基于多算法融合的商品共同推荐系统
这是一篇关于融合推荐,社交推荐,稀疏矩阵,信息过滤,共同推荐的论文, 主要内容为互联网的快速发展,给推荐系统带来了新的挑战。推荐系统对信息的处理从挖掘更多信息转变为挖掘更多有用的信息,信息过载成为了目前推荐系统研究的一个重点。如何从过量的信息中挖掘出有效信息,也是推荐系统研究的一个重要方向。目前的商品推荐系统主要从用户和商品两个角度进行。基于用户的推荐是主动收集用户的历史行为、习惯特征,对其进行整理、统计、分析、计算,为每位用户产生个性化的、精准的、具有新颖性的实时推荐服务,挖掘出用户潜在购买的商品进行个性推荐。传统的推荐算法主要存在的问题可以总结为以下几点:(1)冷启动和数据稀疏的问题。在基于用户的个性化推荐中容易产生这样的问题,因为对用户的认知较少和获取新用户信息困难的时候会产生这类问题。(2)用户兴趣改变问题。人的兴趣爱好可能会随着年龄阅历发生改变,用户的兴趣会随着需求发生改变,如果在建立用户兴趣模型时,未考虑这个问题,则无法掌握用户的当前兴趣,进行准确的推荐。本文提出一种基于多算法融合的商品共同推荐系统,传统的商品推荐系统大多只考虑用户的购买记录或是用户的社会关系来提高推荐的性能和解决稀疏矩阵的问题。本文从用户和商品两个角度出发,提出了商品共同推荐模型。一是从用户角度出发,提出一种基于数据挖掘的TP-FIM算法对数据信息进行过滤,提取有效信息,缩小推荐范围。另一方面,考虑利用社交网络中的信任关系,使用随机漫步算法计算确定邻居集,通过发现商品潜在的互补关系提高推荐的准确性并解决推荐系统的数据稀疏和冷启动问题,提出一种基于社交关系的融合商品推荐算法。分析和总结了该算法的优越性,并实验证明了推荐结果的质量符合预期。采用TP-FIM算法对商品数据进行过滤,对用户行为计算用户对商品的喜爱度排序;再结合基于社交网络的商品融合推荐算法生成的邻居集实现共同推荐,给出最终的推荐列表。综上所述,基于多算法融合的商品共同推荐系统涉及多种关键技术,本文通过分析传统的商品推荐系统存在的问题,主要从商品推荐模型、社交信息过滤和社交邻居集生成对其进行改进,并通过实验验证显示提高推荐结果的优越性。
基于概率图模型的事件推荐系统研究
这是一篇关于推荐系统,信息过载,稀疏矩阵,概率图模型,概率矩阵分解的论文, 主要内容为近几年网上购物成为主要消费手段,用户量和消费产品不断增多,导致互联网信息不断过载。用户如何在不断增加的信息库中挑选出自己有用信息,成为如今需要研究的重点。推荐系统在研究中承担着重要的职责,在人们身边很多领域都发挥着重要的作用,从最初的电商物品推荐不断发展成对新闻、短视频、事件、活动等各领域推荐。随着推荐系统在事件活动推荐中应用广泛,信息过载和评分数据稀疏等问题能给用户的推荐准确性带来很多问题。针对这些问题,本文将在传统的推荐系统模型算法基础上进行改进,提出基于概率图模型的事件推荐系统算法,在数据集上验证其推荐效果相比较传统算法有了很大的提升,最后将基于概率图模型算法应用到一个校园活动推荐系统设计中,表现出很好的应用价值。主要工作如下:(1)由于传统矩阵分解算法存在冷启动、数据稀疏性和预测时间复杂度高等问题,导致推荐准确性下降,提出基于隐式反馈和基准偏好的标准化矩阵分解优化算法。该算法将优先对数据集预处理、用户和项目的评分矩阵同时引入Batch Norm稀疏矩阵算法来训练归一化处理参数,加快收敛速度,提高训练的稳定性。同时,增加项目约束偏置,更能够显示用户的真实评分。最后,对用户矩阵加入隐式反馈信息,构建基于隐式反馈和基准偏好的标准化矩阵分解模型,对用户的评分矩阵进行预测。实验结果表明,该优化算法能更好地解决矩阵分解中的冷启动和数据稀疏问题,在预测精度上比传统的矩阵分解算法具有很大的优势。(2)由于一些特定用户不喜欢对消费后的物品,进行评分造成的数据稀疏问题。导致传统推荐模型的参照数据较少,不能给出准确推荐信息,提出基于特定用户约束的概率矩阵分解算法。该算法针对特定的评分稀疏用户引入一种潜在相似度约束矩阵来影响用户的特征向量,并结合最大后验概率估计和蒙特卡罗采样推断进行概率矩阵分解,自动调整模型正则化参数,最后在数据集上进行测试评估和对比实验。实验结果表明,该算法在预测性能上得到很大提升,并且在解决特定用户的评分稀疏问题上可以准确预测用户喜好。(3)利用基于隐式反馈和基准偏好的标准化矩阵分解模型和基于特定用户约束的概率矩阵分解模型优点,将模型应用到实际生活中,设计并实现一个校园活动推荐系统。该系统可以很好地向用户推荐感兴趣的活动,利用对用户参加过的活动,以及相似用户之间的关系,产生更有效的推荐结果,满足用户需求的同时增加了用户体验,最后对系统进行系统化的测试,保证系统的实用性和稳定性。
