推荐系统多样性研究及其在就业推荐中的应用
这是一篇关于推荐系统,就业推荐,推荐多样性,个体多样性,总体多样性的论文, 主要内容为就业推荐系统对于解决就业问题具有良好的效果,因此受到国内外学者广泛关注,取得了丰富的成果。但是,就业推荐领域中,仍然存在以下不足之处有待进一步完善:第一,推荐结果过于单一,用户视野被局限。第二,热门职位被推荐给过多的求职者,降低了求职成功几率。第三,冷门职位得不到有效推荐,损害了招聘企业的利益。本文以就业推荐多样性优化为主要目标,针对上述问题进行了深入的研究。本文主要创新点及贡献如下:(1)针对推荐系统中的个体多样性问题,提出一种基于聚类的个体多样性优化推荐算法。本文针对传统就业推荐算法缺少对个体多样性的考虑,推荐结果过于单一,提出一种基于聚类的个体多样性优化推荐算法。首先,算法针对系统中项目差异度进行计算,充分考虑了项目属性值间的差异;其次,基于项目差异度采用k-means聚类算法对系统中项目进行聚类;然后,基于现有推荐算法获得预测评分矩阵,设置评分阈值,筛选预测评分大于阈值的项目构建用户候选推荐列表;最后,结合项目聚类信息从用户候选列表中获得一组多样性好的项目推荐给用户。实验结果表明,对于用户个体而言,该算法在保证推荐准确率的同时,能有效提高推荐结果的多样性。通过将算法应用于就业推荐原型系统表明,基于聚类的个体多样性优化推荐算法,可有效提高就业推荐的个体多样性与用户满意度。(2)针对推荐系统中的总体多样性问题,提出一种基于二分图网络的总体多样性优化推荐算法。本文针对传统就业推荐算法缺少对总体多样性的考虑,造成系统“马太效应”日益严重,“长尾”职位数量增多的现象,提出一种基于二分图网络的总体多样性优化推荐算法。首先,算法基于现有推荐算法获得预测评分矩阵,设置评分阈值,筛选预测评分大于阈值的项目构建用户候选推荐列表。其次,基于用户候选推荐列表构建推荐二分图。最后,基于构建的推荐二分图,采用置换增广路中匹配边与非匹配边方法,提高推荐总体多样性。实验结果表明,对于系统整体而言,该算法在保证推荐准确率的同时,能有效提高推荐总体多样性。应用于就业推荐领域的基于二分图网络的总体多样性优化推荐算法,可有效提高就业推荐的总体多样性与用户满意度。(3)基于上述两种多样性优化策略,实现了就业推荐原型系统。
基于协同过滤、图嵌入以及进化计算的推荐方法研究
这是一篇关于推荐系统,协同过滤,图嵌入,进化计算,刷单行为,推荐精确性,推荐多样性,推荐鲁棒性的论文, 主要内容为随着信息技术和互联网的飞速发展,推荐系统已经成为当今互联网应用中不可或缺的一部分。推荐系统可以根据用户的相关信息,来帮助用户在海量的数据中快速的找到可能需要的内容或喜欢的物品,甚至还能帮助用户发掘自己未知的喜好。在商业上,推荐系统不仅为各大公司带来丰厚的经济效益,也给用户带来了良好的体验。与此同时,作为大数据上一种典型的数据挖掘应用,推荐系统也有很高的学术研究价值。近些年来,对于推荐算法的研究方兴未艾,各种各样的技术也被应用于推荐领域。尽管如此,当前的推荐技术也不能做到面面俱到,仍然面临诸多挑战。在本论文中,就对于基于协同过滤、图嵌入以及进化计算等技术的推荐方法进行了深入研究,主要工作总结如下:1.提出了指数缩放策略,来改进基于共同邻居的相似度指标,从而提升推荐结果的多样性。首先在基于相似度的协同过滤推荐框架下,测试了不同的基于共同邻居的相似度指标的推荐效果。在公式对比和结果分析的基础上,提出了指数缩放策略。实验结果表明,通过指数缩放后,各相似度指标均能够在保持原有推荐结果精确性的同时,进一步提升推荐结果的多样性。