面向众筹平台的个性化投资推荐研究
这是一篇关于众筹,推荐系统,投资者偏好,双重注意力,深度协同过滤的论文, 主要内容为众筹作为一种新的融资方式,在国内外都得到了普及并迅速发展壮大。众筹项目的增多,增加了项目浏览的难度,使投资者难以在众多项目中挑选出自己真正喜欢的项目。大部分众筹平台仅提供热门项目推荐等固定的推荐列表,难以满足投资者的个性化需求,导致众多项目找不到合适的投资者,这是众筹项目融资成功率低的一个重要原因。因此,需要为众筹平台设计一种个性化的推荐系统,挖掘投资者的投资偏好,从而实现精准丰富的推荐。目前的协同过滤算法虽然取得了一定的推荐效果,但缺乏对用户偏好的量化分析,且仍然存在着数据稀疏、冷启动等问题。基于此,论文提出了面向众筹平台的两种深度协同过滤推荐算法:(1)基于投资者偏好建模的深度协同过滤推荐算法。该算法融合了投资者和项目的交互信息及其各自的属性信息,充分学习投资者一般偏好和投资者属性偏好,从而得到最终的投资者整体偏好。在此基础上,通过深度协同过滤充分学习投资者-投资者、项目-项目及投资者-项目之间的线性和非线性交互,并将数值型、分类型和文本型三种不同模态的信息在有效处理后进行融合,以此提高推荐准确性。(2)基于双重注意力机制的投资者偏好表征学习推荐算法。该算法是在基于投资者偏好建模的深度协同过滤推荐算法的基础上,引入双重注意力机制,第一重注意力用来进一步量化投资者属性偏好,为投资者每一属性与项目每一属性的交互都分配不同权重;第二重注意力则根据不同的权重融合投资者一般偏好和投资者属性偏好,从而得到最终的投资者偏好表征。论文详细介绍两种算法的原理及组成,并在真实的众筹平台Indiegogo数据集上进行离线实验。比较了超参数对两种算法的推荐性能的影响,并通过消融实验证明双重注意力机制的必要性。在不同稀疏度的数据集上进行实验,验证论文提出的算法对极度稀疏的众筹数据的有效性。最后,与LR、Deep FM和NFM等基线算法进行对比试验,实验结果表明,论文提出的基于双重注意力机制的投资者偏好表征学习推荐算法在Indiegogo数据集上取得了最好的推荐结果。因此,论文提出的算法能够提高推荐效果,从而增加项目的融资成功率。
基于注意力与卷积网络的人岗推荐研究
这是一篇关于推荐算法,注意力机制,深度协同过滤,隐式反馈,深度学习的论文, 主要内容为随着招聘行业逐渐采用线上招聘的形式,导致网络招聘领域的相关数据信息呈爆发式增长,因此在网络招聘领域同样面临信息过载的问题。大多传统人岗推荐系统常采用协同过滤算法,仅从求职者的交互历史中提取信息,并以此实现职位推荐。随着数据剧增,便出现了冷启动、数据稀疏等问题,导致推荐效果并不理想。因此,将个性化推荐算法和深度学习技术应用到人岗推荐系统中,并从海量的职位数据中找出符合求职者兴趣的职位并推荐给求职者变得尤为重要。针对以上问题,本文将结合求职者的行为操作与求职者、职位的辅助特征,运用深度学习技术与注意力机制思想设计个性化人岗推荐算法,构建userjd数据集,并在该数据下对本文提出的算法模型进行性能评测。同时本文也基于提出的算法模型设计并实现了一个人岗推荐系统。具体工作如下:(1)由于深度协同过滤推荐框架(Deep CF)整合了基于表示学习和基于匹配函数学习的协同过滤方法,该框架既能提取用户与项目间复杂的非线性关系,又能很好地捕捉用户与项目的低阶关系,因此将Deep CF框架用于本文的人岗推荐领域中。(2)针对Deep CF框架无法对不存在隐式反馈数据的新求职者用户或新发布职位进行有效推荐的问题,对Deep CF框架进行改进,提出基于辅助特征与卷积网络的深度协同过滤人岗推荐算法(FCDeep CF)。首先使用两个并行的融入注意力机制的卷积神经网络分别提取求职者、职位相关文本特征,然后将提取到的文本特征同其他辅助特征作为Deep CF框架的输入,实现对求职者的岗位推荐。