融合知识图谱的多层兴趣建模及其在推荐系统中的应用
这是一篇关于知识图谱,用户属性,兴趣建模,向量表征,自适应权重,电影推荐系统的论文, 主要内容为科技的飞速发展伴随着数据量的爆炸式增长,“信息过载”成为人们亟待解决的问题之一。个性化推荐系统作为目前广泛使用的信息过滤手段,主动为用户推荐感兴趣的内容,大大缩减了决策时间成本,使人们获得丰富多样的信息服务。知识图谱作为一种多源异构信息,可为推荐算法提供丰富的先验知识,细粒度表征用户或项目之间的语义关联,有效解决数据稀疏性问题,提高推荐系统的性能。然而现今的大多模型主要依靠历史交互无法挖掘到用户的深层兴趣,且新用户的冷启动问题始终是阻碍推荐系统发展的一大难题。针对上述问题本文提出一种改进的用户兴趣模型,并以该模型为算法支撑设计开发了电影推荐系统。具体研究内容如下所示:(1)本文提出融合知识图谱和用户属性的多层兴趣模型(MIKU)。该模型首先以用户的历史交互项目为知识图谱的头实体构建浅层兴趣,结合知识图谱中关系路径链接到历史项目的相关实体挖掘用户深层兴趣;其次考虑到用户兴趣的多样性,针对不同层次的兴趣分别采用自适应加权机制,学习用户对不同行为及兴趣点的偏好权重。在细粒度刻画物品特征的同时,更全面完备地表征用户兴趣,并且结合了用户的属性特征有效解决了冷启动问题。通过在公开的电影数据集验证,结果表明MIKU模型同诸多基准模型相比,在推荐结果的准确率上提高了1.93%～5.59%、召回率上提升了2.95%～4.7%。(2)为证实所提算法的可行性,本文利用豆瓣网站爬取并处理真实数据信息,根据相关技术构建完整的豆瓣电影知识图谱,同时设计和实现了一个基于知识图谱的电影推荐系统。首先以用户体验为原则进行系统需求分析,从数据获取、知识图谱构建和电影推荐系统实现三个模块对整体框架进行设计,并对各模块设计方法进行详细解析。系统具体实现采用Python语言,利用爬虫技术和PyQt5集成库完成基于知识图谱的电影推荐系统开发,同时结合Neo4j图数据库将知识存储并可视化展示。通过对系统进行详细的功能测试和界面优化,在保证用户需求的同时,可利用知识图谱为推荐列表提供一定的可解释性,保证系统的可行性。
融合用户和项目属性信息的个性化推荐技术研究
这是一篇关于个性化推荐,冷启动,用户属性,项目属性,协同过滤的论文, 主要内容为随着信息技术的发展和互联网的广泛普及以及移动互联网技术的蓬勃发展,人们所面临的“信息过载”问题日益严峻。推荐系统作为有效解决“信息过载”问题的重要手段已广泛应用于电子商务、音乐网站、新闻资讯、在线学习等诸多领域,并取得了显著的效果,尤其是以协同过滤技术为代表的个性化推荐技术已成为人们及时准确地获取有用信息的必不可少的重要手段。协同过滤技术虽然得到了广泛的应用,但是其固有的不足一直困扰着人们,如数据稀疏、冷启动等问题一直是诸多学者们致力于解决的研究热点。针对上述问题本文在已有的推荐模型的基础上融合用户和项目的属性信息,提出了一种能够解决冷启动问题的混合推荐模型,并命名为“C-SVD++”模型。混合模型的预测结果由三部分组成,分别是基于用户属性信息的预测评分、基于项目属性信息的预测评分以及传统评分模型的预测评分。考虑到已有的方法在解决冷启动问题的过程中往往以牺牲模型整体的准确率为代价的问题,该混合模型通过巧妙地设计各项权重系数,使得能够根据用户和项目在推荐系统中的交互情况动态调整混合模型中各项所占的比重,以保证模型整体的推荐准确率的情况下有效缓解冷启动问题。为了更加合理充分地利用用户和项目的属性信息并提高基于属性信息的预测结果的可靠性,本文总结了普遍适用于各种不同类型属性信息的相似性度量方法适用准则,为改进模型能够在具有不同类型属性信息的不同平台上得到顺利应用奠定了基础,也为今后在推荐系统中更好地研究和利用用户和项目的属性信息提供了理论框架。最后在Movie Lens 100K数据集上进行了对比验证实验。对比验证实验结果表明改进的混合模型不仅能够有效缓解冷启动问题,同时也能够提高在非冷启动情况下的推荐准确率,充分证明了本文提出的混合模型和相似性度量方法的有效性和先进性。
面向稀疏数据的推荐算法研究与应用
这是一篇关于协同过滤,信任度,巴氏相似度,矩阵分解,用户属性的论文, 主要内容为随着信息技术与互联网技术的不断发展,人们可以在网上获得信息种类也更加的丰富。但同时,得到的信息数量也非常冗杂。推荐系统能够对海量信息进行处理,从中提取有用的信息,更深层次的挖掘出用户的需求或者是喜好偏向,进而为用户提供一个更加优质的个性化服务,提高用户的满意度。长久以来,数据稀疏、冷启动一直是影响系统推荐精度的主要原因。推荐系统在评分信息稀薄的条件下挖掘用户或者项目的特征信息是一件棘手的事情,为此,本文选取实现简单且推荐效果好的协同过滤作为最基础的算法,具体从相似度改进和填充评分矩阵这两个方面进行了研究。