联合使用边信息和未标记数据的推荐方法研究
这是一篇关于推荐系统,协同过滤,半监督学习,社交网络的论文, 主要内容为伴随着互联网的普及,特别是新兴移动应用之间的泛在互连,各类数据呈现爆炸式增长,如何从中快速获取有用信息变得越来越难。在此背景下,推荐系统应运而生,在对抗信息过载问题方面扮演着重要角色。协同过滤(Collaborative Filtering)是构建推荐系统的关键技术之一,其核心思想是从“用户-物品”历史交互数据(如评分)中挖掘用户的潜在信息偏好,并据此为用户预测其未来可能感兴趣的物品。但是,相比于庞大的用户和物品规模,可观测的评分数据显得非常稀疏,进而严重制约了协同过滤算法的推荐性能。为了应对数据稀疏问题,学者们提出使用边信息或未标记数据改善协同过滤算法的推荐性能,两类方法各有所长,但却鲜有结合两种思路的混合研究方案。鉴于此,本文提出一种联合使用边信息与未标记数据的协同过滤方案,以更为有效的方式应对数据稀疏问题,从而获得更大程度的推荐性能提升。该方案在协同训练框架中,采用基于用户近邻的协同过滤方法和基于物品近邻的协同过滤方法初始化两个基推荐器;在后续迭代过程中,每个推荐器独立预测未标记数据并将预测置信度较高的若干伪标记样本加入对方训练集,重新训练,以获得推荐性能渐进式提升;重复该过程,直至收敛。同时,该方案还在用户近邻方法中融入了社交边信息,包括利用社交信息改进相似性计算、更新近邻、升级预测公式等,以此增加两个基推荐器之间的差异性,从而达到更好的协同训练效果。此外,本文还在协同训练框架中增加了伪标记样本的置信度验证环节,用以防止半监督学习算法因误用噪声样本引起的性能衰减。实验结果表明,联合使用边信息和未标记数据可有效缓解数据稀疏问题,本文所述方案的推荐性能明显优于单独使用边信息或未标记数据的其他协同过滤技术。本文主要贡献可归纳为以下三点:1)验证了联合使用边信息与未标记数据的可能性和有效性,为缓解数据稀疏问题提供了新思路;2)提出一种协同训练框架下联合使用未标记数据和社交边信息的协同过滤方案,大幅提升了推荐系统性能;3)将半监督学习与多种社会网络分析技术相结合,一定程度上丰富和完善社会化推荐系统领域的研究内容。
基于社交网络图扩散与嵌入的个性化推荐算法研究
这是一篇关于推荐系统,社交网络,能量扩散,图嵌入,协同过滤的论文, 主要内容为伴随人工智能时代的来临,人们逐渐走入信息化的生活。互联网的出现改变了人们的生活习惯以及生活方式,人们可以通过使用互联网获取新的知识以及有用的信息。但是在互联网时代的背景下,随着信息的日益增长,虽然人们每天接收很多信息但是却难以找到真正需要的数据信息,因此面临着信息过载的问题。而推荐系统的产生能够有效缓解这一问题,推荐系统通过有效分析系统里提供的数据信息,从而预测目标用户可能感兴趣的物品,为目标用户进行推荐。但是在现实的推荐系统中存在推荐精确度低的问题,主要原因在于推荐系统中能够利用的数据信息比较稀少,难以充分分析用户的兴趣,从而无法精准地为用户进行推荐。那么为了解决推荐系统中推荐精确度低的问题,为用户提供更精确的推荐,本文提出基于社交网络图扩散与嵌入的个性化推荐算法。(1)本文提出社交网络能量扩散协同过滤推荐算法(SNED)。在该算法中首先利用用户对物品评分来计算用户之间的直接信任强度值,其次根据用户之间的信任关系具有传递性来计算用户之间的间接信任强度值。在得到用户之间的信任强度值之后,将社交网络与用户-物品二分网络相结合得到物品与物品之间的相似度值,最后,运用协同过滤的推荐方法进行预测评分。通过实验结果显示,该算法能够有效改善推荐系统中存在的数据稀疏性问题,能够大幅度提高推荐系统的精确度。(2)本文提出社交网络对偶图嵌入推荐算法(SDGE)。在该算法中首先利用矩阵分解技术得到物品的嵌入矩阵,获得物品的特征向量表示,其次通过将用户之间的显式社交网络与隐式社交网络结合并利用图嵌入技术获得用户的嵌入矩阵,从而获得用户的特征向量表示,最后,将用户的特征向量与物品的特征向量进行内积的运算,从而获得用户对物品的预测评分,给目标用户推荐新物品。在两个真实数据集上表明,本章算法有效解决推荐系统中精确度低的问题,为目标用户提供更精准的推荐。
