融合隐藏信息的单类协同过滤矩阵分解算法研究
这是一篇关于推荐系统,协同过滤,单类协同过滤,矩阵分解的论文, 主要内容为推荐系统是大数据时代解决信息过载问题的有效手段,协同过滤算法是其中的关键。基于隐式反馈的协同过滤称为单类协同过滤,是协同过滤算法研究的重点和热点。现阶段,单类协同过滤算法主要依靠用户隐式反馈构建分解矩阵,忽视了诸如用户信息、项目信息和评分信息等隐藏信息,有效利用这些隐藏信息有助于提升推荐精度。为此,本文利用0-1矩阵之外的隐藏信息,考虑隐藏信息类型的差异,提出两种矩阵分解算法,提高推荐算法的有效性。主要研究内容如下:(1)针对单类协同过滤矩阵分解算法忽视用户和项目上下文信息的问题,本文提出一种融合知识图谱表示学习的矩阵分解算法。利用知识图谱和表示学习把用户和项目的语义信息表示为低维向量,计算用户和项目之间的语义距离改进隐式反馈矩阵,同时利用知识图谱中实体之间相互影响的特点,建立矩阵分解模型。通过不同推荐列表长度下的对比实验,验证了本文方法可以从语义层面优化用户和项目特征。(2)针对单类协同过滤矩阵分解算法未能有效利用显式反馈数据中隐藏信息的问题,本文提出一种融合显式反馈的矩阵分解算法。利用显式反馈中的评分信息和特征信息改进隐式反馈矩阵,同时利用显式反馈表达潜在特征更加准确的特点,建立隐式反馈矩阵分解模型。在此基础上,对s ALS模型和w ALS模型进行改进。通过不同推荐列表长度下的对比实验,验证了融合显式反馈信息能够优化用户兴趣模型,提高推荐准确度。综上,本文提出的两种改进算法能够提升推荐系统的精度,验证了隐藏信息对于推荐系统的价值;同时,实验结果表明改进算法具有稳定性和一般性。
基于隐式反馈的图书推荐系统设计与实现
这是一篇关于推荐系统,隐式反馈,单类协同过滤,个性化排序的论文, 主要内容为在“互联网+”的时代背景下,个性化推荐系统为用户提供“私人订制”式的推荐服务以满足不同用户的消费需求。因个性化推荐系统具有互动性的特点,使其成为实现“互联网+”新型消费模式的重要手段。然而随着推荐服务规模越来越大,评分数据不足、用户-项目矩阵稀疏等问题愈发凸显,传统推荐算法面临难以突破的瓶颈。为了解决这一问题,不少研究学者开始更多地关注用户隐式行为的分析和研究,尝试从中挖掘用户兴趣偏好以弥补显式评分数据带来的不足。本文针对图书推荐系统的评分数据稀疏和单类协同过滤等问题展开研究,分析系统中数据的特点,将隐式反馈作为建立和更新用户兴趣模型的数据来源,创造性地提出一种改进算法——基于分层隐式反馈的贝叶斯排序算法,通过预测用户对项目的相对喜好来得到推荐列表。本文的研究工作可概括如下:首先,文章从系统中存在的显式和隐式反馈数据的特点与区别出发,分析本系统选取隐式用户反馈的原因以及隐式反馈带来的问题。然后从基于评分和基于排序两个方面介绍了几种经典的推荐算法。针对当下排序推荐算法往往只考虑用户有过操作行为的项目与未操作过的项目之间的偏好差别,缺乏对用户偏好程度深度理解和区分,本文探索用户隐式反馈所表示的用户偏好,将隐式反馈类型按所代表用户兴趣程度进行划分,使用分层隐式反馈模型来表示用户偏好。在贝叶斯个性化排序算法的基础上设计了“强正反馈-弱正反馈-负反馈”的三层隐式反馈表示模型,为用户生成符合用户兴趣的项目推荐列表。然后,经过大量实验研究分析潜因子矩阵维度k值大小、推荐列表长度等参数对算法性能的影响,并从AUC、平均精度均值、平均百分比排序、归一化折损累积增益等角度与经典的排序推荐算法作比较,对改进的算法进行评估,得出本文算法所生成的推荐列表可以更准确地把握用户当前兴趣。最后,在改进算法基础上,从分析个性化图书系统的功能需求入手,对系统进行功能模块划分与设计,实现了基于隐式反馈的个性化图书推荐系统。
基于逐点偏好假设的协同推荐算法研究
这是一篇关于推荐系统,单类协同过滤,逐点偏好假设,基于集合的偏好的论文, 主要内容为随着网络应用数量的剧增,网络资源的精确匹配变得越来越重要,而推荐系统中的资源匹配问题就是如何从用户的历史偏好记录中发现特定规律,进而为网络用户提供个性化服务。作为推荐系统中更常见的一类数据,隐式反馈数据比以评分形式存在的显式反馈数据更容易收集,因此很多面向显式反馈的传统协同过滤方法被扩展来对隐式反馈数据建模。由于这类数据只包含诸如交互与否这种单一类别的信息,由此产生的一系列方法也被称为单类协同过滤方法。从偏好假设的角度来看,单类协同过滤方法主要包括基于逐点偏好假设的单类协同过滤方法和基于成对偏好假设的单类协同过滤方法等。就预测准确率而言,基于逐点偏好假设的单类协同过滤算法往往被认为是要劣于基于成对偏好假设的单类协同过滤算法的。因此,本文从偏好假设的角度对现有的单类协同过滤算法进行了梳理和总结,指出传统的基于逐点偏好假设的协同推荐算法在偏好假设方面存在的固有缺陷,即基于单个用户或物品的逐点偏好假设倾向于以过于绝对的方式来对用户偏好建模。