给大家推荐9篇关于偏好融合的计算机专业论文

今天分享的是关于偏好融合的9篇计算机毕业论文范文, 如果你的论文涉及到偏好融合等主题,本文能够帮助到你

基于注意力机制的组推荐模型研究

这是一篇关于组推荐,偏好融合,注意力机制,深度学习的论文, 主要内容为推荐系统可以有效缓解信息过载的问题,帮助用户从海量数据中快速找到感兴趣的信息。而作为社交动物,参加群组活动,例如,与同事们一起聚餐或者与朋友们一起度假等,是人们日常生活中常见的一部分。因此,为一组用户推荐满意的项目,即组推荐,已成为许多信息系统的一项重要任务。组推荐的难点在于如何融合群组成员的偏好来推断群组决策。传统组推荐研究大部分集中在探索各种静态方法,即通过既定策略(例如均值策略、最小痛苦策略等)进行融合。然而,这种静态方法在融合过程中没有考虑到其他成员的影响,从而难以建模复杂的群组决策过程,进而影响组推荐效果。因此,理想的推荐模型应该可以动态地融合成员偏好,以更准确地对组偏好进行建模。针对以上分析,本文提出一种结合融合门控和注意力机制的组推荐模型(Gated Attentive Neural Network,GANN)。具体而言,本文主要研究内容如下:(1)本文针对研究工作中涉及到的组推荐系统、协同过滤和深度学习等相关技术进行了调研与归纳,概述了这些相关技术的研究现状以及与本研究工作关系密切的相关技术的基本工作原理。(2)本文提出的GANN模型首先通过两个并行的模块对组偏好进行建模:一方面考虑到用户的兴趣不同会导致其在组决策过程中发挥的作用不同,GANN模型使用注意力机制来学习不同成员在决定不同推荐项目结果时的影响权重,融合形成用户组对不同项目的特定偏好向量,即基于项目属性融合的表示向量;另外,为了更好地学习组中用户之间的相互作用,从而准确建模群组偏好,GANN模型使用自注意力机制学习组内成员之间的关系,从而形成该组基于成员关系融合的表示向量。然后通过一个融合门,选择性地将学习到的两种组向量进行结合,形成一个统一的组表示。最后通过计算组的最终表示和候选项目表示之间的非线性匹配值,以获得所有候选项目的预测值。(3)为了验证模型有效性,本文将GANN模型在3个不同领域真实数据集上与目前主流模型进行实验对比。实验结果表明,针对4种常用的推荐性能评价指标,相较于其他基线模型,GANN模型取得更好的结果。

基于纳什均衡的群组划分和推荐研究

这是一篇关于群组划分,社交关系,偏好融合,群组推荐,纳什均衡的论文, 主要内容为随着互联网技术的迅猛发展,互联网中的数据量级增长明显。为了获得数据中的有用信息,并为用户提供针对性的服务,推荐系统变得至关重要。近年来,纳什均衡理论应用于计算机领域中推动服务发展的案例越来越多。尝试将纳什均衡理论融入到推荐系统中,以此来提高推荐的效果,将会是新的研究热点。目前大多数群组划分方法往往忽略了用户的社交关系也没有考虑用户的自私偏好。此外,大多数的群组推荐方法常常忽略群组成员的交互性,这与群组特性相悖更影响推荐质量。虽有研究考虑了这一问题,但也只是简单的靠用户权重来体现交互,这不仅没有产生真正的交互,而且会造成公平性问题。针对以上问题,本文对群组划分和推荐开展研究,主要工作有:从群组划分角度,针对用户的社交关系以及用户自私行为的积极影响结合纳什均衡理论,提出了一种基于纳什均衡的群组划分方法。该方法首先根据群组成员成本考虑成员间的社交关系并根据社交关系模拟群组成员的个体选择,接着通过自私偏好顺序制定群组划分规则模拟群组划分的过程,最后得到纳什均衡点对群组达到稳定划分的效果。通过仿真实验对比得出该方法比其他常用划分方法有更高的准确度与满意度。从群组推荐角度,针对现有大多数群组推荐方法忽略了用户交互性和公平性问题,提出了一种基于纳什均衡的群组推荐方法。首先通过完成矩阵捕捉群组成员对未见项目的评分。接着通过寻找纳什均衡解模拟成员的选择来产生交互。设立支付函数使得某一成员选择时考虑其他成员的接受程度,此时成员会做出最优于群组的选择。最后通过偏好聚合方法来获得群组的偏好完成群组推荐。该方法的仿真实验结果证明了本文所提出群组推荐方法的有效性与满意度。本文基于以上的研究方法,设计了一个基于纳什均衡的群组推荐原型系统。并且详细介绍了该系统的各组成部分以及操作的流程以及它的结构,验证了本文所提出方法的可行性,展示了基于纳什均衡的群组划分方法和基于纳什均衡的群组推荐方法在真实复杂的网络条件下的的推荐效果。该原型系统在实际应用场景下实现了本文提出的方法,通过效果展示体现了它的有效性和可行性。