基于信任增强和动态时间窗的推荐算法研究
这是一篇关于推荐系统,社交网络,信任关系,动态时间窗,遗忘曲线的论文, 主要内容为由于社交网络的快速发展,推荐系统在解决信息过载问题上展现了强大的能力。传统的协同过滤算法在推荐过程中主要使用用户的历史行为数据,但容易面临数据稀疏和推荐不准确的问题。因此,研究者们开始试图在推荐算法中融入用户的社交关系以缓解传统协同过滤算法面临的数据稀疏问题。并且,大多研究仅仅发现用户兴趣会随着时间流逝发生变化,但没有考虑到时间对用户兴趣的影响规律。针对这些问题,本文基于用户的社交关系和兴趣随时间有规律变化的特点,提出改进的推荐算法。论文的主要研究内容如下:(1)针对用户社交关系对推荐结果产生的影响,引入信任关系以构建信任网络,并利用用户属性增强用户之间的信任关系;同时,根据用户的评分数据,提出一种基于信任增强和历史行为的推荐算法。首先,利用广度优先搜索算法挖掘用户之间的间接信任关系,构建密集信任网络,缓解数据稀疏性的问题。其次,引入隐性社交关系弥补显性信任关系的缺失,进一步识别感兴趣的群体。然后,融合显性和隐性信任关系获得用户信任度,并结合用户属性获得用户之间的增强信任度。同时,基于历史行为相似度与增强信任度进行分析,得到最终相似度,有效提高邻居用户选择的准确性。最后,对未评分的项目进行预测并给目标用户推荐其感兴趣的项目。在Filmtrust和Movielens两个公用数据集上进行对比实验,结果表明,本文所提算法在召回率和平均绝对误差上优于对比的其他推荐算法。(2)考虑用户兴趣迁移的特征,提出一种基于遗忘曲线和动态时间窗的推荐算法。首先,基于遗忘曲线模拟用户兴趣的变化规律,又根据用户评分对应的时间属性划分时间窗;其次,考虑到时间窗内的数据量对推荐结果的影响,融入动态划分的概念,保证每个时间窗内的数据量大于信息条数阈值;然后,对时间窗内的数据进行短期推荐;最后,引入时间函数,对不同时期的短期偏好赋予相应的权重,选取最终的推荐集合。在Movielens和Netflix数据集进行实验对比分析,本算法在准确度、召回率、平均绝对误差、均方根误差和F值上均优于对比的其他推荐算法。
基于Spring Boot的电子商城设计与实现
这是一篇关于电子商城,社交网络,社会商业,Spring Boot的论文, 主要内容为在国内外电商事业蓬勃发展的浪潮下,人们越来越依赖互联网来解决日常生活所需。网络购物,网络社交等日常生活和网络相结合的例子已经数不胜数。因此,研究新型购物平台更加全面和多方位满足用户需求,已是大势所趋。本文通过总结现有各大电商平台的利弊,提出了商城加社交的模式,强调了社交在形成良好和稳固的交易中的作用,并结合商城加社交的系统需求设计和实现了该商城系统。用户可以在该商城系统完成商品浏览,商品收藏,同时可以查看其他用户对于该商品的评论。用户还可以在商城社区中查看其他用户在使用商品后发的一些商品使用心得的文章和图文内容,通过这些方式极大增强了社交活动在用户购买商品中的作用。此外商城实现了用户在线购物完整的交易流程,提供了从售前到售后完整的服务支持,包括售前咨询服务,退货退款服务,商品投诉服务等。该商城平台整体上实现了商品管理模块、订单交易模块,支付结算模块、社区模块、商家模块、用户模块和用户资产模块。在这七大功能模块独立运行和相互配合下形成了一个社交商城系统。在商城实现的技术架构方面,该商城采用Spring Boot和Spring Cloud作为商城后台的底层技术,使用微服务系统架构搭建了服务器后台应用。系统使用My SQL关系型数据库以及My Batis数据持久层框架提供数据存储数据,还用到Redis内存数据库提供数据缓存,避免高并发场景下对数据库频繁读操作,所带来的系统性能瓶颈。在系统安全性方面,该系统使用了接口请求数据签名校验的方式避免了其他非法请求对系统的操作,提升了系统的安全性。随着该社交商城的实施、落地和运营,能更加有效的验证社交在商品交易中的地位和作用。在该商城的运营过程中,培养了用户购物分享的用户习惯,给其他网上购物的用户提供更多的帮助和支持。
