基于神经网络与信息核的物品推荐算法研究
这是一篇关于推荐系统,协同过滤,神经网络,自编码器,信息核,混合推荐,降维,聚类的论文, 主要内容为目前,推荐系统已经成为解决信息过载的重要工具,协同过滤算法是推荐算法中的应用较为广泛的算法。但随着数据量的不断增加,数据稀疏性问题和可扩展性问题成为限制协同过滤算法性能提升的重要因素,研究者对此进行了大量的研究。对于数据稀疏性问题,增加辅助信息及扩充样本能够有效地缓解该问题。基于网络学习的推荐算法能够从用户的历史行为数据中更充分地学习用户偏好,并在一定程度上缓解推荐中可扩展性问题。在基于用户的协同过滤算法中,从所有用户中选取信息核,并利用信息核进行协同过滤推荐,能够提高在线推荐的效率,有效地解决可扩展性问题。考虑不同方法的特点,本文研究基于神经网络与信息核的物品推荐方法,以缓解稀疏性和可扩展性问题,同时提升推荐性能。具体工作如下:(1)提出了一种基于矩阵分解与神经协同过滤的物品评分预测方法,首先将用户物品评分矩阵通过矩阵分解方法,得到用户特征矩阵和物品特征矩阵,基于得到的用户特征矩阵,构建最近邻居特征矩阵,然后,利用神经协同过滤网络提取嵌入层的用户特征和物品特征,最后,将不同的用户和物品特征输入全连接神经网络,通过训练全连接神经网络学得用户的兴趣偏好,从而实现用户对未评价物品的评分预测。实验结果表明,基于矩阵分解与神经协同过滤的物品评分预测方法能够有效地缓解数据稀疏性影响,更充分地学习用户物品之间的联系,获得较高的预测评分准确度。(2)提出了一种基于自编码器与信息核的混合推荐方法。首先,利用物品的邻居信息构建虚拟物品进行样本集扩充,以缓解数据稀疏性问题,然后利用基于自编码器的推荐模型进行训练,并提取隐层的信息,将其作为信息核用于协同过滤推荐,最后,将自编码器模型的预测评分与基于信息核的协同过滤的预测评分相结合,并进行top-N推荐。实验结果表明,基于自编码器与信息核的混合推荐方法能够更充分地学习用户的偏好,并在缓解可扩展性问题上实现二者的相互增强,获得更高质量的推荐性能。(3)提出了一种基于物品相似性与聚类的双分支自编码网络推荐方法。首先,为了进一步地缓解数据稀疏性问题,利用物品相似性和聚类算法分别构建了相似虚拟物品集和聚类虚拟物品集。然后,构建了双分支自编码网络结构,其隐层采用了多通道编码方式更充分地挖掘用户信息,最后,将两种扩充样本输入双分支自编码网络中通过训练学习用户的偏好,并实现物品推荐。实验结果表明,基于物品相似性与聚类的双分支自编码网络推荐方法能够进一步地缓解稀疏数据的影响,提高了推荐的准确度,将其比现有的基于自编码器推荐框架的一系列算法相比,该算法在top-N推荐性能上具有较大的优势。
基于神经网络与信息核的物品推荐算法研究
这是一篇关于推荐系统,协同过滤,神经网络,自编码器,信息核,混合推荐,降维,聚类的论文, 主要内容为目前,推荐系统已经成为解决信息过载的重要工具,协同过滤算法是推荐算法中的应用较为广泛的算法。但随着数据量的不断增加,数据稀疏性问题和可扩展性问题成为限制协同过滤算法性能提升的重要因素,研究者对此进行了大量的研究。对于数据稀疏性问题,增加辅助信息及扩充样本能够有效地缓解该问题。基于网络学习的推荐算法能够从用户的历史行为数据中更充分地学习用户偏好,并在一定程度上缓解推荐中可扩展性问题。在基于用户的协同过滤算法中,从所有用户中选取信息核,并利用信息核进行协同过滤推荐,能够提高在线推荐的效率,有效地解决可扩展性问题。考虑不同方法的特点,本文研究基于神经网络与信息核的物品推荐方法,以缓解稀疏性和可扩展性问题,同时提升推荐性能。具体工作如下:(1)提出了一种基于矩阵分解与神经协同过滤的物品评分预测方法,首先将用户物品评分矩阵通过矩阵分解方法,得到用户特征矩阵和物品特征矩阵,基于得到的用户特征矩阵,构建最近邻居特征矩阵,然后,利用神经协同过滤网络提取嵌入层的用户特征和物品特征,最后,将不同的用户和物品特征输入全连接神经网络,通过训练全连接神经网络学得用户的兴趣偏好,从而实现用户对未评价物品的评分预测。实验结果表明,基于矩阵分解与神经协同过滤的物品评分预测方法能够有效地缓解数据稀疏性影响,更充分地学习用户物品之间的联系,获得较高的预测评分准确度。