针对这一缺陷,本文首先提出利用基于物品集的偏好假设来解决这一缺陷,进而设计了一个新的基于物品集偏好假设的逐点单类协同过滤算法CoFi-points(i);在此基础上,本文进一步从用户集的角度来改进传统的逐点偏好假设,并提出了一个新的基于用户集偏好假设的逐点单类协同过滤算法CoFi-points(u)。在验证了基于集合的逐点偏好假设在传统单类协同过滤算法中的有效性后,本文进一步探索基于集合的偏好是否能够提升采用逐点建模方式的深度学习推荐算法的性能,并设计了一个基于深度学习架构的集合偏好融入方案DeepSet,其中包括三种在不同特征层融入集合偏好假设的变种,分别是特征输入层DeepSet(fi),特征输出层DeepSet(fo)以及预测层DeepSet(p)。经实验验证,基于集合的偏好假设可以较好地解决传统的基于逐点偏好假设的协同推荐算法中存在的局限性,并能够有效地提升深度推荐算法的性能。
融合隐藏信息的单类协同过滤矩阵分解算法研究
这是一篇关于推荐系统,协同过滤,单类协同过滤,矩阵分解的论文, 主要内容为推荐系统是大数据时代解决信息过载问题的有效手段,协同过滤算法是其中的关键。基于隐式反馈的协同过滤称为单类协同过滤,是协同过滤算法研究的重点和热点。现阶段,单类协同过滤算法主要依靠用户隐式反馈构建分解矩阵,忽视了诸如用户信息、项目信息和评分信息等隐藏信息,有效利用这些隐藏信息有助于提升推荐精度。为此,本文利用0-1矩阵之外的隐藏信息,考虑隐藏信息类型的差异,提出两种矩阵分解算法,提高推荐算法的有效性。主要研究内容如下:(1)针对单类协同过滤矩阵分解算法忽视用户和项目上下文信息的问题,本文提出一种融合知识图谱表示学习的矩阵分解算法。利用知识图谱和表示学习把用户和项目的语义信息表示为低维向量,计算用户和项目之间的语义距离改进隐式反馈矩阵,同时利用知识图谱中实体之间相互影响的特点,建立矩阵分解模型。通过不同推荐列表长度下的对比实验,验证了本文方法可以从语义层面优化用户和项目特征。(2)针对单类协同过滤矩阵分解算法未能有效利用显式反馈数据中隐藏信息的问题,本文提出一种融合显式反馈的矩阵分解算法。利用显式反馈中的评分信息和特征信息改进隐式反馈矩阵,同时利用显式反馈表达潜在特征更加准确的特点,建立隐式反馈矩阵分解模型。在此基础上,对s ALS模型和w ALS模型进行改进。通过不同推荐列表长度下的对比实验,验证了融合显式反馈信息能够优化用户兴趣模型,提高推荐准确度。综上,本文提出的两种改进算法能够提升推荐系统的精度,验证了隐藏信息对于推荐系统的价值;同时,实验结果表明改进算法具有稳定性和一般性。
基于逐点偏好假设的协同推荐算法研究
这是一篇关于推荐系统,单类协同过滤,逐点偏好假设,基于集合的偏好的论文, 主要内容为随着网络应用数量的剧增,网络资源的精确匹配变得越来越重要,而推荐系统中的资源匹配问题就是如何从用户的历史偏好记录中发现特定规律,进而为网络用户提供个性化服务。作为推荐系统中更常见的一类数据,隐式反馈数据比以评分形式存在的显式反馈数据更容易收集,因此很多面向显式反馈的传统协同过滤方法被扩展来对隐式反馈数据建模。由于这类数据只包含诸如交互与否这种单一类别的信息,由此产生的一系列方法也被称为单类协同过滤方法。从偏好假设的角度来看,单类协同过滤方法主要包括基于逐点偏好假设的单类协同过滤方法和基于成对偏好假设的单类协同过滤方法等。就预测准确率而言,基于逐点偏好假设的单类协同过滤算法往往被认为是要劣于基于成对偏好假设的单类协同过滤算法的。因此,本文从偏好假设的角度对现有的单类协同过滤算法进行了梳理和总结,指出传统的基于逐点偏好假设的协同推荐算法在偏好假设方面存在的固有缺陷,即基于单个用户或物品的逐点偏好假设倾向于以过于绝对的方式来对用户偏好建模。针对这一缺陷,本文首先提出利用基于物品集的偏好假设来解决这一缺陷,进而设计了一个新的基于物品集偏好假设的逐点单类协同过滤算法CoFi-points(i);在此基础上,本文进一步从用户集的角度来改进传统的逐点偏好假设,并提出了一个新的基于用户集偏好假设的逐点单类协同过滤算法CoFi-points(u)。在验证了基于集合的逐点偏好假设在传统单类协同过滤算法中的有效性后,本文进一步探索基于集合的偏好是否能够提升采用逐点建模方式的深度学习推荐算法的性能,并设计了一个基于深度学习架构的集合偏好融入方案DeepSet,其中包括三种在不同特征层融入集合偏好假设的变种,分别是特征输入层DeepSet(fi),特征输出层DeepSet(fo)以及预测层DeepSet(p)。经实验验证,基于集合的偏好假设可以较好地解决传统的基于逐点偏好假设的协同推荐算法中存在的局限性,并能够有效地提升深度推荐算法的性能。
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：代码港湾 ，原文地址：https://m.bishedaima.com/lunwen/56326.html