基于纳什均衡的群组划分和推荐研究

基于注意力机制的组推荐模型研究

融合影响力和时间因素的群组推荐方法研究

这是一篇关于群组推荐,模糊C均值聚类算法,领导者影响,时间函数,隐式信任度,偏好融合的论文, 主要内容为随着人们的需求不断提高,推荐的目标从单一变成了群组,群组推荐逐渐成为研究的焦点。群组推荐的特点是它需要同时考虑一个群组内所有成员的偏好,但目前的研究存在一定的不足,包括:第一,群组推荐方法的研究中大多使用固定的、对称的关系权重进行预测项目评分,但群体决策过程复杂,需要在群体成员之间进行权衡。现有的研究往往忽略群体成员之间复杂的关系影响导致群组推荐准确度偏低;第二,在现有的研究中虽然对于时间迁移问题已经有了不少成果,但大多是针对个性化推荐系统且是在相似度计算部分引入,在群组推荐系统中较少使用,导致了群组推荐因缺少时间权重因子带来的推荐结果准确度偏低问题。为了解决上述问题,提出一种融合影响力和时间因素的群组推荐方法(GRS-IT)。首先,该方法通过模糊C均值聚类与皮尔逊相关性结合的方法对数据集进行群组划分,发现高相似度的群组,进而有效的提高群组推荐效果和稳定性;然后,在群组中设定一个领导者,表示领导者的影响要大于普通成员的影响,对群组的抉择起到一定的决策作用,寻找领导者的方法则是确定相似度值与隐式信任度值达到最大,找到领导者后获取领导者与成员、成员彼此之间的动态影响权重,降低群组推荐的误差率;最后,将基于人类遗忘曲线的时间函数融入到项目评分预测中,解决时间迁移对推荐带来的影响,即预测评分随时间变化赋予不同的时间权重值,进一步提高了群组推荐的准确性。采用对比实验对GRS-IT的有效性进行验证,结果表明在Movie Lens数据集上与其他群组推荐方法相比,推荐结果在推荐准确度和群组成员满意度方面都有显著提高。该论文有图23幅,表20个,参考文献65篇。

融合社交信任关系的组推荐系统研究

这是一篇关于推荐系统,信任度,概率矩阵分解,特征交叉,偏好融合的论文, 主要内容为信息时代下的当今社会,随着科学技术的飞速发展,获取信息愈发简单,途径也越来越多。可随之而来的海量信息让用户越来越难以从中找到自己真正感兴趣的部分,这类“信息过载”问题开始逐渐困扰着人们。如此大势所趋之下,推荐系统应运而生。它为每个人量身制定偏好,帮助人们将海量的相关信息进行处理和分析,获得最为契合需求的信息,为用户提供个性化的推荐结果。传统的推荐系统大多只关注于单个用户的个性化推荐,然而随着网络及社交媒体的发展,以多个用户为单位的群组推荐的需求也越来越多。这就需要将传统的推荐系统从针对单个用户拓展为适用于以多用户为单位的群组。群组推荐系统一般包括两个部分:对单个用户的偏好拟合以及将组内用户的偏好进行群组融合以获得群组偏好。群组推荐目前在单个用户的偏好拟合方面,方式与传统推荐较为相似。在传统推荐系统中,概率矩阵分解算法在矩阵分解的基础上,加入了用户和项目特征向量的先验信息,假设用户潜在隐向量和项目潜在隐向量服从高斯分布,通过极大化它们的后验概率来获得更为准确的潜在隐向量;最近几年,深度学习也开始进入推荐系统领域,并以其优秀的表达能力和特征模式挖掘能力很快在领域中占据了一席之地。群组偏好融合一般可以分为两种类型,即偏好的融合和推荐结果的融合。偏好融合法是指通过获取小组内全部成员的偏好之后,将小组内全部成员的偏好整合为一个小组的偏好,利用这个小组内的偏好来进行推荐。推荐结果的融合方式是指通过获取一个组内全体成员的推荐结果,将他们的推荐结果按照某种策略综合为一个小组的推荐结果。以往的群组推荐算法中较少考虑到用户间的交互关系,使得社交关系信息的利用率较低,然而群组成员间的交互关系往往会对推荐结果产生较大影响。针对该问题,本文进行了如下研究:(1)提出融合用户信任度的概率矩阵分解组推荐系统。该方法首先利用概率矩阵分解算法利用用户信任度进行进行用户的相似度计算,然后改进概率矩阵分解的后验概率推导,加入用户间的信任度信息,极大化该后验概率以获得预测评分。最后在群组成员偏好融合过程中使用基于用户信任度的权重策略。基于Epinions数据集和Film Trust数据集上的实验表明,该方法在均方根误差和命中率这两项评估指标上优于Neu MF、Ripple Net等其他对比方法。(2)提出了基于深度学习方法的TFM模型,使用多层神经网络,在模型输入部分加入表示用户间信任数据的Multi-Hot向量。将用户隐特征向量分别与物品隐特征向量及信任向量进行拼接送入深度网络,使得用户特征与物品特征及信任特征进行充分交叉,在最后的模型输出层获得该物品的预测评分。在群组融合部分,使用基于用户信任度的权重策略。与Neu MF和MLP等对比方法相比具有更好的推荐效果。(3)设计实现了基于Java Web的组推荐推荐系统平台,在深度学习模型的基础上,通过实现平台内的用户社交系统获取用户彼此间的信任度,获得了比较好的推荐效果。

