价预测和项目排序两方面都明显优于对比算法。此外,其不仅适用于等级预测和项目排序,而且能很好地克服数据稀疏的问题。知识图谱的推荐将知识图谱中丰富的项目实例和联系用于用户-项目的补充信息以解决数据稀疏和冷启动问题已经得到了越来越多的关注。为充分使用知识图谱的优势,本文提出了传播用户偏好的知识图谱的推荐算法,主要联合使用基于嵌入和基于路径的知识图谱推荐的一个端到端的推荐框架,同时引入曼哈顿距离与矩阵分解内积共同进行用户和项目潜在因子的训练以缓解矩阵内积不满足三角不等定理的问题。为展现方法的有效性,在数据集Book-Crossing和movielens-1M进行了实验,实验结果表明该方法在这2个数据集上都有较大的提升。但只是使用了一些常见的关系建立知识图谱,在未来的研究中应引入新的关系以完善知识图谱的建立。
融合属性特征的电影推荐系统研究
这是一篇关于推荐系统,电影推荐网站,混合推荐,属性坐标,概率矩阵分解,度量分解的论文, 主要内容为数据分析与智能技术的应用,让人们生活在一个充满数据的时代,面对冗杂的信息用户需要花费很多时间才能找到自己想要的资源,这种浏览大量无关信息和产品的过程无疑会使用户不断流失。为了解决此问题,推荐系统应运而生。电影作为网络用户娱乐及消费的重要方式,已然成为人们日常活动的一部分。然而电影资源日趋丰富,题材众多,使得人们很难从海量电影中挑选出自己所喜爱的电影。虽然不断更新的推荐算法,在一定程度上缓解了电影资源过载的问题,然而缺乏个性化的推荐导致结果相似度高,多样性差,难以满足用户需求。因此,设计有针对性的个性化推荐算法,具有现实应用价值。为此,针对数据稀疏而导致推荐精度低、个性化差的问题,提出了融合属性偏好的联合概率矩阵分解模型,以用户-项目评分行为及属性信息为基础构建用户-项目属性矩阵与用户属性-项目矩阵,利用降噪编码器将稀疏偏好矩阵转化为稠密矩阵,对评分矩阵、降噪后的矩阵进行联合概率矩阵分解,通过共享用户、项目特征矩阵约束损失函数,构建预测矩阵;针对矩阵分解无法挖掘用户与电影间的深层关联,提出基于属性坐标共享的度量分解模型,将用户、项目在度量空间坐标表示为属性带来的属性坐标及个体特有的个性坐标,同时令拥有相同属性的个体共享属性坐标,以此约束度量空间距离,构建距离预测矩阵。将两类模型在真实数据集上进行实验,结果表明其评分预测能力均强于其他对比基线模型。同时,从实际应用的角度出发,以个性化较弱的电影推荐为载体,设计并实现基于B/S架构的个性化电影推荐系统,以提出两类模型并行混合构成推荐算法,针对不同用户计算混合权重实现对不同用户的个性化推荐。进行系统测试与算法实验,结果表明推荐系统可正常运转实现电影推荐功能,且提出的个性化混合推荐算法较混合前有更优秀的推荐性能。该论文有图40幅,表21个,参考文献66篇。
度量分解推荐算法改进及应用研究
这是一篇关于度量分解,时间权重,隐反馈,双正则,推荐应用的论文, 主要内容为随着信息的快速增长,用户无法快速获取个人所需的信息,推荐系统的出现,有效的解决了这一问题。推荐算法是推荐系统的核心,研究推荐算法对于提高推荐系统的性能和用户的满意度具有重要的意义。度量分解推荐算法的提出,解决了矩阵分解推荐算法因向量点积而导致模型出现次优解的问题,其用欧氏距离代替向量点积的思想,为近几年推荐领域提供了新的研究方向。但是,该算法也会受到用户兴趣随时间变化和冷启动问题的影响,另外其只考虑了单一的评分数据,使得模型无法学习到更多的特征信息。为了提高度量分解算法的推荐准确性,并解决冷启动问题,本文提出了如下的改进策略:(1)针对信息单一和用户兴趣漂移的问题。首先本文考虑用户行为信息,挖掘用户行为隐反馈信息对模型本身的影响;其次考虑到用户兴趣会随着时间的改变产生漂移的问题,本文利用艾宾浩斯遗忘曲线拟合用户的兴趣变化趋势,描述用户在不同时段评分的不同比重以解决用户兴趣漂移问题,提出了TFML++算法。在Movie Lens数据集上的实验结果表明,TFML++算法相比于其他算法在评分预测任务中的预测准确率有明显的提升。(2)针对冷启动问题。本文在使用TFML++算法进行推荐的基础上,首先利用社交正则项和用户信任关系的隐反馈信息对用户位置向量进行约束;其次,通过关联规则构建项目之间相似度的度量方式,挖掘项目之间的关系,并根据相似度为每个项目筛选出Top-K个近邻集合,用正则项对项目的位置向量进行约束,建立了TFMLReg++模型。通过在CiaoDVD数据集上与其他算法的实验比较,验证了改进后的算法能够有效缓解冷启动问题,并具有更高的推荐准确度。最后,本文将上述改进之后得到的TFMLReg++算法应用到Yelp提供的餐饮相关数据集的推荐中,实现对用户的个性化推荐。
