智能购物中心情境下上下文感知推荐系统研究与开发
这是一篇关于购物中心,上下文,上下文感知,推荐系统的论文, 主要内容为随着射频识别(Radio Frequency Identification)技术及其他感知技术的快速发展，构建无所不在的物联网正在变成现实。构架于物联网之上的智能应用变得越来越多样和复杂。这其中，购物中心等零售商家为应对电子商务对于传统零售的冲击，也开始着手使用物联网技术构建智能购物中心的相关应用。购物中心情境下的上下文感知推荐系统通过结合上下文信息来分析用户反馈后，做出用户喜好预测，将可能受喜爱的信息或实体推荐给用户。使用推荐系统一方面帮助用户快速找到商品，改善了用户购物体验同时提升了用户忠诚度；另一方面也提高了卖家的交叉销售能力和成交转化率。目前对于上下文感知推荐系统的研究还主要停留在实验室阶段，应用于实际场景的上下文感知推荐系统实践还很少。 本文结合国内外的研究，深入分析了上下文感知推荐系统在大型购物中心应用的实际情况与特点，设计改进了一套面向购物中心的推荐算法和解决方案。本研究的主要工作分为三个方面：第一，针对智能购物中心的应用场景，抽取购物记录等隐式用户反馈，并将其映射为用户喜好，在应用传统相似度算法的基础之上，同时结合数据特征，规整用户消费次数等信息，消除和减弱热门商户与活跃用户对于算法计算结果的影响，提高了推荐准确率。第二，通过使用人口统计学特征与决策树算法，系统能够较好地处理历史记录较少或缺失的用户喜好提取问题。第三，在上下文信息融合到推荐生成的过程中，本文重点考虑时间上下文，将RFID数据抽象为区域停留行为进行建模，融入相似度计算，使得用户喜好与时间上下文关联。本文最后在实现上下文感知推荐系统时应用了规则引擎，通过与喜好模型进行匹配，系统将产生的新知识作为推荐结果推送给用户。 本文首先阐述了课题背景，分析了当前国内外研究中的上下文感知推荐系统，总结出上下文感知推荐体系按上下文融合过程可分为三类：上下文预过滤、上下文后过滤和上下文建模；按推荐算法体系又可分为：基于协同过滤的推荐、基于内容的推荐和混合推荐。接下来，结合购物中心应用的需求，提出了一套通用的智能购物中心情境下上下文感知推荐系统体系，对基于上下文感知推荐系统的算法模型、规则生成和规则引擎集成进行了深入研究和设计。最后，给出了上下文感知推荐系统各个组件的具体实现方案。
基于上下文信息和用户行为的推荐方法研究
这是一篇关于社交网络,推荐系统,上下文感知,云模型,Tucker分解的论文, 主要内容为随着移动互联网的快速发展,信息生产者和信息消费者所面对的信息过载问题越来越严重。推荐系统的产生在一定程度上缓解了这个问题,使得人们可以从海量信息中更加准确、及时的发现感兴趣的信息内容,因此在社交平台、电子商务等众多领域中得到了广泛的应用。随着推荐系统用户数量的增长、社交关系复杂化以及内容多样化等诸多问题,使得传统的推荐算法不能有效的满足用户的需求。因此,进一步研究推荐算法对提高推荐系统的推荐质量具有重要的研究意义。综上所述,本论文通过深入研究当前推荐算法存在的优点和不足,提出基于社交网络和兴趣主题的好友推荐方法和基于社交上下文和张量分解的评分预测方法,主要的工作内容如下:1.本论文设计一种基于社交网络和用户兴趣的好友推荐方法。首先,根据社交关系和历史评分行为,分别计算用户共同好友比例和用户共同行为比例,并在此基础上构建用户关系相似度模型。其次,根据用户标签数据,利用TF-IDF在文本信息挖掘的特性,构建基于TF-IDF的用户兴趣相似度模型。最后,通过对上述产生的两种相似度赋予不同的权值,进一步得到综合社交和兴趣主题的用户相似度,并对综合相似度排序生成目标用户的相似好友推荐列表。2.本论文设计一种基于社交上下文信息和张量分解的评分预测方法。首先,考虑到社交网络中用户兴趣的传播效应,在云模型及隶属度等相关理论的基础上,分别利用用户的显性属性和用户的隐性属性建立好友评分预测模型和相似好友评分预测模型,并基于高斯变换融合两部分预测结果生成预测评分;其次,考虑到上下文信息对评分预测结果的影响和张量分解在数据维度转换和数据压缩的特性,通过构建“用户-项目-上下文”张量分解模型迭代预测缺失值;最后,对上述两部分预测值进行加权融合,生成最终的评分预测结果。最后,本论文通过获取真实的豆瓣数据,对所设计的好友推荐方法和评分预测方法进行验证。