最后在userjd数据集下与其他推荐算法进行对比实验,验证本算法的有效性。(3)对已产生隐式反馈数据的求职者用户进行岗位推荐时,求职者不同交互历史职位与当前待预测职位的相关性是不同的。针对此问题,在Deep CF框架的基础上,融入注意力机制,提出基于注意力的深度协同过滤人岗推荐算法(ADeep CF)。该算法考虑了求职者不同历史交互对当前待预测目标的重要程度,对求职者、职位进行更细粒度的交互建模。最后为验证本文算法在提升推荐效果上的有效性,在userjd数据集下与其他几个算法进行对比实验。(4)基于本文提出的算法模型,设计并实现人岗推荐系统。该系统的具体用户包括求职者和企业用户。
面向众筹平台的个性化投资推荐研究
这是一篇关于众筹,推荐系统,投资者偏好,双重注意力,深度协同过滤的论文, 主要内容为众筹作为一种新的融资方式,在国内外都得到了普及并迅速发展壮大。众筹项目的增多,增加了项目浏览的难度,使投资者难以在众多项目中挑选出自己真正喜欢的项目。大部分众筹平台仅提供热门项目推荐等固定的推荐列表,难以满足投资者的个性化需求,导致众多项目找不到合适的投资者,这是众筹项目融资成功率低的一个重要原因。因此,需要为众筹平台设计一种个性化的推荐系统,挖掘投资者的投资偏好,从而实现精准丰富的推荐。目前的协同过滤算法虽然取得了一定的推荐效果,但缺乏对用户偏好的量化分析,且仍然存在着数据稀疏、冷启动等问题。基于此,论文提出了面向众筹平台的两种深度协同过滤推荐算法:(1)基于投资者偏好建模的深度协同过滤推荐算法。该算法融合了投资者和项目的交互信息及其各自的属性信息,充分学习投资者一般偏好和投资者属性偏好,从而得到最终的投资者整体偏好。在此基础上,通过深度协同过滤充分学习投资者-投资者、项目-项目及投资者-项目之间的线性和非线性交互,并将数值型、分类型和文本型三种不同模态的信息在有效处理后进行融合,以此提高推荐准确性。(2)基于双重注意力机制的投资者偏好表征学习推荐算法。该算法是在基于投资者偏好建模的深度协同过滤推荐算法的基础上,引入双重注意力机制,第一重注意力用来进一步量化投资者属性偏好,为投资者每一属性与项目每一属性的交互都分配不同权重;第二重注意力则根据不同的权重融合投资者一般偏好和投资者属性偏好,从而得到最终的投资者偏好表征。论文详细介绍两种算法的原理及组成,并在真实的众筹平台Indiegogo数据集上进行离线实验。比较了超参数对两种算法的推荐性能的影响,并通过消融实验证明双重注意力机制的必要性。在不同稀疏度的数据集上进行实验,验证论文提出的算法对极度稀疏的众筹数据的有效性。最后,与LR、Deep FM和NFM等基线算法进行对比试验,实验结果表明,论文提出的基于双重注意力机制的投资者偏好表征学习推荐算法在Indiegogo数据集上取得了最好的推荐结果。因此,论文提出的算法能够提高推荐效果,从而增加项目的融资成功率。
软件众包平台项目推荐中小众用户问题研究
这是一篇关于软件众包,推荐系统,小众用户,混合推荐,深度协同过滤的论文, 主要内容为近几年来,由于软件众包的高速发展,在软件众包平台上涌现了大量的用户和项目,为了帮助用户快速地发现最适合他的项目,学术界和工业界开始研究软件众包平台的推荐系统,其中最常用的推荐算法是协同过滤推荐。但协同过滤却面临小众用户问题。所谓小众用户(Gray-Sheep),是指其偏好与大多数人不同的一些用户,协同过滤因为倾向于推荐流行和热门的项目,所以无法向小众用户推荐合适的项目。为解决小众用户问题,本文分析了小众用户在整体用户中的分布以及对推荐系统的影响,设计了甄别小众用户的算法,在此基础上提出了两种小众用户推荐方法。