面向复杂环境的服务推荐算法研究
这是一篇关于服务推荐,冷启动,容错,微服务,移动边缘计算的论文, 主要内容为服务推荐一直是服务计算领域长期以来备受关注的问题。伴随着近些年来诸多新兴技术在新领域的快速发展,服务计算也在各种新场景下也得到了应用。而用户在进入新场景下,由于出于隐私等方面的考虑势必使得推荐系统会面对稀疏的用户数据。但是这种在冷启动环境下进行的推荐系统任需要为用户提供准确、及时和稳定的服务质量。尤其在一些延时敏感的分布式系统中,任何请求调用的失败都有可能引起不可挽回的损失。这一点使得服务推荐系统需要在考虑冷启动环境下,如何依据服务组合特性和不同节点的具体情况,为用户和边缘节点提供准确而稳定的服务。针对上述问题,本文的主要工作尝试在移动边缘计算环境下,使用迁移学习和基于图的启发信息,提供一种能准确而稳定的服务推荐方法,使得异构边缘服务器和冷启动环境下的目标用户的都能获取到满意的服务。在相关实验中,真实世界的数据集中的结果显示,本工作相比于传统算法能更加稳定和快速地完成训练任务并收敛,同时也为用户在极端环境下提供了更优的服务质量。总的来说,本文主要贡献在于:(1)提出了一种基于迁移学习和语义模型的矩阵初始化方法,面向冷启动环境提出能保留信息的权重衰退方案。(2)提出了一种基于图信息的启发式算法,在具有缓存机制的移动边缘计算和微服务环境下,通过将图信息转换为不同的约束条件,并引入维系全局的表指引搜索方向。
基于用户特征和项目类型兴趣的协同过滤推荐算法研究
这是一篇关于协同过滤推荐,冷启动,近邻确定,评分预测,用户特征,项目类型的论文, 主要内容为互联网和信息技术的快速发展,带来的是信息量的几何级增长。面对由此带来的“信息过载”问题,根据用户输入的关键词“被动”提供信息检索服务的搜索引擎技术已经无法满足人们的需要了。不同于搜索引擎技术,能够“主动”将用户感兴趣的信息和资源推荐给用户的个性化推荐系统,可以解决这一问题,从而得到了越来越广泛的研究和关注,在电子商务、视频音乐推荐等多个领域都有所应用。其中,协同过滤(collaborative filtering,CF)推荐算法是目前应用最广泛的推荐算法之一,它主要由两部分构成:一是近邻确定部分,通过计算用户历史行为的相似性获取目标用户的近邻用户集合;二是生成推荐部分,根据近邻用户的历史评分预测目标用户可能给出的评分,排序并生成推荐列表。然而,该算法存在一些不足,如:冷启动问题、用户兴趣迁移问题以及仅考虑用户历史评分数据等,这些不足制约了算法的可扩展性和推荐准确性。为了缓解以上问题,本文对协同过滤算法进行了以下研究:首先,本文对协同过滤推荐算法的近邻确定部分做出改进,提出了一种融合用户特征和项目类型兴趣的近邻确定方法。该方法针对系统中全体用户的三类基本特征(年龄、性别、职业),分别计算每类特征下用户对所有项目类型的兴趣分布向量,并利用k-means聚类算法进行聚类,得到基于用户不同特征下的相似子用户群,然后根据目标用户自身的具体特征值判断他在每类特征上的归属簇,并通过三类特征归属簇的交集来获得近邻用户。对于系统新注册用户,可有助于解决新用户冷启动问题;对于老用户,有助于解决可扩展性差的问题,以及单纯利用项目-评分矩阵确定近邻用户所具有的数据稀疏性问题。此外,本文在计算用户对不同项目类型的兴趣度时通过引入时间因子来模拟用户兴趣变化过程,有助于解决用户兴趣迁移问题。其次,本文对协同过滤推荐算法的生成推荐部分进行优化改进,提出了一种融合项目类型偏好评分的评分预测方法。