最后,对于该策略有效的原因进行了分析,并给出两条合理的解释。2.提出了基于用户-商品二分图嵌入的推荐算法,来提升推荐结果的精确性。在该方法中,根据推荐问题的特性,重新定义了图嵌入方法的目标。在这些目标的引导下,改进了经典的图嵌入方法,提出了用户-商品二分图嵌入方法,来获取更准确的用户和商品的嵌入向量从而完成推荐。实验结果表明,无论是在不同场景还是不同规模的实际数据集中,所提出的方法能够在保证推荐多样性的情况下,极大程度的提升推荐结果的精确性。最后,本文详细分析了各参数的影响,从而为使用该方法提供了指导建议。3.提出了基于两阶段进化计算的推荐算法,来解决推荐中精确性-多样性平衡困境。在该算法中,设计了新的适应度函数来平衡推荐结果的精确性和多样性。根据推荐问题以及适应度函数的特性,重新定义了个体的表达形式和遗传算子。在实际数据集上的实验表明,设计的适应度函数和遗传算子是有效的。该两阶段推荐算法能够自动权衡已有算法产生的侧重精确性和侧重多样性的推荐结果,从而生成即精确又多样的推荐。4.已有的用于衡量推荐系统鲁棒性的攻击策略并不能够很好的建模实际系统中的刷单行为。因此,本文提出了雇佣攻击这一策略来模拟该现象,并在两种常用的推荐算法上进行了测试。仿真结果表明,虽然该策略的攻击代价更小,却会产生与现有攻击策略相似的影响,甚至在某些情况下会造成更严重的后果。为了检测该攻击,本文分析了攻击前后商品的数据统计特征的变化并提出了一种面向商品的无监督检测方法。实验结果表明,该方法在一定程度上可以直接发现数据异常的商品,帮助系统的维护人员确保系统的稳定。
基于协同过滤、图嵌入以及进化计算的推荐方法研究
这是一篇关于推荐系统,协同过滤,图嵌入,进化计算,刷单行为,推荐精确性,推荐多样性,推荐鲁棒性的论文, 主要内容为随着信息技术和互联网的飞速发展,推荐系统已经成为当今互联网应用中不可或缺的一部分。推荐系统可以根据用户的相关信息,来帮助用户在海量的数据中快速的找到可能需要的内容或喜欢的物品,甚至还能帮助用户发掘自己未知的喜好。在商业上,推荐系统不仅为各大公司带来丰厚的经济效益,也给用户带来了良好的体验。与此同时,作为大数据上一种典型的数据挖掘应用,推荐系统也有很高的学术研究价值。近些年来,对于推荐算法的研究方兴未艾,各种各样的技术也被应用于推荐领域。尽管如此,当前的推荐技术也不能做到面面俱到,仍然面临诸多挑战。在本论文中,就对于基于协同过滤、图嵌入以及进化计算等技术的推荐方法进行了深入研究,主要工作总结如下:1.提出了指数缩放策略,来改进基于共同邻居的相似度指标,从而提升推荐结果的多样性。首先在基于相似度的协同过滤推荐框架下,测试了不同的基于共同邻居的相似度指标的推荐效果。在公式对比和结果分析的基础上,提出了指数缩放策略。实验结果表明,通过指数缩放后,各相似度指标均能够在保持原有推荐结果精确性的同时,进一步提升推荐结果的多样性。最后,对于该策略有效的原因进行了分析,并给出两条合理的解释。2.提出了基于用户-商品二分图嵌入的推荐算法,来提升推荐结果的精确性。在该方法中,根据推荐问题的特性,重新定义了图嵌入方法的目标。在这些目标的引导下,改进了经典的图嵌入方法,提出了用户-商品二分图嵌入方法,来获取更准确的用户和商品的嵌入向量从而完成推荐。实验结果表明,无论是在不同场景还是不同规模的实际数据集中,所提出的方法能够在保证推荐多样性的情况下,极大程度的提升推荐结果的精确性。最后,本文详细分析了各参数的影响,从而为使用该方法提供了指导建议。3.提出了基于两阶段进化计算的推荐算法,来解决推荐中精确性-多样性平衡困境。在该算法中,设计了新的适应度函数来平衡推荐结果的精确性和多样性。