基于深度学习的群组推荐方法研究

这是一篇关于群组推荐,组推荐系统,深度学习,群组发现,偏好融合的论文, 主要内容为在人工智能蓬勃发展的大潮中,群组推荐在各个领域都做出极大的贡献,成为推荐领域的持续性研究热点问题。群组推荐和个性化推荐存在明显差异,在推荐受众上群组推荐以小组为受众,符合当前人们群体性活动逐步增多的现状。如何更好地解决群组成员之间的偏好冲突,形成更准确更多样性的群组偏好,成为群组推荐的主要任务,因此不断成熟的深度学习技术也为群组推荐的研究带来了新的活力。本文在对群组推荐方法进行了深入研究与分析的基础上,围绕当前群组推荐中出现的性能问题、辅助信息利用率问题、用户倾向时迁性问题和交互偏好问题,结合深度学习技术特点,从群组发现和偏好融合两方面,展开对群组推荐方法的研究,给出一种基于深度学习技术的群组推荐模型,实现了群组推荐结果的优化和性能的提升,并通过实验验证了模型的有效性。具体工作如下:(1)针对群组发现中由群组用户兴趣倾向时迁性引发的群组成员内在相似度低问题,给出了一种基于长短时记忆网络的群组发现方法。该方法结合群组发现方法中隐层次信息获取与应用,通过长短时记忆网络对隐层次信息进行挖掘,融合用户的显式倾向、用户的隐式倾向、项目的隐式关系等信息,定义了用户的偏好总体倾向计算方法,并根据计算所得的用户倾向生成高相似度用户集合,实现隐层次信息的有效利用和高质量群组发现,并通过实验验证了该方法的有效性。(2)针对偏好融合中由用户交互行为引发的偏好倾向变化而导致的偏好融合结果不准确问题,给出了一种基于卷积神经网络的偏好融合方法。该方法利用用户历史行为数据构建出的用户交互模型,通过卷积神经网络对得到的交互权重矩阵进行特征提取,得到有效的用户交互影响权重,并根据该权重对用户评分矩阵进行加权,在评分推荐的基础上结合推荐融合的偏好融合方法,实现了偏好融合的优化,并通过实验验证了该方法的有效性。(3)结合给出的基于长短时记忆网络的群组发现方法和基于卷积神经网络的偏好融合方法,构建了基于深度学习的群组推荐模型。该模型利用两种不同深度学习技术在群组推荐上进行分步融合应用,既实现了对群组用户隐式关系的探究,又根据不同成员交互影响程度计算群组偏好,解决了群组推荐过程中由群组成员内向相似度低和偏好融合不重分而引起的推荐效果差问题,达到了提高推荐精度和优化推荐性能的目的。