面向MOBA游戏场景的道具推荐系统设计与实现
这是一篇关于英雄推荐,装备推荐,注意力机制,滤波器,上下文感知的论文, 主要内容为随着互联网的飞速发展,MOBA游戏凭借自身的趣味性、竞技性和社交属性,已经发展成为全世界最受欢迎的游戏类型之一,并形成了独具风格的用户社区和电子竞技产业。道具是MOBA游戏中的关键因素,不同的道具可以为用户提供不同的游戏体验和丰富的战术选择。MOBA游戏中的道具主要包括英雄和装备。一场对局中,用户需要在英雄选择阶段选择英雄,在对局阶段为英雄选择装备。随着用户游戏对局数的增多,用户会形成自己个性化的英雄偏好。装备具有不同的属性,与不同的英雄存在搭配或克制关系。每个英雄都有与之搭配的装备组合,同时装备组合还要随着具体对局的变化而做出相应的调整。所以,道具推荐需要充分挖掘用户的个性化偏好和对局的上下文信息。MOBA游戏的道具数量较多,道具组合数量巨大,普通用户难以做出合适的选择。开发一个面向MOBA游戏场景的道具推荐系统可以提升用户体验。本文主要研究MOBA游戏不同阶段的道具推荐问题,并设计实现一个面向MOBA游戏场景的道具推荐系统,主要内容如下:(1)提出了一种基于注意力机制与噪声滤波的个性化MOBA英雄推荐模型PHPRec。此模型在英雄选择阶段前预测用户的英雄偏好,利用注意力机制挖掘用户历史对局数据中丰富的局内表现信息,获取用户局内表现与用户兴趣之间的关联性,并引入滤波层对用户历史对局序列中可能存在的噪声数据进行过滤。在真实数据集上的实验结果表明,PHPRec在个性化英雄推荐场景下优于目前的一些常见的推荐算法。(2)提出了一种融合用户个性化偏好的上下文感知MOBA英雄推荐模型GHPRec。此模型在英雄选择阶段中为用户推荐合适的英雄。考虑到MOBA游戏的英雄选择阶段中存在英雄选择过程和游戏规则的诸多限制,仅仅基于用户的个性化英雄偏好选择英雄是不合理的。本文设计了用户表现网络来建模用户个性化英雄偏好,设计了对局网络来融合对局中用户的个性化英雄偏好,感知对局的上下文信息,基于此进行英雄推荐。在真实MOBA游戏数据集上的实验结果表明,GHPRec有效地提升了命中率和NDCG。(3)提出了 一种基于英雄装备模式分析与对局上下文感知的MOBA装备推荐模型GEPRec。此模型在对局阶段前为英雄进行装备推荐,包括两个基于Transformer编码器设计的模块:英雄装备模式分析模块根据英雄的历史对局分析英雄与装备之间的关系;对局模块将英雄的装备模式与当前对局的上下文信息融合,然后进行装备推荐。在LOL和Dota2数据集上的实验结果表明,GEPRec取得了优秀的效果。(4)提出了一种基于上下文信息感知的顺序MOBA装备推荐模型GSEPRec。此模型在对局阶段中按顺序为英雄推荐下一个装备。考虑到对局中装备选择的顺序性质,本文设计了顺序编码器用于捕获装备购买行为中的顺序信息,设计了上下文编码器用于建模对局中英雄及其装备之间的交互关系,然后进行装备推荐。在真实数据集上的实验表明,GSEPRec模型取得了推荐效果的提升。(5)MOBA游戏市场规模大,用户数量多,目前国内市场上缺少个性化的MOBA道具推荐系统。因此,本文设计实现了一个面向MOBA游戏场景的道具推荐系统,将本文提出的模型应用于系统中,为用户提供英雄推荐、阵容推荐、装备推荐和道具图鉴等服务,提升用户体验。
基于匿名隐私保护模型的上下文推荐系统研究