根据推荐问题以及适应度函数的特性,重新定义了个体的表达形式和遗传算子。在实际数据集上的实验表明,设计的适应度函数和遗传算子是有效的。该两阶段推荐算法能够自动权衡已有算法产生的侧重精确性和侧重多样性的推荐结果,从而生成即精确又多样的推荐。4.已有的用于衡量推荐系统鲁棒性的攻击策略并不能够很好的建模实际系统中的刷单行为。因此,本文提出了雇佣攻击这一策略来模拟该现象,并在两种常用的推荐算法上进行了测试。仿真结果表明,虽然该策略的攻击代价更小,却会产生与现有攻击策略相似的影响,甚至在某些情况下会造成更严重的后果。为了检测该攻击,本文分析了攻击前后商品的数据统计特征的变化并提出了一种面向商品的无监督检测方法。实验结果表明,该方法在一定程度上可以直接发现数据异常的商品,帮助系统的维护人员确保系统的稳定。
推荐系统多样性研究及其在就业推荐中的应用
这是一篇关于推荐系统,就业推荐,推荐多样性,个体多样性,总体多样性的论文, 主要内容为就业推荐系统对于解决就业问题具有良好的效果,因此受到国内外学者广泛关注,取得了丰富的成果。但是,就业推荐领域中,仍然存在以下不足之处有待进一步完善:第一,推荐结果过于单一,用户视野被局限。第二,热门职位被推荐给过多的求职者,降低了求职成功几率。第三,冷门职位得不到有效推荐,损害了招聘企业的利益。本文以就业推荐多样性优化为主要目标,针对上述问题进行了深入的研究。本文主要创新点及贡献如下:(1)针对推荐系统中的个体多样性问题,提出一种基于聚类的个体多样性优化推荐算法。本文针对传统就业推荐算法缺少对个体多样性的考虑,推荐结果过于单一,提出一种基于聚类的个体多样性优化推荐算法。首先,算法针对系统中项目差异度进行计算,充分考虑了项目属性值间的差异;其次,基于项目差异度采用k-means聚类算法对系统中项目进行聚类;然后,基于现有推荐算法获得预测评分矩阵,设置评分阈值,筛选预测评分大于阈值的项目构建用户候选推荐列表;最后,结合项目聚类信息从用户候选列表中获得一组多样性好的项目推荐给用户。实验结果表明,对于用户个体而言,该算法在保证推荐准确率的同时,能有效提高推荐结果的多样性。通过将算法应用于就业推荐原型系统表明,基于聚类的个体多样性优化推荐算法,可有效提高就业推荐的个体多样性与用户满意度。(2)针对推荐系统中的总体多样性问题,提出一种基于二分图网络的总体多样性优化推荐算法。本文针对传统就业推荐算法缺少对总体多样性的考虑,造成系统“马太效应”日益严重,“长尾”职位数量增多的现象,提出一种基于二分图网络的总体多样性优化推荐算法。首先,算法基于现有推荐算法获得预测评分矩阵,设置评分阈值,筛选预测评分大于阈值的项目构建用户候选推荐列表。其次,基于用户候选推荐列表构建推荐二分图。最后,基于构建的推荐二分图,采用置换增广路中匹配边与非匹配边方法,提高推荐总体多样性。实验结果表明,对于系统整体而言,该算法在保证推荐准确率的同时,能有效提高推荐总体多样性。应用于就业推荐领域的基于二分图网络的总体多样性优化推荐算法,可有效提高就业推荐的总体多样性与用户满意度。(3)基于上述两种多样性优化策略,实现了就业推荐原型系统。
推荐系统多样性研究及其在就业推荐中的应用
