推荐系统中多样性和新颖性算法研究
这是一篇关于信息技术,推荐系统,协同过滤,人口统计属性,多样性,新颖性的论文, 主要内容为信息技术和互联网的发展使得网络中的数据呈爆炸式增长,互联网大数据在记载大量用户信息和行为轨迹的同时,也带来信息过载问题。在这样的背景下,如何快速发现感兴趣的物品和信息,成为普通用户和互联网信息提供商共同面对的挑战。推荐系统,根据用户访问物品的历史记录构建用户的兴趣模型,实现给用户推荐可能感兴趣的物品列表,已经成为信息过滤和检索最受关注的热点技术。目前,推荐系统尽管已经取得了较多研究成果,但依然面临诸多挑战。其中,如何保证推荐准确性的前提下提高推荐的多样性和新颖性是亟待解决的课题。本文针对推荐的多样性和新颖性问题展开研究。首先,融合人口统计属性计算用户相似度,在此基础上,对用户聚类,给出物品的类内流行度,最终提出两种融合人口统计属性的协同过滤算法——面向准确性的协同过滤改进算法和面向多样性的协同过滤改进算法。其次,基于邻居多样性,提出了一种改进的协同过滤算法。通过修改邻居的多样性来提高推荐多样性和新颖性,并研究邻居多样性对推荐多样性和新颖性的影响。最后,通过构建用户个性化度和兴趣广度指标来量化用户偏好物品的度分布,并在选择邻居时考虑用户间的偏好分布差异,基于此提出了一种融合用户偏好分布差异的推荐算法。Movielens数据集上的实验结果表明,改进的算法能够在保证推荐准确性的前提下提高推荐的多样性和新颖性。推荐系统的多样性和新颖性是衡量推荐质量的重要指标。本文在保证推荐准确性的前提下,从三个不同的角度——融合用户人口统计属性、多样化邻居以及考虑用户偏好物品的度分布出发,基于改进的协同过滤算法提高了推荐多样性和新颖性,对实现互联网环境下的商务智能和信息服务具有重要的意义。
推荐系统中多样性和新颖性算法研究
这是一篇关于信息技术,推荐系统,协同过滤,人口统计属性,多样性,新颖性的论文, 主要内容为信息技术和互联网的发展使得网络中的数据呈爆炸式增长,互联网大数据在记载大量用户信息和行为轨迹的同时,也带来信息过载问题。在这样的背景下,如何快速发现感兴趣的物品和信息,成为普通用户和互联网信息提供商共同面对的挑战。推荐系统,根据用户访问物品的历史记录构建用户的兴趣模型,实现给用户推荐可能感兴趣的物品列表,已经成为信息过滤和检索最受关注的热点技术。目前,推荐系统尽管已经取得了较多研究成果,但依然面临诸多挑战。其中,如何保证推荐准确性的前提下提高推荐的多样性和新颖性是亟待解决的课题。本文针对推荐的多样性和新颖性问题展开研究。首先,融合人口统计属性计算用户相似度,在此基础上,对用户聚类,给出物品的类内流行度,最终提出两种融合人口统计属性的协同过滤算法——面向准确性的协同过滤改进算法和面向多样性的协同过滤改进算法。其次,基于邻居多样性,提出了一种改进的协同过滤算法。通过修改邻居的多样性来提高推荐多样性和新颖性,并研究邻居多样性对推荐多样性和新颖性的影响。最后,通过构建用户个性化度和兴趣广度指标来量化用户偏好物品的度分布,并在选择邻居时考虑用户间的偏好分布差异,基于此提出了一种融合用户偏好分布差异的推荐算法。Movielens数据集上的实验结果表明,改进的算法能够在保证推荐准确性的前提下提高推荐的多样性和新颖性。推荐系统的多样性和新颖性是衡量推荐质量的重要指标。本文在保证推荐准确性的前提下,从三个不同的角度——融合用户人口统计属性、多样化邻居以及考虑用户偏好物品的度分布出发,基于改进的协同过滤算法提高了推荐多样性和新颖性,对实现互联网环境下的商务智能和信息服务具有重要的意义。
基于矩阵分解的多目标推荐模型研究