基于异质信息网络的强化学习推荐系统
这是一篇关于强化学习,推荐系统,社交网络,知识图谱的论文, 主要内容为基于强化学习的推荐系统通过与用户不断交互,能够适应用户的偏好变化并能考虑到商品的潜在未来收益。但目前仍存在一些挑战,比如用户的交互数据存在多变、稀疏以及复杂的问题。用户和商品以及相关的附属信息能够构成一个异构信息网络,将异构信息网络融入到强化学习方法中能够捕捉用户和商品之间的拓扑结构以及潜在联系,缓解数据稀疏并考虑推荐商品的长期价值。受此启发,本文围绕如何在基于强化学习的推荐系统中有效利用辅助信息这一问题,开展以下三个工作:(1)提出基于知识引导的自适应序列强化学习模型,通过知识图谱的特征信息和用户-项目交互序列自适应地截取出不同长度的漂移序列,利用该序列能够提升推荐系统的探索能力,及时捕捉用户的偏好漂移。此外,借助知识图谱的特征信息设计了一个新的复合奖励函数,包括折扣序列奖励和知识图谱奖励,该复合奖励函数能够缓解奖励稀疏和收敛速度慢的问题。(2)提出基于深度强化学习的多层注意力社交推荐模型,通过深度强化学习方法和端到端的方式学习用户的动态偏好。采用子图构建用户和项目的结构化表示方法以此适应交互式推荐框架。当用户-项目二部图中用户交互数据匮乏时,利用异质信息网络中社交信任邻居之间的信息传递,间接分析出目标用户的个性化偏好。此外,状态表示模块设计了多层注意力机制,缓解子图内噪声节点的影响,提高状态的个性化表示。(3)提出一种社交多智能体强化学习模型。首先该模型通过构建两个智能体来增强推荐性能。其次,分别为不同智能体设计相应的状态表示模块,用于从社交网络和用户评分矩阵中学习状态表示。最后,为了高效利用社交网络中邻居节点,除一阶社交邻居特征外,还使用信任推理的方式聚合高级社交邻居特征,以缓解数据稀疏和冷启动的问题。
结合相似度量和反馈调节的推荐系统
这是一篇关于推荐系统,社交网络,相似度量,反馈调节,数据稀疏性的论文, 主要内容为随着信息技术的发展和互联网的普及,人们不知不觉地进入了信息过载的时代。作为处理信息过载的方法之一的推荐系统,因为能够为用户提供更好的个性化服务而成为值得研究的问题。它能够在用户没有明确需求的情况下主动帮助用户发现其感兴趣的新内容。作为推荐系统核心的推荐算法,虽然以协同过滤算法的应用最为广泛,但在社交网络兴起后,以社交网络为基础的推荐系统逐渐成为新的研究热点。在真实世界中,人们倾向于信任好友对产品的推荐,他们的喜好与其信赖的朋友的喜好相似或受其影响。研究人员希望将社交网络中信任关系引入到推荐中,来模拟真实世界中的推荐。本文的研究工作如下：(1)我们首先介绍推荐系统的研究现状和相关工作,主要对协同过滤算法和基于社交网络的算法进行了描述,并分析现有工作中存在的问题。(2)传统的相似度量在没有足够历史数据的条件下计算物品间或用户间相似度时面临问题和挑战,为了探讨这个问题,本文提出了一个新的相似度量方法,以更综合客观的角度计算相似度。(3)受困于社交关系数据的稀疏性,基于社交网络的算法要去考虑网络中信任度较弱的间接邻居,有限相似的邻居带来了长尾噪音的干扰问题,降低了推荐精度。为了解决这一问题,本文设计一个合理的邻居筛选方法,挑选出相似度较高的邻居。(4)已有算法都假设评分数据是客观真实的,而忽略了异常评分的存在可能。针对该问题,本文引入反馈调节机制,识别和修正异常评分项,提高推荐精度。(5)本文设计并实现了一个结合相似度量和反馈调节的推荐系统,系统集成了上述方法,通过实验验证算法不仅可以缓解数据稀疏性问题和冷启动问题,而且可以有效提高推荐精度。
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：源码导航 ，原文地址：https://bishedaima.com/lunwen/46400.html