融合属性特征的电影推荐系统研究
这是一篇关于推荐系统,电影推荐网站,混合推荐,属性坐标,概率矩阵分解,度量分解的论文, 主要内容为数据分析与智能技术的应用,让人们生活在一个充满数据的时代,面对冗杂的信息用户需要花费很多时间才能找到自己想要的资源,这种浏览大量无关信息和产品的过程无疑会使用户不断流失。为了解决此问题,推荐系统应运而生。电影作为网络用户娱乐及消费的重要方式,已然成为人们日常活动的一部分。然而电影资源日趋丰富,题材众多,使得人们很难从海量电影中挑选出自己所喜爱的电影。虽然不断更新的推荐算法,在一定程度上缓解了电影资源过载的问题,然而缺乏个性化的推荐导致结果相似度高,多样性差,难以满足用户需求。因此,设计有针对性的个性化推荐算法,具有现实应用价值。为此,针对数据稀疏而导致推荐精度低、个性化差的问题,提出了融合属性偏好的联合概率矩阵分解模型,以用户-项目评分行为及属性信息为基础构建用户-项目属性矩阵与用户属性-项目矩阵,利用降噪编码器将稀疏偏好矩阵转化为稠密矩阵,对评分矩阵、降噪后的矩阵进行联合概率矩阵分解,通过共享用户、项目特征矩阵约束损失函数,构建预测矩阵;针对矩阵分解无法挖掘用户与电影间的深层关联,提出基于属性坐标共享的度量分解模型,将用户、项目在度量空间坐标表示为属性带来的属性坐标及个体特有的个性坐标,同时令拥有相同属性的个体共享属性坐标,以此约束度量空间距离,构建距离预测矩阵。将两类模型在真实数据集上进行实验,结果表明其评分预测能力均强于其他对比基线模型。同时,从实际应用的角度出发,以个性化较弱的电影推荐为载体,设计并实现基于B/S架构的个性化电影推荐系统,以提出两类模型并行混合构成推荐算法,针对不同用户计算混合权重实现对不同用户的个性化推荐。进行系统测试与算法实验,结果表明推荐系统可正常运转实现电影推荐功能,且提出的个性化混合推荐算法较混合前有更优秀的推荐性能。该论文有图40幅,表21个,参考文献66篇。
度量分解推荐算法改进及应用研究
这是一篇关于度量分解,时间权重,隐反馈,双正则,推荐应用的论文, 主要内容为随着信息的快速增长,用户无法快速获取个人所需的信息,推荐系统的出现,有效的解决了这一问题。推荐算法是推荐系统的核心,研究推荐算法对于提高推荐系统的性能和用户的满意度具有重要的意义。度量分解推荐算法的提出,解决了矩阵分解推荐算法因向量点积而导致模型出现次优解的问题,其用欧氏距离代替向量点积的思想,为近几年推荐领域提供了新的研究方向。但是,该算法也会受到用户兴趣随时间变化和冷启动问题的影响,另外其只考虑了单一的评分数据,使得模型无法学习到更多的特征信息。为了提高度量分解算法的推荐准确性,并解决冷启动问题,本文提出了如下的改进策略:(1)针对信息单一和用户兴趣漂移的问题。首先本文考虑用户行为信息,挖掘用户行为隐反馈信息对模型本身的影响;其次考虑到用户兴趣会随着时间的改变产生漂移的问题,本文利用艾宾浩斯遗忘曲线拟合用户的兴趣变化趋势,描述用户在不同时段评分的不同比重以解决用户兴趣漂移问题,提出了TFML++算法。在Movie Lens数据集上的实验结果表明,TFML++算法相比于其他算法在评分预测任务中的预测准确率有明显的提升。(2)针对冷启动问题。本文在使用TFML++算法进行推荐的基础上,首先利用社交正则项和用户信任关系的隐反馈信息对用户位置向量进行约束;其次,通过关联规则构建项目之间相似度的度量方式,挖掘项目之间的关系,并根据相似度为每个项目筛选出Top-K个近邻集合,用正则项对项目的位置向量进行约束,建立了TFMLReg++模型。通过在CiaoDVD数据集上与其他算法的实验比较,验证了改进后的算法能够有效缓解冷启动问题,并具有更高的推荐准确度。最后,本文将上述改进之后得到的TFMLReg++算法应用到Yelp提供的餐饮相关数据集的推荐中,实现对用户的个性化推荐。
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：代码项目助手 ，原文地址：https://m.bishedaima.com/lunwen/56165.html