这是一篇关于上下文感知,推荐系统,k-匿名,微聚集,隐私保护的论文, 主要内容为在当前的互联网时代电子商务、社交网络等网络应用已经成为日常生活中不可分割的一部分,而各种应用针对不同用户的个性化信息推荐已经作为用户获取相关信息的重要途径。然而在推荐系统中为了计算出准确的推荐结果,针对不同用户的个性化推荐系统中为了获取更加精确的推荐需要更广泛的收集用户上下文信息。上下文感知的推荐系统中通过引入上下环境信息来为用户做出推荐。上下文感知推荐系统相比传统推荐系统更具有准确性,同时又兼具普适计算及个性化等优势,可进一步提高推荐系统的准确性和用户的满意度。在上下文感知推荐系统中,搜集了大量的包含各种与个体相关的上下文信息。这些信息的搜集和发布,使得推荐系统具有双面性。一方面,这些信息的搜集和应用将会获取更加准确的推荐结果,但与此同时也会带来另一个反面,将会有更多的用户隐私信息暴露。搜集和发布这些数据前如果没有考虑到隐私相关问题,用户的敏感信息往往能够被攻击者间接或直接的获取到。若不重视用户隐私保护的相关问题很可能会导致用户个人信息被非法利用,甚至造成大量的经济或精神损失。所以对这些信息的隐私保护已经成为互联网隐私安全的重中之重。隐私安全在推荐系统中也是广受关注的问题,也是当前研究热点之一。传统的k-匿名隐私保护是一种安全有效的隐私保护算法,但不能很好抵御一些同质性或背景知识性攻击。针对在推荐系统中用户信息的隐私保护问题本文进行了如下研究:(1)分析和概述了推荐系统相关研究,以及在推荐系统中隐私安全问题的相关技术,以及对最常用的k-匿名隐私保护算法进行了分析。(2)针对传统k-匿名隐私保护算法的缺点本文提出了两种改进的算法,通过满足不同的匿名保护条件对用户隐私进行保护。第一种是根据用户敏感属性值的隐私保护程度的不同对用户信息的敏感属性进行分组,并给不同的分组设置隐私保护程度,从而对多样性的敏感信息进行有效的隐私保护;第二种是借助微聚集隐私保护的算法对用户属性进行保护,对用户的准标识符和敏感属性的没有具体要求。(3)实验验证两个保护算法均能实现在保护用户隐私信息的前提下为用户提供准确的个性化推荐。两种算法所针对的是不同的类型的数据集进行不同的聚类和隐私保护处理并对其进行泛化。
基于上下文感知的餐饮O2O本体建模与推荐方法研究
这是一篇关于上下文感知,餐饮O2O,本体,知识推理,推荐系统的论文, 主要内容为随着移动互联网的发展,面向餐饮等服务业的O2O电子商务模式逐渐凸显它的价值和发展潜力。但由于O2O平台所承载的数据量不断增长,导致了“数据爆炸但知识贫乏”的困境,信息过载问题日益凸显。为解决该问题,个性化推荐系统通过信息过滤从海量的资源中提取符合用户需求的信息,在各类电子商务网站上得到了广泛应用。餐饮O2O电子商务的线上线下交互更加情景化和多元化,用户的个性化需求具有上下文敏感性,因此O2O推荐与传统推荐在数据的维度与稀疏性、用户偏好特征、推荐实时性等方面存在区别,对用户的动态偏好分析与挖掘提出了更高的要求。不过,普适计算的发展为更全面、更实时的上下文信息的获取提供了基础。在此背景下,本文通过本体建模对用户的上下文与餐饮领域推荐资源进行知识表示与推理,并对将上下文信息融入推荐模型的方法进行研究,主要研究内容如下:首先,研究了基于上下文感知的餐饮O2O推荐本体。在设计了两层本体结构的上下文服务模型的基础上,对上下文建模信息获取方法进行了分析。通过上下文本体和餐饮领域本体的概念和属性类、属性、实例等详细描述了餐饮O2O推荐中实体概念之间的交互关系,并在此基础上利用本体的属性与规则建立餐饮领域的知识库,通过规则推理实现基于知识过滤的餐饮O2O推荐。然后,研究了上下文后过滤的协同过滤推荐方法。针对传统推荐方法用于餐饮O2O推荐时的稀疏矩阵、冷启动问题,参考计算文本特征项权重的TF-IDF算法,设计了将用户-商品评分矩阵转化为用户-商品属性值评分矩阵的方法。根据以用户的评分偏好和静态上下文信息构建的相似组,采用基于KL散度为上下文加权的贝叶斯方法预测用户对于商品属性值的动态偏好。通过实验分析,验证了上下文后过滤推荐方法的有效性。最后,研究了餐饮O2O推荐流程与系统实现。从餐饮O2O推荐系统用户的实际使用需求进行考虑,将知识过滤和协同过滤两种算法按流程融合,并设计了模块化的系统体系框架,实现了上下文信息的获取以及具有推理功能的本体模块。按照用户使用系统的过程,对客户端实现的效果进行了展示。
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：源码货栈 ，原文地址：https://bishedaima.com/lunwen/48129.html