(2)提出了一种基于自编码器与信息核的混合推荐方法。首先,利用物品的邻居信息构建虚拟物品进行样本集扩充,以缓解数据稀疏性问题,然后利用基于自编码器的推荐模型进行训练,并提取隐层的信息,将其作为信息核用于协同过滤推荐,最后,将自编码器模型的预测评分与基于信息核的协同过滤的预测评分相结合,并进行top-N推荐。实验结果表明,基于自编码器与信息核的混合推荐方法能够更充分地学习用户的偏好,并在缓解可扩展性问题上实现二者的相互增强,获得更高质量的推荐性能。(3)提出了一种基于物品相似性与聚类的双分支自编码网络推荐方法。首先,为了进一步地缓解数据稀疏性问题,利用物品相似性和聚类算法分别构建了相似虚拟物品集和聚类虚拟物品集。然后,构建了双分支自编码网络结构,其隐层采用了多通道编码方式更充分地挖掘用户信息,最后,将两种扩充样本输入双分支自编码网络中通过训练学习用户的偏好,并实现物品推荐。实验结果表明,基于物品相似性与聚类的双分支自编码网络推荐方法能够进一步地缓解稀疏数据的影响,提高了推荐的准确度,将其比现有的基于自编码器推荐框架的一系列算法相比,该算法在top-N推荐性能上具有较大的优势。
基于多级相似度和信息核的协同过滤推荐算法研究
这是一篇关于推荐系统,协同过滤,信息核,用户相似度的论文, 主要内容为随着信息技术的迅速发展和普及,数据资源以指数级别的速度增加,这使得用户在面对众多的网络资源时,反而无法高效选择出对自己有用的信息,进而出现信息超载问题。于是推荐系统应运而生,它依据用户的历史数据,通过用户的兴趣爱好来进行独特的个性化分析、计算,从而为用户提供有用的信息。现今推荐系统已广泛应用到社交网站,电子商务,电子学习,电影推荐和旅游等诸多领域。随着对推荐系统的深入研究,相应的研究难题也显露出来,例如对于新注册的用户,系统为其作推荐时的冷启动问题;用户评分矩阵中的数据稀疏性问题;随着用户和物品数目激增而带来的系统可扩展性问题,以及大多数算法只注重推荐相似物品而缺乏多样性的问题等等,这都影响了推荐系统的进一步发展。本文就协同过滤系统由于数据量增多而导致的日益严重的可扩展性问题、算法耗时长以及相似度函数度量准确性等问题,进行了如下内容的研究:(1)针对协同过滤推荐中存在的可扩展性问题,本文使用了提取信息核的方法。即将一个用户集的所有用户进行训练,提取出携带信息最具价值的核心用户组成信息核,这一过程为离线操作,这使得在计算用户相似度时,会大大节省内存和时间消耗。本文在原有基于频率(Frequency-based,FB)和基于排名(Rank-based,RB)的信息核提取方法基础上,提出了改进的信息核提取方法IFB(IFrequency-based)和IRB(IRank-based,IRB),在寻找最相似邻居环节提出了一个优化集的概念,在优化集上利用物品评分和用户相似度两项参考内容来为每个用户寻找最相似邻居,该算法在较大程度上同时也降低了推荐过程的时间复杂度。(2)针对推荐系统中用户相似度计算准确性问题,本文在传统度量标准皮尔逊相似度(PCC)的基础上做出改进,提出了多级相似度算法(Multi-Level Pearson Correlation Coefficient,MLPCC),算法分为五层,每层对应不同的约束条件和调节参数。在利用评分接近程度来计算用户相似度的同时,充分考虑了共同评分物品数量对用户相似度的影响,使共同评分物品数量越多的用户具有更高的相似度,优化了度量标准。在与多种推荐算法的对比实验中可以看出,本文的方法能够有效解决推荐过程的可扩展性问题,节省了大量时间开销,并减少了平均绝对误差(MAE),同时具有更高的准确率(Precision)和更好的召回率(Recall),推荐效果更优。
基于神经网络与信息核的物品推荐算法研究