这是一篇关于矩阵分解,高维多目标优化算法,新颖性,长尾物品推荐的论文, 主要内容为随着数据量的爆炸式增长,“信息超载”问题日趋明显。用户难以在海量信息中快速获取所需信息,这对用户的日常生活造成极大不便。因此,简单的信息检索已经不能满足用户需求,推荐系统应运而生。推荐系统通过建立算法模型,精准把握用户的兴趣偏好,建立用户和物品信息间的联系,从而向用户推荐需要的相关信息及物品。尽管推荐算法有效提升了用户筛选信息的效率,并已广泛应用于电子商务中,但其还面临诸多问题。本文针对传统推荐算法中优化目标单一和长尾物品不受重视的问题展开研究,分别提出了针对新颖性和多样性推荐的矩阵分解算法和针对长尾物品推荐的偏斜矩阵分解算法,同时提出了一个基于DNMF算法的高维多目标双层推荐模型。本文的主要贡献如下:(1)基于协同过滤的传统推荐算法只专注于提高准确率,使得推荐列表中物品种类单一,无法吸引用户。针对此问题,提出了DNMF推荐算法,该算法包含额外设计的两个约束项:1)新颖性约束,使目标用户的隐因子向量接近那些对长尾物品已评分用户的平均隐因子向量,从而提高推荐新颖性;2)多样性约束,使每个物品的隐因子向量接近所有物品隐因子向量的均值,从而使推荐列表多样化。该推荐算法扩展了传统矩阵分解的损失函数,同时优化准确率、新颖性和多样性,相比于现有优化目标不一致的两阶段推荐算法而言,DNMF算法具有更全面的推荐效果和更卓越的性能。(2)针对长尾物品数量多、利润大,但推荐力度低、销量不理想的问题,提出了SMF算法,该算法通过两种策略来提升长尾物品的重要性。1)将已有评分的分布偏向于长尾物品;2)根据长尾物品流行度低的特点增加它们的权重。此外,我们还提出“可接受新颖性(Acceptable Novelty,后文简称为AN)”这一新评价指标,以评估可接受物品(用户喜欢的物品)的新颖性。综合实验表明,所提SMF算法可以在保证推荐准确率的前提下有效提高推荐新颖性。(3)针对复杂的推荐场景中,单一指标为导向的推荐算法效率低下的问题,提出了同时优化新颖性、多样性、准确率和召回率四个推荐目标的双层推荐模型MDRM。该模型由两个改进的算法组成:1)底层:DNMF算法用于预测未知物品评分;2)顶层:通过高维多目标优化算法为用户生成推荐列表。与现有双层推荐模型相比,所提模型可以有效地提高推荐的四个评价指标,具有更全面的推荐性能。
基于标签的个性化推荐系统的研究
这是一篇关于推荐系统,标签,准确性,新颖性的论文, 主要内容为随着信息技术和互联网的飞速发展，网络中的数据信息不断的巨增。如何快速的帮助用户在大量的数据信息中发现对他们有价值的信息，和如何让网络中的数据信息受到更多用户的关注成为有待解决的问题。而个性化推荐系统是解决该问题的一个重要工具。 最近几年，越来越多的研究者对基于标签的推荐算法开始关注。但是，传统的基于标签的推荐算法仅仅只对用户是否选择过项目进行判断，而忽略了用户对项目的行为信息的研究。并且大多数算法都把那些流行的热门的商品推荐给用户，而对影响推荐结果的项目的受欢的程度却没有考虑，从而忽略了多样性、新颖性等重要指标的衡量。针对上述问题，本文在研究分析已有的基于用户标签的推荐算法的基础上，提出了一种改进的基于标签的个性化推荐算法。主要工作包括以下几个方面： ①在推荐算法的相关技术方面做了深入调研。分析了目前几种最常用的推荐算法，并对这几种推荐算法的优劣进行了比较。其中，详细分析和研究了基于标签的推荐算法。 ②考虑到用户的标签数据对推荐新颖性和可解释性的影响，利用用户标签行为数据构成标签的推荐系统，并对不同标签下用户的推荐结果进行分析得到更合理的推荐结果。 ③为了降低给热门标签对应的热门物品很大的权重，提高推荐结果的新颖性，利用用户的标签向量对用户兴趣建模的改进，降低对热门物品打标签的次数，提高算法的新颖性和准确性。 ④采用MovieLens网站提供的数据集对改进的基于标签的推荐算法进行测试，从准确性、多样性以及新颖性三个方面进行分析。实验结果表明改进算法在三个方面都有较好的表现，验证了算法的可行性和有效性。
基于矩阵分解的多目标推荐模型研究
