基于用户上下文的数字媒体个性化推荐系统的设计与实现
这是一篇关于个性化推荐系统,用户上下文,本体,用户兴趣偏好,Protégé,Jena的论文, 主要内容为当今,个性化推荐系统已经在很多领域被应用,如网络商品推荐、音乐推荐等,协同过滤是其中应用最为广泛的个性化推荐技术,但是,这些系统大部分没有考虑用户上下文对推荐结果的影响,或者推荐结果没有随用户兴趣偏好改变而更新。 本文在使用传统的协同过滤技术来实现个性化推荐系统的基础之上,将用户的上下文信息引入到推荐系统中。本文在研究上下文感知以及本体相关理论知识的基础上,参与系统分析、设计,并实现了基于用户上下文的数字媒体个性化推荐系统。 本文主要完成的工作：首先,在初步需求分析的基础上确定了系统中的用户上下文信息的具体所指内容,并给出了用户上下文信息的获取方法。其次,建立了系统中的数字媒体领域本体并对用户的上下文信息进行本体建模,实现系统中各概念的本体实例的程序自动创建与扩展。再次,建立用户兴趣偏好表示形式,并基于本体的查询与推理处理能力构建系统各用户的用户兴趣偏好。最后,依据建立的用户兴趣偏好以及用户的当前上下文信息产生一定数量的推荐结果并将推荐结果在系统前台页面呈现出来。 总的来说,目前对上下文以及本体在推荐系统中的应用还处于研究阶段,而且大多数的研究项目针对的是移动领域的服务推荐,针对Web用户的推荐系统研究项目则比较少,本文参与设计实现的基于用户上下文的数字媒体个性化推荐系统是对这一领域研究的一次尝试。
基于用户上下文的数字媒体个性化推荐系统的设计与实现
这是一篇关于个性化推荐系统,用户上下文,本体,用户兴趣偏好,Protégé,Jena的论文, 主要内容为当今,个性化推荐系统已经在很多领域被应用,如网络商品推荐、音乐推荐等,协同过滤是其中应用最为广泛的个性化推荐技术,但是,这些系统大部分没有考虑用户上下文对推荐结果的影响,或者推荐结果没有随用户兴趣偏好改变而更新。 本文在使用传统的协同过滤技术来实现个性化推荐系统的基础之上,将用户的上下文信息引入到推荐系统中。本文在研究上下文感知以及本体相关理论知识的基础上,参与系统分析、设计,并实现了基于用户上下文的数字媒体个性化推荐系统。 本文主要完成的工作：首先,在初步需求分析的基础上确定了系统中的用户上下文信息的具体所指内容,并给出了用户上下文信息的获取方法。其次,建立了系统中的数字媒体领域本体并对用户的上下文信息进行本体建模,实现系统中各概念的本体实例的程序自动创建与扩展。再次,建立用户兴趣偏好表示形式,并基于本体的查询与推理处理能力构建系统各用户的用户兴趣偏好。最后,依据建立的用户兴趣偏好以及用户的当前上下文信息产生一定数量的推荐结果并将推荐结果在系统前台页面呈现出来。 总的来说,目前对上下文以及本体在推荐系统中的应用还处于研究阶段,而且大多数的研究项目针对的是移动领域的服务推荐,针对Web用户的推荐系统研究项目则比较少,本文参与设计实现的基于用户上下文的数字媒体个性化推荐系统是对这一领域研究的一次尝试。
推荐系统使能的边缘缓存策略研究
这是一篇关于边缘缓存,推荐系统,用户兴趣偏好,内容热度的论文, 主要内容为视频直播、短视频业务的蓬勃发展在丰富人们日常生活的同时,也导致了数据流量爆炸式增长。为了提升用户体验质量,边缘缓存技术将内容提前缓存在离用户较近的边缘节点中,降低用户请求响应时延。由于用户兴趣的时变性和视频内容的多样性,如何精确感知用户的兴趣变化和内容的流行趋势成为实现高效边缘缓存所面临的关键挑战。推荐系统技术能够基于海量数据分析用户个性化用户偏好,为用户提供“千人千面的”的个性化推荐服务。因此,本文基于推荐系统方法对边缘缓存优化展开了深入的研究。针对由于用户兴趣时变性所导致的用户兴趣偏好预测难的问题,本文基于用户行为特征提出了用户兴趣挖掘与进化模型。该模型利用门控循环单元从用户历史观影序列中剔除数据噪声,提取主要兴趣偏好,进一步利用带有注意力更新机制的门控循环单元分析用户主要兴趣的进化过程,从而获得用户兴趣偏好预测结果。基于该结果,进一步将用户偏好、用户兴趣权重和内容关联信息进行融合,指导边缘缓存内容优化。实验结果表明,本文所提模型对用户兴趣的预测准确率达到80%,相比于基于用户偏好的缓存方法,缓存命中率和用户命中率平均提高了21%和16%。针对用户兴趣与内容热度之间的差异性问题,本文提出了一个多任务学习模型,该模型通过设置不同的主/辅任务,考虑个体用户兴趣偏好与全局内容热度对用户请求行为的影响,进一步利用融合层和异化层学习多任务间的耦合性和差异性,同步预测用户的兴趣偏好与内容的全局热度。在此基础上,引入群组用户活跃度和内容正反馈等社会属性,将个性化特征和全局特征转化为群组特征,从用户群体的角度为边缘网络提供更为高效的内容缓存推荐。实验结果表明,本文所提模型使多任务预测的准确率平均提升12%,相比于最小频率使用策略,缓存命中率和用户命中率平均提高了34%和32%。