CPU+GPU异构环境下的大规模商品知识查询处理研究
这是一篇关于商品知识,异构环境,稀疏矩阵,用户主观知识,查询策略的论文, 主要内容为在电商平台日益涌现和高速发展背景下,商品的数量急剧增长,数以万计的用户在购物网站上发表商品评论,其中一些热门商品的评论数量更是不可估计,这些评论对于用户有着重要的参考价值。如何将互联网上的海量商品知识进行高效管理是当前学术界与工业界共同关注的热点问题。同时,随着图形处理器(Graphics Processing Unit,GPU)等硬件的不断发展,基于CPU+GPU的异构模式体系逐渐成为海量数据管理领域的研究热点,未来的高性能数据管理系统中CPU+GPU的异构计算体系占有不可或缺的一席之地。本文以大规模商品知识为中心,系统地研究CPU+GPU异构环境下的大规模商品知识查询处理技术,主要工作包括:(1)在已有的工作中,围绕电商平台上的商品信息构建商品知识图谱,并提出一种基于稀疏矩阵的知识表示方法。现存的商品知识图谱都是对商品客观知识进行构建,尚未涉及用户观点这类主观知识,忽略了与商品相关的用户观点这类主观信息的潜在价值。因此,本文提出了一种结合商品客观知识与主观知识的商品知识图谱框架,实现对商品客观知识与主观知识的有效组织管理。此外针对商品数据多以文本表示进而导致数据检索效率差的问题,本文提出一种基于稀疏矩阵的知识表示方法。实验结果表明稀疏矩阵式知识表示方法能够合理使用异构系统资源,提升系统存储空间利用率与数据查询效率。(2)提出一种CPU+GPU异构环境下的流水线型查询优化策略。现存两种知识管理方式分别是基于关系模型的管理方式和基于图模型的管理方式,但随着商品数据量的指数型增长导致查询效率逐渐不能满足用户需求。同时,硬件技术的不断发展使得GPU功能逐渐从图形领域扩展到通用计算领域,相较于CPU擅长处理逻辑复杂的计算任务,GPU则更善于处理具有重复、逻辑简单、大规模的计算任务。针对商品知识检索效率差的问题,本文采用GPU加速查询处理,提出一种CPU+GPU异构环境下的流水线式商品知识查询优化策略,通过复用查询中间结果,充分利用GPU的强大计算能力。实验结果表明,该方法在处理用户商品知识检索时,查询性能得到显著提升。
CPU+GPU异构环境下的大规模商品知识查询处理研究
这是一篇关于商品知识,异构环境,稀疏矩阵,用户主观知识,查询策略的论文, 主要内容为在电商平台日益涌现和高速发展背景下,商品的数量急剧增长,数以万计的用户在购物网站上发表商品评论,其中一些热门商品的评论数量更是不可估计,这些评论对于用户有着重要的参考价值。如何将互联网上的海量商品知识进行高效管理是当前学术界与工业界共同关注的热点问题。同时,随着图形处理器(Graphics Processing Unit,GPU)等硬件的不断发展,基于CPU+GPU的异构模式体系逐渐成为海量数据管理领域的研究热点,未来的高性能数据管理系统中CPU+GPU的异构计算体系占有不可或缺的一席之地。本文以大规模商品知识为中心,系统地研究CPU+GPU异构环境下的大规模商品知识查询处理技术,主要工作包括:(1)在已有的工作中,围绕电商平台上的商品信息构建商品知识图谱,并提出一种基于稀疏矩阵的知识表示方法。现存的商品知识图谱都是对商品客观知识进行构建,尚未涉及用户观点这类主观知识,忽略了与商品相关的用户观点这类主观信息的潜在价值。因此,本文提出了一种结合商品客观知识与主观知识的商品知识图谱框架,实现对商品客观知识与主观知识的有效组织管理。此外针对商品数据多以文本表示进而导致数据检索效率差的问题,本文提出一种基于稀疏矩阵的知识表示方法。实验结果表明稀疏矩阵式知识表示方法能够合理使用异构系统资源,提升系统存储空间利用率与数据查询效率。