这是一篇关于矩阵分解,高维多目标优化算法,新颖性,长尾物品推荐的论文, 主要内容为随着数据量的爆炸式增长,“信息超载”问题日趋明显。用户难以在海量信息中快速获取所需信息,这对用户的日常生活造成极大不便。因此,简单的信息检索已经不能满足用户需求,推荐系统应运而生。推荐系统通过建立算法模型,精准把握用户的兴趣偏好,建立用户和物品信息间的联系,从而向用户推荐需要的相关信息及物品。尽管推荐算法有效提升了用户筛选信息的效率,并已广泛应用于电子商务中,但其还面临诸多问题。本文针对传统推荐算法中优化目标单一和长尾物品不受重视的问题展开研究,分别提出了针对新颖性和多样性推荐的矩阵分解算法和针对长尾物品推荐的偏斜矩阵分解算法,同时提出了一个基于DNMF算法的高维多目标双层推荐模型。本文的主要贡献如下:(1)基于协同过滤的传统推荐算法只专注于提高准确率,使得推荐列表中物品种类单一,无法吸引用户。针对此问题,提出了DNMF推荐算法,该算法包含额外设计的两个约束项:1)新颖性约束,使目标用户的隐因子向量接近那些对长尾物品已评分用户的平均隐因子向量,从而提高推荐新颖性;2)多样性约束,使每个物品的隐因子向量接近所有物品隐因子向量的均值,从而使推荐列表多样化。该推荐算法扩展了传统矩阵分解的损失函数,同时优化准确率、新颖性和多样性,相比于现有优化目标不一致的两阶段推荐算法而言,DNMF算法具有更全面的推荐效果和更卓越的性能。(2)针对长尾物品数量多、利润大,但推荐力度低、销量不理想的问题,提出了SMF算法,该算法通过两种策略来提升长尾物品的重要性。1)将已有评分的分布偏向于长尾物品;2)根据长尾物品流行度低的特点增加它们的权重。此外,我们还提出“可接受新颖性(Acceptable Novelty,后文简称为AN)”这一新评价指标,以评估可接受物品(用户喜欢的物品)的新颖性。综合实验表明,所提SMF算法可以在保证推荐准确率的前提下有效提高推荐新颖性。(3)针对复杂的推荐场景中,单一指标为导向的推荐算法效率低下的问题,提出了同时优化新颖性、多样性、准确率和召回率四个推荐目标的双层推荐模型MDRM。该模型由两个改进的算法组成:1)底层:DNMF算法用于预测未知物品评分;2)顶层:通过高维多目标优化算法为用户生成推荐列表。与现有双层推荐模型相比,所提模型可以有效地提高推荐的四个评价指标,具有更全面的推荐性能。
云环境下基于社交信息的音乐推荐系统设计与实现
这是一篇关于推荐系统,音乐推荐,新颖性,社交信息的论文, 主要内容为随着互联网的不断发展和移动互联网的兴起,越来越多的人选择通过互联网来随时随地享受数字化音乐带来的服务。数字音乐数量的激增使得音乐服务提供商的主要竞争从曲库的深度和规模转移到了推荐和发现音乐方面,推荐系统成为解决该问题的主要技术手段,而协同过滤推荐算法作为推荐领域最主流的算法之一,在音乐推荐系统中得到了广泛应用。然而,随着推荐准确率的不断提高,影响协同过滤推荐算法推荐效果的另一个问题越来越突显出来:如何发现相关度高的新颖推荐项。本文从上述问题出发,提出了融合社交信息的基于图的协同过滤改进算法,并以该算法为核心技术,设计开发了一套完整的音乐推荐系统。主要工作如下:首先,改进算法的主要思想是:利用用户的社交信息,对由项目相似性矩阵构建出的用户偏好图进行扩充,以降低通过信息熵计算得出的奇异推荐项的比例,然后将这些项目与通过经典协同过滤算法得到的推荐项合并在一起作为最终的推荐结果。最后,通过采集自Last.fm上的数据对算法的有效性进行了验证。结果表明,与原始算法相比,该改进算法的推荐准确率平均提高了约2.265%,由此损失的新颖性在相关指标下仅仅约为1.24%。由此说明该算法可以在发掘出新颖推荐项的同时,提升系统的准确率,从而达到更好的推荐效果。其次,基于上述算法,本文设计并实现了一套音乐推荐系统,在进行了充分的需求分析和系统架构设计的基础上,给出了单曲推荐、艺术家推荐和好友推荐的算法设计,并提出了歌单推荐的策略;然后通过MapReduce编程范式实现了各个算法并将系统运行在Hadoop云平台上;最后,邀请用户对系统进行了在线测试,当推荐数为25时平均新颖度为4.56,准确率约为17.6%,证明该音乐推荐系统在兼顾推荐新颖性和准确率方面具有出色表现。
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：代码工坊 ，原文地址：https://m.bishedaima.com/lunwen/56346.html
