基于隐马尔可夫模型的推荐方案研究
这是一篇关于用户相似度权重,选择频次,协同过滤,隐马尔可夫模型,推荐算法的论文, 主要内容为信息技术的迅猛发展和大数据时代的到来,带来的是数据的井喷式增长,人们难以从海量的信息当中快速提取自己所需要的有价值信息,即导致“信息过载”现象的出现。推荐系统的出现有效地解决了这一问题,协同过滤推荐算法是目前应用较为广泛的推荐算法之一。但是传统的协同过滤算法忽视了用户偏好的时间可变性对推荐结果的影响,且面临着推荐准确率低和对数据稀疏性敏感的问题。本文针对关于时间的推荐算法中准确性问题和数据稀疏性问题展开研究。本文在基于隐马尔可夫模型的协同过滤推荐算法(A Hidden Markov Model for Collaborative Filtering,HMM-CF)基础上,引入用户选择频次和用户相似度权重因子,提出基于用户相似度权重和用户选择频次的隐马尔可夫协同过滤推荐算法(Hidden Markov Model Collaborative Filtering Recommendation Algorithm Based on User Similarity Weight and User Selection Frequency,HMM-CF-USW-USF)。本文的相关研究如下:(1)针对协同过滤推荐算法中的推荐准确性问题和数据稀疏性问题,首先引入用户选择频次,将用户对电影的评分转换为用户选择该电影的次数,并将用户选择该电影概率与选择该电影次数的乘积作为用户选择该电影的预测概率,继而提升推荐系统的准确性;同时引入用户相似度权重因子,利用用户对电影的评分求出用户相似度,再根据用户对电影类的选择关系对相似度进一步改善以缓解数据稀疏性的压力,最后将相似度转化为权重因子对隐马尔可夫模型参数的估计进行优化,提升推荐系统的推荐准确性。(2)本文通过两个真实数据集和四组实验对本文所提的HMM-CF-USW-USF算法的可行性和有效性进行验证。两个数据集分别为:用户在Movie-lens网站的电影评分信息,和用户在Netflix网站的电影分级行为数据。四组实验分别为:本文将未使用用户选择频次和用户相似度权重因子的HMM-CF算法作为对照组实验;在HMM-CF算法基础上结合用户相似度权重因子的算法作为实验组1;在HMM-CF算法基础上结合用户选择频次的算法作为实验组2;在HMM-CF算法基础上结合用户选择频次和用户相似度权重因子的算法作为实验组3。本文以精确率、召回率和1F度量值作为评价指标,对HMM-CF-USW-USF算法的性能进行评估。实验结果表明,引入用户相似度权重因子和用户选择频次均对推荐算法的性能有所提升。
半结构化金融合同的核心信息提取系统的设计与实现
这是一篇关于半结构化文本,卷积神经网络,信息抽取,隐马尔可夫模型,文本分类的论文, 主要内容为随着金融信息化的高速发展,如何从形式各样的金融文本中快速、准确地筛选出有价值的信息并按照企业的需求将信息进行结构化存储,日益显示出重要性。半结构化金融合同是一种常见的金融数据文本,它虽用特定的文本结构书写但具有篇幅长和信息冗余的特点。本文分析了这种合同的结构和数据特征,采用先对合同文本进行分类、后对核心信息进行抽取的思路进行研究。首先,设计了核心信息抽取算法。1)进行了数据预处理,创建了针对金融专业领域的自定义词典。该词典对分词库进行了优化并训练了适应于金融领域问题和数据规则的词向量和关键词词典,实现了对金融数据更好的过滤和约束;2)对合同文本的前置信息运用TextCNN模型进行分类,通过不同的卷积核提取关键信息。与传统的文本分类方法相比,TextCNN模型可以更好地捕捉局部相关性,达到了更良好的文本分类效果。3)根据金融合同文本的行文结构特征、文本内容之间的关联性、数据的强规则性等特征,采用基于规则的信息抽取方式进行简单信息的抽取,结合基于HMM模型对复杂项信息进行抽取。相较于传统的信息抽取方式,该方案在信息抽取的过程中能够充分考虑上下文内容以及文本结构等因素的影响,从而提高抽取任务的准确率。其次,基于上述算法,使用Java编程语言、结合SSM框架实现了一套金融借贷合同的核心信息抽取系统。该系统具有简洁的界面,用户可在系统中进行半结构化金融合同的核心信息抽取和结构化管理,并按照需求格式将数据导出。最后,对系统的文本分类、信息抽取等功能和性能进行了测试,从精度和召回率的统计结果来看,已达到了设计目标。