(2)提出一种CPU+GPU异构环境下的流水线型查询优化策略。现存两种知识管理方式分别是基于关系模型的管理方式和基于图模型的管理方式,但随着商品数据量的指数型增长导致查询效率逐渐不能满足用户需求。同时,硬件技术的不断发展使得GPU功能逐渐从图形领域扩展到通用计算领域,相较于CPU擅长处理逻辑复杂的计算任务,GPU则更善于处理具有重复、逻辑简单、大规模的计算任务。针对商品知识检索效率差的问题,本文采用GPU加速查询处理,提出一种CPU+GPU异构环境下的流水线式商品知识查询优化策略,通过复用查询中间结果,充分利用GPU的强大计算能力。实验结果表明,该方法在处理用户商品知识检索时,查询性能得到显著提升。
基于信息融合的评分预测个性化推荐研究
这是一篇关于信息融合,评分预测,协同过滤,稀疏矩阵,时间敏感性的论文, 主要内容为随着移动互联网,大数据,云计算以及物联网技术的不断进步与发展,信息资源规模急速扩大,信息过载问题(Information overload)日渐严重,从而催生了大量的个性化推荐系统(Recommender System,RS)。协同过滤(Collaborative Filtering,CF)推荐算法不需要太多特定领域的知识,容易实现且准确率高,因此在RS领域得到了广泛的应用。然而,传统的CF算法一直面临着数据稀疏、冷启动和可扩展性等问题,仅利用单一的用户评分信息很难有效解决这些问题。随着用户规模的不断扩大和信息技术的不断提高,衍生了大量的多元信息,如用户的人口统计学信息,商品的类型标签信息,社交网络信息,时间情景等等。如何利用丰富的多元信息来优化算法成为个性化RS领域的一个研究热点。本文以稀疏矩阵缺失评分预测填充,融合时间情景,基于用户的协同过滤(Userbased Collaborative Filtering)和基于项目的协同过滤(Item-based Collaborative Filtering)推荐算法为基础,分析现有算法存在的不足,在推荐算法的各个阶段融入多元信息,具体内容如下:(1)针对RS中的评分稀疏问题,本文提出了一种基于用户偏好二分策略和融合平均评分的有效预评分方法(An Effective Pre-rating Method Based on Users’Preferences Dichotomy Strategy and Average Ratings Fusion),首先融合了用户评分信息和项目标签等多元信息构造用户-项目偏好矩阵,对用户的兴趣偏好进行分析和建模。然后根据参数化的动态阈值将项目分为用户感兴趣和不感兴趣两类。对于这两类项目的缺失评分,采用不同的方法进行填充,在一定程度上缓解了数据稀疏导致的消极影响。(2)针对现有融入时间情景的推荐算法忽视了不同用户对时间敏感性差异的问题,本文提出了一种基于用户时间敏感性检测的评分预测方法(Rating Prediction Method Based on User Time-Sensitivity)。首先融合了用户评分信息和项目类型标签等多元信息对用户时间敏感性进行分析和建模,基于投票策略,分别利用余弦距离和相对熵建立判断函数,检测用户对时间的敏感性。再基于用户时间敏感性改进了传统的协同过滤评分预测算法,并进行了组合参数优化。最后,在标准数据集(Movie Lens)上对本文提出的两个方法进行了实验验证和分析,实验结果表明本文提出的方法可以有效地降低预测的误差,进而提高推荐质量。
CPU+GPU异构环境下的大规模商品知识查询处理研究
这是一篇关于商品知识,异构环境,稀疏矩阵,用户主观知识,查询策略的论文, 主要内容为在电商平台日益涌现和高速发展背景下,商品的数量急剧增长,数以万计的用户在购物网站上发表商品评论,其中一些热门商品的评论数量更是不可估计,这些评论对于用户有着重要的参考价值。如何将互联网上的海量商品知识进行高效管理是当前学术界与工业界共同关注的热点问题。同时,随着图形处理器(Graphics Processing Unit,GPU)等硬件的不断发展,基于CPU+GPU的异构模式体系逐渐成为海量数据管理领域的研究热点,未来的高性能数据管理系统中CPU+GPU的异构计算体系占有不可或缺的一席之地。