第一种方法甄别小众用户和大众用户,分别进行不同策略的混合推荐,适用于用户数量变化和对可解释性要求高的场景;第二种方法采用栈式自编码器,对小众用户和大众用户同时进行统一的深度协同过滤推荐,适用于用户数量稳定和不要求解释推荐结果的场景。本文主要的贡献和创新点包括:(1)构建软件众包平台用户画像,计算用户基础特征向量和兴趣特征向量,并分析用户多类型行为,构建隐式评分矩阵。在此基础上提出可以在多种场景下使用的小众用户甄别算法,包括基于邻域、基于密度、基于角度、基于线性模型和基于非线性模型共五种算法。(2)提出了基于混合推荐的项目推荐方法,该方法结合协同过滤、基于内容和基于图的三种推荐方法进行加权式混合,并将混合推荐的推荐列表整合问题转化为有监督训练问题,分别对小众用户和大众用户进行推荐。(3)提出了基于深度协同过滤的项目推荐方法,该方法把用户画像、项目画像和(隐式)评分矩阵嵌入到隐式因子空间中,结合矩阵分解和栈式自编码器,使得可以直接计算用户与项目之间的预测评分。本文在多个软件众包平台的数据集上进行了系列实验,实验结果证明,在软件众包平台上小众用户占总用户数量的15%-25%,这使得该类平台的协同过滤推荐效果差强人意。本文提出基于混合推荐的项目推荐算法和基于深度协同过滤的项目推荐算法,相比现有的推荐算法,整体推荐平均召回率分别高10.74%和12.63%,小众用户推荐平均召回率分别高56.65%和48.25%。
基于深度学习的NQI综合服务信息系统推荐技术研究
这是一篇关于国家质量基础设施,NQI服务,服务推荐,异构信息网络,深度协同过滤的论文, 主要内容为国家质量基础设施(National Quality Infrastructure,NQI)通过计量、标准化、检验检测和认证认可等为国民经济的健康有序发展提供了有力保障。然而,目前我国NQI服务地域发展不平衡,不同地区服务水平存在巨大差异。NQI综合服务信息系统基于双边资源整合模式,将相关NQI资源整合到服务系统中,供用户选择使用,极大地缓解了需求不平衡问题;但同时海量服务数据也导致了用户服务选择难的问题。针对NQI综合服务信息系统的这一问题,依托NQI重点研发计划课题“NQI综合服务信息化策略与信息系统研发”,研究NQI服务推荐方法,以提高NQI综合服务信息系统的准确检索性能。论文主要开展了如下工作:(1)调研分析国内计量服务、标准服务、检验检测服务和认证认可服务的现状,总结现阶段存在的问题,分析NQI综合服务信息系统推荐需求,给出NQI服务推荐技术方案。(2)提出基于深度协同过滤的NQI服务推荐模型。针对基于协同过滤的服务推荐方法仅使用用户和服务的交互数据,限制了推荐性能进一步提高的弊端,利用异构信息网络在数据异构性建模方面具有灵活性的优势,将用户与服务的交互数据和服务所属类型、服务所属机构等属性信息构造为一个NQI服务异构信息网络,利用NQI服务异构信息网络提取用户和服务信息;通过深度神经网络,对用户和服务信息进一步提取特征,获得特征向量送入全连接网络层进行NQI服务推荐。同时对NQI服务推荐模型进行参数调优,以获得最佳的网络参数。通过与传统的Item Pop模型、Item KNN模型、矩阵分解模型(MF)、基于深度神经网络的矩阵分解模型(DMF)等进行对比实验发现,本文提出的深度协同过滤推荐模型在点击率(HR)和标准化折扣累积增益(NDCG)分别提高6.36%和3.97%,提高了推荐效果。(3)设计NQI服务推荐系统。将本文提出的深度协同过滤推荐方法应用到NQI综合服务信息系统的推荐搜索,并进行了测试。测试结果表明,本文所设计的NQI服务推荐方法,各项功能符合设计需求,达到了NQI综合服务信息系统的要求。
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：源码驿站 ，原文地址：https://m.bishedaima.com/lunwen/56354.html