这是一篇关于推荐系统,就业推荐,推荐多样性,个体多样性,总体多样性的论文, 主要内容为就业推荐系统对于解决就业问题具有良好的效果,因此受到国内外学者广泛关注,取得了丰富的成果。但是,就业推荐领域中,仍然存在以下不足之处有待进一步完善:第一,推荐结果过于单一,用户视野被局限。第二,热门职位被推荐给过多的求职者,降低了求职成功几率。第三,冷门职位得不到有效推荐,损害了招聘企业的利益。本文以就业推荐多样性优化为主要目标,针对上述问题进行了深入的研究。本文主要创新点及贡献如下:(1)针对推荐系统中的个体多样性问题,提出一种基于聚类的个体多样性优化推荐算法。本文针对传统就业推荐算法缺少对个体多样性的考虑,推荐结果过于单一,提出一种基于聚类的个体多样性优化推荐算法。首先,算法针对系统中项目差异度进行计算,充分考虑了项目属性值间的差异;其次,基于项目差异度采用k-means聚类算法对系统中项目进行聚类;然后,基于现有推荐算法获得预测评分矩阵,设置评分阈值,筛选预测评分大于阈值的项目构建用户候选推荐列表;最后,结合项目聚类信息从用户候选列表中获得一组多样性好的项目推荐给用户。实验结果表明,对于用户个体而言,该算法在保证推荐准确率的同时,能有效提高推荐结果的多样性。通过将算法应用于就业推荐原型系统表明,基于聚类的个体多样性优化推荐算法,可有效提高就业推荐的个体多样性与用户满意度。(2)针对推荐系统中的总体多样性问题,提出一种基于二分图网络的总体多样性优化推荐算法。本文针对传统就业推荐算法缺少对总体多样性的考虑,造成系统“马太效应”日益严重,“长尾”职位数量增多的现象,提出一种基于二分图网络的总体多样性优化推荐算法。首先,算法基于现有推荐算法获得预测评分矩阵,设置评分阈值,筛选预测评分大于阈值的项目构建用户候选推荐列表。其次,基于用户候选推荐列表构建推荐二分图。最后,基于构建的推荐二分图,采用置换增广路中匹配边与非匹配边方法,提高推荐总体多样性。实验结果表明,对于系统整体而言,该算法在保证推荐准确率的同时,能有效提高推荐总体多样性。应用于就业推荐领域的基于二分图网络的总体多样性优化推荐算法,可有效提高就业推荐的总体多样性与用户满意度。(3)基于上述两种多样性优化策略,实现了就业推荐原型系统。
集成物品类别与流行性的多样性推荐研究
这是一篇关于推荐系统,推荐多样性,物品类别,物品流行性,重排序方法的论文, 主要内容为随着推荐应用的不断拓展和深化,多样性在推荐中得到了越来越多的重视。现有大部分研究聚焦于提高推荐的个体多样性或总体多样性,并与准确性保持一定平衡。但是个体多样性的提高并不意味着总体多样性的提高,反之亦然。因此如何在保持一定准确性基础上同时提高个体多样性和总体多样性成为推荐中的重要问题,其研究具有重大意义。结合用户对在不同类别内物品感兴趣程度的差异性,提出集成物品类别与流行性的重排序方法。本文的主要工作与贡献如下:(1)提出集成物品类别与流行性的重排序方法,该方法在物品类别划分的基础上,考虑用户对不同物品类别关注程度的不同,采用差异化的策略重排序推荐列表并平衡不同类别的物品分布,从而提高推荐的个体多样性与总体多样性。(2)在类别划分过程中,提出两种不同的划分方式以适用不同的数据场景并进行系统的总结;在用户关注度的度量中,提出了量化方法;且不论是类别划分还是重排序以及再平衡过程,都无需改变推荐算法,因此能与多种算法相结合,具备较好的可扩展性。(3)进行实证研究。在Movielens数据集中进行多组实验,对本文的方法进行多样性和准确性的度量,并与现有的方法进行对比实验来验证本文方法的性能,并验证了本文方法在不同参数下的鲁棒性。研究表明,本文提出的方法能以准确性的有限损失为代价,同时提高推荐结果的个体多样性与总体多样性,为多样性推荐研究提供了新的方法论,有着较高的理论与实践价值。
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：源码客栈网 ，原文地址：https://m.bishedaima.com/lunwen/56341.html