本文以大规模商品知识为中心,系统地研究CPU+GPU异构环境下的大规模商品知识查询处理技术,主要工作包括:(1)在已有的工作中,围绕电商平台上的商品信息构建商品知识图谱,并提出一种基于稀疏矩阵的知识表示方法。现存的商品知识图谱都是对商品客观知识进行构建,尚未涉及用户观点这类主观知识,忽略了与商品相关的用户观点这类主观信息的潜在价值。因此,本文提出了一种结合商品客观知识与主观知识的商品知识图谱框架,实现对商品客观知识与主观知识的有效组织管理。此外针对商品数据多以文本表示进而导致数据检索效率差的问题,本文提出一种基于稀疏矩阵的知识表示方法。实验结果表明稀疏矩阵式知识表示方法能够合理使用异构系统资源,提升系统存储空间利用率与数据查询效率。(2)提出一种CPU+GPU异构环境下的流水线型查询优化策略。现存两种知识管理方式分别是基于关系模型的管理方式和基于图模型的管理方式,但随着商品数据量的指数型增长导致查询效率逐渐不能满足用户需求。同时,硬件技术的不断发展使得GPU功能逐渐从图形领域扩展到通用计算领域,相较于CPU擅长处理逻辑复杂的计算任务,GPU则更善于处理具有重复、逻辑简单、大规模的计算任务。针对商品知识检索效率差的问题,本文采用GPU加速查询处理,提出一种CPU+GPU异构环境下的流水线式商品知识查询优化策略,通过复用查询中间结果,充分利用GPU的强大计算能力。实验结果表明,该方法在处理用户商品知识检索时,查询性能得到显著提升。
基于概率图模型的事件推荐系统研究
这是一篇关于推荐系统,信息过载,稀疏矩阵,概率图模型,概率矩阵分解的论文, 主要内容为近几年网上购物成为主要消费手段,用户量和消费产品不断增多,导致互联网信息不断过载。用户如何在不断增加的信息库中挑选出自己有用信息,成为如今需要研究的重点。推荐系统在研究中承担着重要的职责,在人们身边很多领域都发挥着重要的作用,从最初的电商物品推荐不断发展成对新闻、短视频、事件、活动等各领域推荐。随着推荐系统在事件活动推荐中应用广泛,信息过载和评分数据稀疏等问题能给用户的推荐准确性带来很多问题。针对这些问题,本文将在传统的推荐系统模型算法基础上进行改进,提出基于概率图模型的事件推荐系统算法,在数据集上验证其推荐效果相比较传统算法有了很大的提升,最后将基于概率图模型算法应用到一个校园活动推荐系统设计中,表现出很好的应用价值。主要工作如下:(1)由于传统矩阵分解算法存在冷启动、数据稀疏性和预测时间复杂度高等问题,导致推荐准确性下降,提出基于隐式反馈和基准偏好的标准化矩阵分解优化算法。该算法将优先对数据集预处理、用户和项目的评分矩阵同时引入Batch Norm稀疏矩阵算法来训练归一化处理参数,加快收敛速度,提高训练的稳定性。同时,增加项目约束偏置,更能够显示用户的真实评分。最后,对用户矩阵加入隐式反馈信息,构建基于隐式反馈和基准偏好的标准化矩阵分解模型,对用户的评分矩阵进行预测。实验结果表明,该优化算法能更好地解决矩阵分解中的冷启动和数据稀疏问题,在预测精度上比传统的矩阵分解算法具有很大的优势。(2)由于一些特定用户不喜欢对消费后的物品,进行评分造成的数据稀疏问题。导致传统推荐模型的参照数据较少,不能给出准确推荐信息,提出基于特定用户约束的概率矩阵分解算法。该算法针对特定的评分稀疏用户引入一种潜在相似度约束矩阵来影响用户的特征向量,并结合最大后验概率估计和蒙特卡罗采样推断进行概率矩阵分解,自动调整模型正则化参数,最后在数据集上进行测试评估和对比实验。实验结果表明,该算法在预测性能上得到很大提升,并且在解决特定用户的评分稀疏问题上可以准确预测用户喜好。(3)利用基于隐式反馈和基准偏好的标准化矩阵分解模型和基于特定用户约束的概率矩阵分解模型优点,将模型应用到实际生活中,设计并实现一个校园活动推荐系统。该系统可以很好地向用户推荐感兴趣的活动,利用对用户参加过的活动,以及相似用户之间的关系,产生更有效的推荐结果,满足用户需求的同时增加了用户体验,最后对系统进行系统化的测试,保证系统的实用性和稳定性。
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/48735.html