首先,针对数据稀疏情况下传统的依靠共同评分项计算的相似度方法不再适用的问题,本文提出将用户评分相似度与信任相似度混合在一起的方法来正确的寻觅用户最近邻居集合,生成精准推荐。针对传统评分相似度计算方法对于共同评分项的依赖问题,使用巴氏相似度计算方法加以改进,形成用户兴趣度计算公式。此外,在用户的直接信任度计算阶段中本文使用全局的信任权值加权计算,与此同时,还根据信任可传递性特点来计算用户的间接信任,将二者混合形成综合信任度。将评分与信任信息引入的用户相似度,能够在数据稀疏的情况下精确寻找用户邻居集合,产生精准推荐。实验表明,与传统的推荐算法相比,在评分信息稀薄的条件下改进后的算法具有更加优越的推荐表现。其次,针对评分矩阵的数据稀疏以及用户冷启动带来的极端数据稀疏问题,本文提出一种矩阵分解以及用户属性改进的推荐算法。根据用户评分,矩阵分解技术可以提取出用户、项目的潜在特征用来预测缺失的物品分值并进行填补,在此基础上进行用户兴趣相似度计算。同时基于用户的个人信息计算用户属性相似度,并与用户兴趣相似度混合成一个新的相似度计算方法。实验表明,与提出的几个基线方法相比较,在评分信息稀薄的条件下改进后的算法具有更加优越的推荐表现。
基于遗忘函数和多属性特征提取的矩阵分解推荐算法研究
这是一篇关于矩阵分解,遗忘函数,用户属性,优化模型,推荐系统的论文, 主要内容为复杂网络研究已渗透到数理学科、生命学科、工程学科等不同领域,个性化推荐是复杂网络研究中最为广泛的研究课题之一,在解决信息过载、挖掘人们兴趣爱好等方面都有重要影响和作用.近年来,各种推荐算法应运而生,协同过滤算法是最受欢迎的一种推荐算法,但是仍存在冷启动、稀疏性、时效性等问题.在传统协同过滤的基础上,融入矩阵分解技术可以大大减少计算复杂度,在一定程度上解决冷启动、稀疏性的问题.本文以遗忘函数和多属性特征提取的矩阵分解作为主要研究内容,将遗忘函数融入历史评分,使已有评分信息更具有效性,进而提取用户特征属性寻找相似用户,最终建立优化模型进行矩阵分解,给出用户更好的推荐.(1)基于遗忘函数和用户属性特征提取的矩阵分解推荐算法.首先,考虑时间对于推荐结果的影响,根据人的遗忘曲线拟合新的遗忘函数,对原始评分做平滑.其次,考虑到用户属性的合理应用会更精确地做推荐,利用用户各种属性分量的结合表示用户之间的关系,再通过用户之间关系和原始评分的融合表示用户与项目之间的关系.最后将时间信息和属性信息融入到本章构建的矩阵分解优化模型中进行矩阵恢复,并且理论证明该算法的收敛性.通过实验仿真,在已有的算法基础上验证该算法的推荐精度高,(2)基于时间影响权重的矩阵分解推荐算法研究.本文针对时间信息对于评分的影响,对不同时间的评分进行拟合,构建了时间影响的连续函数.又考虑某些人会对项目的兴趣变化随时间变化较慢,所以保留原来的评分矩阵.最后将时间影响后的评分矩阵和原始评分矩阵综合考虑,构建新的矩阵分解优化模型.通过实验模拟,与已有较优的矩阵分解算法进行比较,在推荐评测指标上验证该算法的有效性。
基于Spark平台的推荐算法研究与应用
这是一篇关于协同过滤,局部相似性,用户属性,Spark的论文, 主要内容为进入数据时代后,互联网上存储的数据量呈指数级增长,面对海量数据,一般搜索功能不能满足所有需求,无法充分挖掘用户兴趣。推荐系统随之诞生,它帮助用户更快地发现感兴趣的高质量信息,在用户需求模糊的情况下也能提供比搜索方式更为精准的内容。论文重点对局部相似性、近邻选择以及在协同过滤推荐中的应用展开研究。首先,基于用户对事物偏好不同的特点引出局部相似的概念,设计了用于提升数据密度的LSWSO算法,该算法从标签着手,确立了以标签因子为衡量准则的聚类算法,并利用遗忘函数解决用户兴趣漂移问题,然后借助加权Slope One算法填充矩阵,降低数据稀疏性;为了提高聚类效率,LSWSO算法在Spark平台上实现了并行化方案。其次,将并行化的LSWSO算法融合基于用户的协同过滤,设计了LSWSO-User CF算法,该算法在使用LSWSO获得相对稠密的评分矩阵后,结合用户属性计算相似度并挑选近邻集合,接着以近邻为参考对象进行预测评分和Top-N推荐;另外,LSWSO-User CF算法还利用LSWSO的特点提出了一种冷启动解决办法;同时,基于开发环境一致性等因素的考量,LSWSO-User CF同样采用Spark进行并行计算。最后,开发了一个较为完备的个性化音乐推荐原型系统,将并行LSWSO-User CF算法应用于该系统的推荐模块,进一步检验算法的实用性。使用Movie Lens和Tag-Genome数据集在Spark平台上进行实验,测试结果显示并行化LSWSO算法和并行化LSWSO-User CF算法在大数据场景下有较好的性能表现。
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：毕设小屋 ，原文地址：https://m.bishedaima.com/lunwen/56221.html