这是一篇关于推荐系统,协同过滤,神经网络,自编码器,信息核,混合推荐,降维,聚类的论文, 主要内容为目前,推荐系统已经成为解决信息过载的重要工具,协同过滤算法是推荐算法中的应用较为广泛的算法。但随着数据量的不断增加,数据稀疏性问题和可扩展性问题成为限制协同过滤算法性能提升的重要因素,研究者对此进行了大量的研究。对于数据稀疏性问题,增加辅助信息及扩充样本能够有效地缓解该问题。基于网络学习的推荐算法能够从用户的历史行为数据中更充分地学习用户偏好,并在一定程度上缓解推荐中可扩展性问题。在基于用户的协同过滤算法中,从所有用户中选取信息核,并利用信息核进行协同过滤推荐,能够提高在线推荐的效率,有效地解决可扩展性问题。考虑不同方法的特点,本文研究基于神经网络与信息核的物品推荐方法,以缓解稀疏性和可扩展性问题,同时提升推荐性能。具体工作如下:(1)提出了一种基于矩阵分解与神经协同过滤的物品评分预测方法,首先将用户物品评分矩阵通过矩阵分解方法,得到用户特征矩阵和物品特征矩阵,基于得到的用户特征矩阵,构建最近邻居特征矩阵,然后,利用神经协同过滤网络提取嵌入层的用户特征和物品特征,最后,将不同的用户和物品特征输入全连接神经网络,通过训练全连接神经网络学得用户的兴趣偏好,从而实现用户对未评价物品的评分预测。实验结果表明,基于矩阵分解与神经协同过滤的物品评分预测方法能够有效地缓解数据稀疏性影响,更充分地学习用户物品之间的联系,获得较高的预测评分准确度。(2)提出了一种基于自编码器与信息核的混合推荐方法。首先,利用物品的邻居信息构建虚拟物品进行样本集扩充,以缓解数据稀疏性问题,然后利用基于自编码器的推荐模型进行训练,并提取隐层的信息,将其作为信息核用于协同过滤推荐,最后,将自编码器模型的预测评分与基于信息核的协同过滤的预测评分相结合,并进行top-N推荐。实验结果表明,基于自编码器与信息核的混合推荐方法能够更充分地学习用户的偏好,并在缓解可扩展性问题上实现二者的相互增强,获得更高质量的推荐性能。(3)提出了一种基于物品相似性与聚类的双分支自编码网络推荐方法。首先,为了进一步地缓解数据稀疏性问题,利用物品相似性和聚类算法分别构建了相似虚拟物品集和聚类虚拟物品集。然后,构建了双分支自编码网络结构,其隐层采用了多通道编码方式更充分地挖掘用户信息,最后,将两种扩充样本输入双分支自编码网络中通过训练学习用户的偏好,并实现物品推荐。实验结果表明,基于物品相似性与聚类的双分支自编码网络推荐方法能够进一步地缓解稀疏数据的影响,提高了推荐的准确度,将其比现有的基于自编码器推荐框架的一系列算法相比,该算法在top-N推荐性能上具有较大的优势。
基于多级相似度和信息核的协同过滤推荐算法研究
这是一篇关于推荐系统,协同过滤,信息核,用户相似度的论文, 主要内容为随着信息技术的迅速发展和普及,数据资源以指数级别的速度增加,这使得用户在面对众多的网络资源时,反而无法高效选择出对自己有用的信息,进而出现信息超载问题。于是推荐系统应运而生,它依据用户的历史数据,通过用户的兴趣爱好来进行独特的个性化分析、计算,从而为用户提供有用的信息。现今推荐系统已广泛应用到社交网站,电子商务,电子学习,电影推荐和旅游等诸多领域。随着对推荐系统的深入研究,相应的研究难题也显露出来,例如对于新注册的用户,系统为其作推荐时的冷启动问题;用户评分矩阵中的数据稀疏性问题;随着用户和物品数目激增而带来的系统可扩展性问题,以及大多数算法只注重推荐相似物品而缺乏多样性的问题等等,这都影响了推荐系统的进一步发展。本文就协同过滤系统由于数据量增多而导致的日益严重的可扩展性问题、算法耗时长以及相似度函数度量准确性等问题,进行了如下内容的研究:(1)针对协同过滤推荐中存在的可扩展性问题,本文使用了提取信息核的方法。即将一个用户集的所有用户进行训练,提取出携带信息最具价值的核心用户组成信息核,这一过程为离线操作,这使得在计算用户相似度时,会大大节省内存和时间消耗。本文在原有基于频率(Frequency-based,FB)和基于排名(Rank-based,RB)的信息核提取方法基础上,提出了改进的信息核提取方法IFB(IFrequency-based)和IRB(IRank-based,IRB),在寻找最相似邻居环节提出了一个优化集的概念,在优化集上利用物品评分和用户相似度两项参考内容来为每个用户寻找最相似邻居,该算法在较大程度上同时也降低了推荐过程的时间复杂度。