基于注意力机制和图神经网络的群组推荐算法研究

这是一篇关于群组推荐系统,偏好融合,图神经网络,注意力机制的论文, 主要内容为在大数据时代下,推荐系统能够有效解决信息过载问题并为企业带来巨大的商业价值。随着推荐系统的服务对象逐渐从单一用户扩展为群组用户,群组推荐成为了当下推荐系统领域的研究热点之一。相较于传统推荐系统,群组推荐旨在针对团体性活动为群体用户提供精准的个性化推荐,能够有效融合所有群体成员的用户偏好并缓解群体内部的偏好冲突。然而,现有大多数群组推荐系统所采用的预定义融合策略仅凭经验预先设定成员影响权重,然后加权融合成群组偏好,但未考虑到成员偏好在不同项目的群组决策中所客观存在的重要性差异。此外,现有方法还忽视了成员间的潜在交互作用对群体偏好建模的影响。受限于上述问题,现有方法难以准确、全面地挖掘群组偏好,因而限制了对复杂群组的推荐效果。针对上述问题,本文提出了一种基于注意力机制和图神经网络的群组推荐模型(Attention and Graph Neural Network Recommendation Model,AGNN)。一方面,考虑到群组成员偏好在不同项目推荐中的重要性差异,AGNN模型引入了图神经网络技术,先利用基于空间的图卷积方法从用户与项目的交互图中挖掘基于项目角度的用户潜在兴趣偏好,然后结合注意力机制从项目角度针对性地学习不同成员在不同群组决策时的影响权重,从而有效建模基于项目角度的群组偏好表示。另一方面,考虑到成员间的交互作用对群体偏好建模的影响,AGNN模型同样利用基于空间的图卷积方法从群组与成员的交互图中有效挖掘成员之间的潜在交互作用,进而准确生成基于用户角度的群组偏好表示。最终,AGNN模型利用门控模块融合上述基于用户和项目两个角度的群组偏好表示,得到更全面、准确的群组偏好表示,然后将该群组偏好表示和候选项目的特征表示共同输入到预测层中,从而生成更准确的群组推荐结果。为了评估模型的群组推荐性能,本文在三个真实数据集进行了广泛的对比实验。实验结果表明,AGNN模型相较于基准模型取得了更好的推荐效果。此外,本文还设置消融实验来对比不同模块对推荐性能的影响,验证了成员间的交互作用与成员偏好在不同项目推荐中的重要性差异对群组推荐任务的有效性和必要性。最终本文还针对模型研发了相应的群组推荐系统接口,验证了AGNN模型在现实推荐应用的可用性。

组推荐的偏好融合策略研究

这是一篇关于组推荐,偏好融合,用户重要性,社交属性的论文, 主要内容为各类智能移动应用的发展促使用户难以在海量数据中获取与自己精准匹配的信息,推荐系统可以智能且快速地为用户提供个性化服务,有效地解决上述信息过载问题。然而无论是在现实场景中还是虚拟社区中,用户倾向于以组的形式参与活动,例如,一家人观看电影或与朋友们去旅游。因此,为一组用户提供准确的推荐服务,即组推荐,成为了一种新的服务模式。组推荐不仅需要兼顾组中每个用户的偏好差异,还要考虑组决策受到组内用户间交互行为的影响,因此,如何用可获得的数据来融合组成员偏好建立组模型是组推荐系统的关键任务。通常利用均值策略等静态方式融合组成员偏好,未能充分考虑到组成员个性化特征对组决策的贡献不同,忽略了用户的想法受组内其他用户的影响,进而影响组推荐性能。综上,本文提出了两种新颖的偏好融合策略,主要贡献如下:(1)本文首先提出了一种基于用户重要性的偏好融合方法,用以建模用户交互数据及学习组偏好表示。由于用户在组决策中重要性不同,我们采用了注意力机制学习对组中每个用户的高阶特征进行建模,也就是对每个用户的重要性建模,这些动态的用户权重聚合形成组表示向量。此外,组决策中用户的决定会受组内其他用户的影响,因此设计了一个融合多头注意力的神经网络,通过自动学习用户之间的高阶交互去获取组成员之间的相互依赖性,最终使得模型预测效果最佳。(2)为了进一步提升组成员对推荐结果的满意度,设计了一种嵌入用户社交属性的偏好融合方法,在表示学习的框架下采用双层注意力网络对组用户偏好进行融合建模。首先引入用户社交属性通过注意力网络融合形成用户偏好表示向量,再将其输入一个注意力网络融合形成组表示向量。最后通过建模组与项目交互数据去获得组对候选项的预测值。本文在真实数据集上,评估了所提出的方法,并与基准方法的实验结果进行了对比分析,实验结果充分表明本文提出的方法具有更好的推荐性能。

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：代码工厂，原文地址：https://m.bishedaima.com/lunwen/56335.html