基于隐马尔可夫模型和协同过滤推荐算法的研究
这是一篇关于推荐算法,协同过滤,隐马尔可夫模型的论文, 主要内容为互联网大数据的高速发展引发了信息过载问题,如何从海量数据中快速获取目标所需的高质量高精准的价值数据,是现代信息工作者亟待解决的重要问题。推荐系统基于海量历史数据利用统计学、数学、机器学习、信息检索等数据挖掘技术快速提取关键特征数据,寻找满足用户需求的项目进行个性化推荐,大大减少了用户浏览冗余信息的时间和成本,且提高了各大应用领域的经济效益。尽管传统的推荐算法在理论技术和商业应用中已日益成熟,但是仍然面临着很多尚未被很好解决的难题,如数据的高度稀疏性、冷启动及用户偏好动态变化等问题。本文针对用户偏好动态变化的问题考虑了时间因素、隐藏的外在因素等基于用户历史行为数据提出了隐马尔可夫模型和协同过滤推荐的融合算法,该融合算法考虑了用户偏好变化的随机性和时效性,能够在一定程度上提高个性化推荐的精度。本文基于电影评分数据集进行实例研究分析,并设计了两个传统协同过滤推荐的对照实验,以此来验证隐马尔可夫模型和协同过滤推荐融合算法的可执行性和有效性。通过对电影评分的时序数据建立隐马尔可夫模型,以EM算法来估计模型参数,基于模型参数来预测用户下一时刻最有可能出现的观测序列,以此来预测电影评分,对评分进行排序选取排名前N的电影推荐给目标用户。由实验结果分析可知,本文提出的隐马尔可夫模型与协同过滤推荐的融合算法在该电影评分数据集上的准确率、召回率和F1值都比对照实验的表现稍好。
基于用户行为数据的再访问预测研究
这是一篇关于再访问预测,隐马尔可夫模型,集成学习,用户行为日志的论文, 主要内容为随着电子商务的迅猛发展以及移动终端技术的不断完善,网上购物作为一种新的消费方式越来越受欢迎,每天都有数以万计的网上浏览行为发生。人们随时随地都能够在线浏览商品,他们或点击、或收藏、或加购物车、或购买,因此电子商务领域逐渐积累了大量的用户行为日志数据,有效地挖掘这些数据进而得到有价值的信息现在是一个热门的研究课题。部分用户会重复访问电子商务平台或重复访问电子商务平台上的商家,基于用户行为日志数据预测用户的再访问行为蕴含着巨大的价值。精准和个性化的再访问预测,有助于电子商务平台统筹全局、合理安排资源、智能管理商铺和提供更好的服务;有助于商家对用户进行精准营销,并通过发放购物券等形式吸引消费者以此达到提高收益、降低成本、提高投资回报率的目的;有助于客户接收到符合自己兴趣爱好的个性化推荐,节约其时间和金钱成本等。本文主要根据电商平台的客户基本信息数据和用户行为日志数据,针对现有再访问预测工作存在的不足,对用户再访问预测问题进行深入研究,提出两个再访问预测模型。本文的工作和贡献如下:1.提出一种基于HMM的用户对平台的再访问预测模型。该模型使用了HMM研究用户对电子商务平台的再访问行为。具体来说,首先已知观测序列数据,利用Baum-Welch学习算法学习模型的参数,其中包含了隐数据状态序列;然后根据上一步学习好的模型,再已知观测序列数据,利用前向算法计算t+1时刻某用户可能的行为。基于真实的电子商务数据对提出的模型进行验证,实验结果表明,该模型预测用户对电商平台的再访问是有效的。2.提出了基于集成学习的用户对商家的精准再访问预测模型。本文首先介绍了基于集成学习的精准再访问预测算法Ensemble Learning-based Revisit Prediction(ELREVP)。具体的,该方法首先将原始电子商务平台用户行为日志数据预处理;然后将预处理后的数据从用户、商家和用户-商家相互作用三方面建立再访问预测特征工程;然后基于提出的关于再访问的相关特征使用集成学习算法Stacking进行用户对商家的再访问预测。集成学习方法中用到了一些基本的统计学习方法,包括决策树、随机森林、逻辑回归和神经网络。同时该方法还解决了样本类别不平衡问题和投票机制的最佳阈值选择问题。最后基于该方法做了用户对于商家的精准再访问预测实验,实验结果表明,与基线方法对比我们提出的方法是更精确的。
基于隐马尔可夫模型的自我调节学习行为建模研究