该方法根据经时间因子修正过的用户评分和项目类型信息构建项目类型-评分矩阵,分别计算每个用户对不同项目类型的兴趣度,并以此作为权重计算用户对项目的类型偏好评分,在生成推荐时,用户对未评分项目的总体预测评分由两部分构成,一是传统协同过滤推荐算法中基于近邻用户对项目的历史评分得到的预测评分——近邻预测评分,二是基于用户对项目类型的偏好得到的预测评分——项目类型偏好评分,这样计算得到的对项目的总体预测评分可以同时反映用户对项目的偏好和对项目类型的偏好。最后,以精确率、召回率和F1值作为算法评价标准,将以上两种方法应用到协同过滤算法与Pop-strategy算法、UCRAR算法和PTP-Item-CF算法等相关推荐算法进行实验对比。实验证实:(1)在确定近邻时考虑用户特征属性和项目类型兴趣分布的关系有助于提高近邻用户集的选取质量;同时面对系统新注册用户的冷启动问题,有助于进一步提高推荐准确性。(2)在生成推荐部分考虑目标用户对项目的类型偏好评分能够更好地反映用户偏好,提高推荐质量。
基于Spark的混合策略音乐推荐系统的研究与实现
这是一篇关于推荐系统,Spark,协同过滤,混合推荐,冷启动的论文, 主要内容为在互联网技术的高速发展下,各类音乐平台都提供了大量的音乐资源以供人们进行选择。但是随着音乐人在不断进行创作,音乐的数据量也在与日俱增,人们更加难以从中寻找到自己真正感兴趣的音乐。为了解决这种信息超载的问题,音乐推荐系统应运而生,通过挖掘海量数据中的潜在信息来满足用户的需求。推荐算法是推荐系统的核心,采用混合推荐算法可以有效解决单个算法存在的局限性,从而提高推荐效率。为了应对用户在不同场景下的需求,系统为用户提供了实时推荐服务和离线推荐服务。实时推荐部分采用了基于模型的推荐算法,利用TF-IDF对基于标签生成的音乐相似度矩阵进行优化,并将优化后的音乐相似度矩阵与基于ALS生成的音乐相似度矩阵进行加权混合从而得到新的混合音乐相似度矩阵。该矩阵用于查询与当前音乐相似的音乐以便实时推荐时能更加迅速的将其推荐给用户,在保证实时性的同时还有效提高了推荐的准确率。在离线推荐部分,针对推荐系统存在的冷启动问题和数据稀疏性问题,采用了基于ALS与优化后的基于标签的推荐算法进行动态加权混合的算法,推算出用户对未知音乐的喜好程度,经过实验证明本文提出的动态加权混合算法能够较好的解决用户冷启动问题和数据稀疏性问题。通过将本文设计的算法与Spark平台结合使用来为用户提供服务,从而能够帮助用户解决面临海量音乐难以抉择的问题。最后本文在Spark计算集群的基础上构建了一个功能较为完善的个性化的音乐推荐系统,并部署了系统的测试环境,针对音乐推荐系统的各功能进行测试,各功能的测试结果都能够满足预期,系统也能够在不同场景下为用户提供稳定的服务。
基于深度学习的协同过滤算法研究与改进
这是一篇关于协同过滤算法,推荐系统,数据稀疏性,冷启动,奇异值的论文, 主要内容为推荐系统的核心是推荐算法,协同过滤算法因其简单、高效、稳定的特点在所有推荐算法中备受青睐,也是目前推荐算法中应用最广泛最成功的推荐技术。但是在实际应用场景下,随着用户和商品的不断增长,协同过滤算法中的评分矩阵逐渐暴露出数据稀疏性和冷启动问题,同时也忽略了评论文本中的大量信息。此外,协同过滤推荐算法仅利用浅层特征来训练模型,制约了推荐性能。近五年来随着深度学习的崛起,掀起了人工智能的热潮。在图像识别领域、文本挖掘领域、语音识别领域均取得了突破性进展,这也为提升推荐算法性能带来可能。本文的主要工作包含以下两个部分:(1)针对传统协同过滤推荐算法中存在的冷启动与数据稀疏性问题,以及在矩阵分解时降维程度主要依赖于先验知识缺乏灵活性这一弊端,提出了融入奇异值能量的协同过滤算法(SVE-CF)。