基于用户兴趣和时间的协同过滤算法研究
这是一篇关于协同过滤,稀疏性,用户兴趣偏好,聚类,时间权重的论文, 主要内容为随着互联网、移动互联网的快速发展,电影、音乐等领域的网站越来越多,导致网络中的信息量急剧增加,人们从中获取所需的信息需要花费大量的时间和精力。推荐系统是解决“信息过载”问题的有效方法,其中,协同过滤是推荐系统中应用广泛且成功的算法。但是随着用户数和项目数的增加,协同过滤算法面临着数据稀疏性、用户兴趣偏好难以获取、可扩展性等问题。本文主要针对前两个问题展开研究,提出三种改进算法。本文的主要研究内容包括:1.针对传统的协同过滤算法中用户兴趣偏好难以有效获取的问题,研究一种结合用户兴趣偏好聚类的协同过滤算法。考虑到用户对每个关键词的偏好不同,利用TF-IDF(Term Frequency–Inverse Document Frequency)计算并建立用户-关键词偏好矩阵,基于Canopy算法与K-means相结合对用户聚类并实现推荐。实验结果表明,该方法在捕捉用户兴趣偏好的同时,一定程度上缓解了数据稀疏性问题,也降低了推荐算法的时间复杂度。2.针对传统的协同过滤算法没有充分考虑用户兴趣漂移的问题,提出一种基于自适应时间权重的协同过滤算法。通过遍历无向图在筛选出用户评分数据的基础上,改进了Pearson相似度计算方法。在计算预测评分时,引入自适应时间权重函数,利用时间衰减调节因子控制时间函数的衰减速度,可在一定程度上改善数据稀疏性和用户兴趣漂移造成的推荐算法性能不佳的问题。3.针对推荐系统存在的冷启动问题,提出一种基于用户特征和项目关键词的协同过滤算法。在所研究的前两个算法基础上,建立特征属性-关键词相关性矩阵和用户-关键词偏好矩阵,基于用户的内容相似性和用户偏好相似性改进相似度计算策略。在评分预测时使用Logistic时间函数拟合用户兴趣变化,仿真实验表明了该方法的有效性和可行性。
基于多源数据融合的推荐技术研究
这是一篇关于特征交叉,数据融合,自注意力机制,用户兴趣偏好的论文, 主要内容为在大数据时代,人们被海量的信息所淹没,使得人们无法有效的筛选出对自己有价值的信息,然后进一步做出决策或选择,这种现象就是信息过载,这已经成为互联网时代不可避免的问题。而推荐技术的发展为解决信息过载问题提供了一个切实可行的方案,这一方法无论是在新闻资讯、电子商务还是教育领域都得到了广泛的应用。为了实现更加个性化的推荐系统,从而为每个用户提供更加有针对性的建议,首先就要对用户的兴趣偏好进行更加细粒度的建模,只有深入的了解用户,才能为用户提供更有针对性和价值的建议。在对用户兴趣偏好的建模方面,现有的大部分算法只是利用了用户-项目的历史行为交互信息,对于其它的多源数据并没有很好的加以利用,显然这样产生的推荐效果是不能满足用户要求的,也会影响用户的体验。所以,如何更加有效融合与推荐任务相关的多源数据,更加精确的建模用户兴趣偏好,对于为用户提供更好的推荐效果有着重要的研究意义。本文通过对以往的推荐算法进行总结和分析后发现,更好的用户兴趣建模和更加有效的特征组合对提升推荐系统的性能有着重要的作用,本文从这两个基本角度进行研究。为了得到更加有效的特征组合,本文设计了基于深度特征交叉的推荐算法,通过引入特征域的概念,对特征进行更加细粒度的表示,实现多域特征的深度交叉,进一步使用共享参数的方法,解决了因为引入特征域而带来的参数问题,利用深度学习让模型学习到用户-项目复杂的非线性关系,增强模型的表达能力,同时也增强模型的泛化能力,从而可以实现更好的推荐结果。为了有效的利用多源数据实现对用户兴趣偏好的精准建模,本文先设计了一个可以有效融合多源数据的基本模型结构,该结构具有模型可扩展性,并且可以有效的实现多源数据的融合。基于本文提出的融合框架,提出了基于自注意力的表示模型推荐方法。首先使用自注意力机制,建模同一个项目的多个特征对于不同用户重要性是不同的。之后对于用户兴趣偏好的迁移问题,本文利用双向门控循环单元网络处理这种时序关系,对用户兴趣迁移的现象进行建模。本文从上述两个基本角度出发,在特征组合方面,实现了深度特征交叉,挖掘了更多有效的特征组合,在用户兴趣偏好方面,实现了更加细粒度的建模,并且经过实验验证了本文设计的算法的有效性。
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：代码货栈 ，原文地址：https://m.bishedaima.com/lunwen/56319.html