这是一篇关于自我调节学习,元认知行为建模,隐马尔可夫模型,Spring Boot的论文, 主要内容为自我调节学习描述了学生控制和评估自己学习和行为的过程。进行自我调节的学生能够依靠元认知在学习中发挥积极作用,通过使用设定适当的目标、任务规划和自我监控等学习策略促进学习成果。特别是在具有开放性的在线学习环境中,学生参与自我调节行为的能力是取得学习成功的关键因素。因此对于线学习环境的研发设计不仅需要考虑技术相关的问题,还需要考虑引导学生进行自我调节学习。通过观察模型识别与学习成功的行为模式能够促进在线学习系统的个性化发展,进而有针对性的帮助学生提高成绩。自我调节学习是一个渐进的、连续的过程,尽管能够使用简单的频率和序列分析等方法研究,但是探究学习策略的变化需要使用结合了整体学生的学习过程的算法。因此,本文主要工作如下:(1)对学生的自我调节学习行为建模做了深入分析,选择隐马尔可夫模型对学生行为建模,在进行全面的理解和分析隐马尔可夫模型的三个经典问题及对应的算法之后,针对多序列的实际情况对评估算法和重估公式进行了修改。依托贝叶斯信息准则选择模型参数,对于Baum-Welch算法收敛速度慢和不容易到达全局最优解的缺陷,融合K均值聚类算法的方法进行改善。(2)开发了一款基于自我调节学习理论框架的在线辅助学术论文写作系统。本系统实现基于Java语言,采用Spring Boot微服务架构技术进行按需配置,结合数据持久化映射工具Hibernate实现数据库与实体之间的映射。同时应用Ajax、Thymeleaf等技术对系统进行开发。系统目的是提供给学习者在自我调节学习环境中进行高效论文撰写的平台,分为文献与目标、论文撰写和意见修改三个模块,实现了在线辅助学术论文写作的主要功能,具有良好的工程应用前景。(3)根据自我调节学习问卷调查将学生的自我调节学习能力分为高、低两组。对两组学生的在线数据分别构建了相应的隐马尔可夫模型,将模型解释为学生的学习策略,比较了两组隐马尔科模型的模式差异。结果表明高能力组的学生的自我反思和策略调整能力优于低能力组。然而从模型状态的普遍性结果来说,两组学生的差异性较小。
融合知识图谱的用户偏好推荐模型研究
这是一篇关于知识图谱,神经网络,隐马尔可夫模型,推荐系统的论文, 主要内容为随着互联网的广泛应用和信息的爆炸式增长,推荐系统成为了我们日常生活中一种重要的技术。它不仅可以过滤掉一些无用的信息,还能针对不同的用户实现个性化推荐。传统的推荐系统往往通过用户和物品的交互行为进行推荐,比如用户为某物品的评分。但是这些简单的评分数字难以体现用户偏好的主观性和用户选择的可解释性,并且稀疏的数据也会影响推荐结果的准确性。为了解决以上问题,本文提出了融合知识图谱的用户偏好推荐模型,主要研究内容如下:首先,本文提出了一种融合标签和知识图谱的推荐方法(Combining Tag and Knowledge graph for recommendation,CTK)。该方法通过用户给物品标注的标签中所蕴含的语义信息,挖掘用户的兴趣偏好,构建用户特征;又利用知识图谱中大量的实体信息,通过KGCNN模型(Knowledge graph Grouping Convolutional Neural Network,KGCNN)更细粒度地刻画物品特征;最终共同计算用户特征和物品特征,从而提高了推荐的准确性、个性化和可解释性。其次,本文在CTK模型的基础上提出了一种混合注意力模型(Hybrid Attention model based CTK,CTK-HATT),该模型通过注意力机制计算用户标签中所暗藏的用户对物品的偏好,又通过自注意力机制挖掘物品自身特征的不同侧重,通过二者结合,为不同的特征分配混合注意力权重,构造更加准确而全面的物品特征。最后,本文根据用户与物品发生交互的时间顺序,提出了一种融合用户长短期兴趣偏好的推荐方法(Combing Long-term and Short-term Preference of user for Recommendation,LSPR),以此来挖掘用户随时间推移而产生的兴趣变化。LSPR模型首先利用CTK-HATT模型挖掘用户的长期兴趣偏好;然后通过用户偏好预测和隐马尔可夫模型挖掘用户的短期兴趣偏好;最终将二者融合,为用户做出推荐,使其既包含了用户的整体特征,又包含了用户行为的时序特征,从而提高推荐的效果。通过在Movie Lens 10M数据集上与其他经典推荐模型对比,本文提出的模型在MAE、MSE和AUC指标值上均有所提升。
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：代码海岸 ，原文地址：https://bishedaima.com/lunwen/47224.html