首先在数据预处理过程中计算出用户-项目评分矩阵的噪声率,根据噪声率确定评分矩阵替换程度,再利用奇异值能量求得近似评分矩阵,最后通过矩阵因子分解模型将近似矩阵中的用户和商品映射到同一隐空间,确定两者之间的交互,实现了基于评分的推荐。在公共数据集Movie Lens上验证SVE-CF模型和多个传统推荐算法效果,结果表明SVE-CF模型的RMSE、MAE测量指标平均降低了约3%,同时有效缓解了数据稀疏性和冷启动带来的影响。(2)首先对传统协同过滤推荐算法和经典深度学习模型进行了研究,并在此基础上设计实现了新的推荐算法模型,提出了融合用户和商品评论的双通道CNN推荐算法(C-DCNN,Combine-Double CNN)。首先将用户和商品评论文本矢量化为词向量,再分别使用两个CNN网络对用户和物品进行特征提取,然后在共享层通过点积项将用户和物品的抽象特征映射到同一特征空间,最终预测出用户对特定商品的评分。经在Amazon、Yelp、Beer三组公共数据集上进行实验后,其结果表明该模型在不同数据集上的MSE都比其他基准算法更小,且有效缓解了数据稀疏性问题。
混合推荐系统在电子商务中的应用研究
这是一篇关于推荐系统,电子商务,混合推荐,冷启动,隐语义模型,TF-IDF,协同过滤的论文, 主要内容为目前人类社会高度信息化时代的到来离不开互联网各项技术的飞速发展,人们获取各种信息往往都借助于网络。随着互联网世界的发展愈加丰富,网络上的资源呈指数增长,随之带来的就是信息过载(Information Overload)的问题。当前背景下,推荐系统则成为解决这一问题的有效途径。在这电子商务这一领域逐渐衍化为迅猛的时代,从海量数据中获得对人们有用的信息变得愈加的困难和复杂。从海量的用户行为数据、商品数据等发掘有用的信息并利用这些信息在更短的时间、更准确地让用户获取,并帮助商家精确定位商品的潜在用户成为了各个电商平台的一大热点问题。互联网时代,推荐系统是所有面向用户的产品核心技术,向用户推荐用户感兴趣的一个产品小集合,推荐系统不仅可以解决信息过载的问题,还能为企业运营带来更多的收益。本文针对电子商务系统特性及当前电子商务推荐系统相关技术原理进行相关的研究,对个性化推荐系统中常用的基于内容的推荐、基于协同过滤的推荐及基于协同过滤的推荐介绍了算法的基本思想,还有其在应用场景中自身的优势与不足;然后引出了基于多种算法的三种混合推荐模式,即整体式、并行式、流水线式,不同的混合模式有利于使不同的算法之间互补,发挥其长处弥补其不足,这样会使推荐系统推荐结果更具准确性、多样性和新颖性。又对目前推荐系统中面临的问题进行了讨论,并给出了常见的可缓解其问题的方案。随后对推荐系统中常用的关键技术进行了详细介绍。对FLM与TF-IDF算法基本思想进行了详细介绍,提出了融合基于用户属性的推荐与FLM的混合协同过滤推荐模型,来缓解冷启动与数据稀疏性问题;融入项目热门度惩罚因子与用户活跃度惩罚因子的TF-IDF算法与协同过滤混合推荐模型,提高了推荐结果的多样性缓解商品的长尾问题。并在MovieLens数据集进行实验及评估其有效性。在最后基于上述工作,结合实际电商业务场景,构建融合了多种推荐算法并在Spark技术支持下实现了基于混合推荐算法的电商系统。
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：代码小屋 ，原文地址：https://bishedaima.com/lunwen/45405.html