(2)针对推荐系统中用户相似度计算准确性问题,本文在传统度量标准皮尔逊相似度(PCC)的基础上做出改进,提出了多级相似度算法(Multi-Level Pearson Correlation Coefficient,MLPCC),算法分为五层,每层对应不同的约束条件和调节参数。在利用评分接近程度来计算用户相似度的同时,充分考虑了共同评分物品数量对用户相似度的影响,使共同评分物品数量越多的用户具有更高的相似度,优化了度量标准。在与多种推荐算法的对比实验中可以看出,本文的方法能够有效解决推荐过程的可扩展性问题,节省了大量时间开销,并减少了平均绝对误差(MAE),同时具有更高的准确率(Precision)和更好的召回率(Recall),推荐效果更优。
基于进化计算的推荐系统信息核提取问题研究
这是一篇关于推荐系统,信息核,多目标进化算法,多因子遗传算法,多因子优化问题的论文, 主要内容为推荐系统是应对信息爆炸问题的有效工具,它帮助人们从大量信息或数据中快速准确地找到所需,在书籍影音和电商等领域都有广泛应用。推荐系统的信息核是系统中携带着可靠、客观且有利于推荐的信息的一组核心用户。推荐系统信息核提取问题就是找到能最好地代表系统全体用户的这组核心用户。研究表明,信息核用户代替系统全体用户投入到推荐过程中时,能够得到满意的推荐结果,同时提高在线推荐效率。推荐系统信息核提取问题是对推荐系统中用户及用户间关系的研究,对用户关系的深入认知也有助于推动推荐算法性能的提升。因此,推荐系统信息核提取问题是一个兼具理论研究价值和实际应用价值的课题。本文在学习已有推荐系统信息核提取算法的基础上,利用进化算法,对推荐系统信息核提取问题中的多目标优化问题,域内多任务优化问题及跨域多任务优化问题进行了研究:(1)提出了基于多目标进化算法的推荐系统信息核提取算法。已有的推荐系统信息核提取方法主要分为两大类:以准确率为目标的贪心算法和进化算法。推荐系统的评价指标是多样的,准确率、覆盖率和多样性等都是评价推荐效果的重要指标。已有的推荐系统信息核提取算法往往只关注准确率,忽略了其他评价指标。为了满足推荐系统的多目标优化需求,本文提出了与推荐准确率和覆盖率相关的两个目标函数,并以信息核提取规模为约束,建立了多目标推荐系统信息核提取问题模型,设计实验验证了两个目标函数的冲突性,并提出了基于多目标进化算法的推荐系统信息核提取算法,缩写为MOEA-IC,通过在不同公开数据集上的实验,验证了MOEA-IC算法的有效性。(2)提出了基于多因子遗传算法的域内多任务推荐系统信息核提取算法。推荐系统信息核提取问题是复杂的应用问题,根据不同的选择率,同一推荐系统能够提取不同规模的信息核。在一次求解过程中,同时提取同一推荐系统的不同规模信息核是推荐信息核提取问题中的域内多任务问题。实际应用中推荐系统存在域内多任务需求。为了研究推荐系统信息核提取问题中的域内多任务问题,本论文建模了域内多任务推荐系统信息核提取问题模型,设计了适用于域内多任务问题的统一编码和特定任务解码方法,提出了基于多因子遗传算法的域内多任务推荐系统信息核提取算法,缩写为MFEA-ICIN,并用实验验证了MFEA-ICIN算法的有效性和优势。(3)提出了基于多因子遗传算法的跨域多任务推荐系统信息核提取算法。推荐系统信息核提取问题中存在域内多任务问题,也存在跨域多任务问题。不同的推荐系统中存在与信息核提取任务相关的不同任务,任务的类型可能相同也可能不同。本文主要研究两种跨域多任务推荐系统信息核提取问题,同时完成不同推荐系统的信息核提取任务和同时完成不同推荐系统的信息核提取任务及其他相关任务。本文设计了解决跨域多任务问题的统一编码和特定任务解码方法,提出了基于多因子遗传算法的跨域多任务推荐系统信息核提取算法,缩写为MFEA-ICCR,并基于公开数据集,验证了MFEA-ICCR算法的有效性,实验结果表明所提方法对推荐系统跨域多任务问题的解决与优化具有一定的指导意义。
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：毕设海岸 ，原文地址：https://m.bishedaima.com/lunwen/56333.html
