基于时效标签与内容特征的服务推荐方法研究
这是一篇关于特征抽取,知识图谱,协同过滤,时效性,词距离的论文, 主要内容为当今世界正处于移动互联网时代,各种移动互联网技术日新月异,也促使了智能手机及其相关领域的高速发展,移动应用(Mobile Application,MA)领域是其中最为蓬勃繁荣的一部分。截止至2020年7月,仅仅我国的上架移动应用就超过了357万款,用户数量超过了8.3亿。在如此庞大的市场和用户规模面前,想要精准地为用户推荐适合的移动应用是很困难的。首先,针对移动应用的推荐大部分是基于用户对移动应用的历史评分,然而在现实情况下,很大一部分用户的历史评分项目有限,由此情况导致推荐系统在向该用户推荐其他种类移动应用时很困难;其次,最新出现的移动应用会因缺乏大量用户历史行为数据,而无法有效地被推荐。本文针对以上新应用历史数据及评分数据稀疏问题和项目冷启动的问题对推荐系统进行了改进,主要介绍了三个方面的研究内容:基于内容特征抽取的混合推荐方法、融合知识图谱的推荐方法、基于时效标签与内容特征的服务推荐方法。具体研究内容如下:(1)本文提出了一种基于内容特征抽取的混合推荐方法来解决传统协同过滤算法难以应对的物品冷启动问题。该方法首先通过分词、词性标注、依存句法分析等NLP技术提取服务内容特征,提升了描述物品属性的准确性和计算物品相似度方法的合理性。然后利用Bert模型对内容特征文本进行向量化,并采用改进的加权词距离TFIDF-WMD算法计算移动应用服务的相似度,最后结合基于物品的协同过滤推荐算法完成推荐。该方法使冷启动问题得到了缓解,推荐精度也得到了显著提高。(2)针对推荐方法中,基于内容推荐方法往往只能对相似种类的项目进行推荐的局限性问题,本文在完成研究内容(1)的基础上,提出了一种融合知识图谱的推荐算法。根据现有的项目特征,结合知识图谱的网络结构关联所有的项目特征,融合并补全知识图谱以避免数据稀疏的问题。将基于项目向量的相似度与基于知识图谱的项目相似度进行融合,由此能更充分利用项目本身的信息,提高了推荐结果的可解释性。(3)针对用户对项目评分数据稀疏的问题与评分时效性的问题,提出了一种考虑时间因素的标签聚类推荐算法。该方法首先利用考虑评分时效性与标签时效性,同时又考虑了用户评分惯性因素,最终得出时间加权的相似度;其次,将项目标签库中的标签进行聚类。最后,基于标签聚类结果预测同聚类下待评分项目的评分,并通过实验证明了该方法在解决数据稀疏性问题上的有效性。根据实验结果可以看出,本文所提出的基于时效标签与内容特征的服务推荐方法,解决了传统协同过滤推荐方法中存在的问题,并能为新用户推荐有用的项目,综合提高了推荐的准确性。
基于时效标签与内容特征的服务推荐方法研究
这是一篇关于特征抽取,知识图谱,协同过滤,时效性,词距离的论文, 主要内容为当今世界正处于移动互联网时代,各种移动互联网技术日新月异,也促使了智能手机及其相关领域的高速发展,移动应用(Mobile Application,MA)领域是其中最为蓬勃繁荣的一部分。截止至2020年7月,仅仅我国的上架移动应用就超过了357万款,用户数量超过了8.3亿。在如此庞大的市场和用户规模面前,想要精准地为用户推荐适合的移动应用是很困难的。首先,针对移动应用的推荐大部分是基于用户对移动应用的历史评分,然而在现实情况下,很大一部分用户的历史评分项目有限,由此情况导致推荐系统在向该用户推荐其他种类移动应用时很困难;其次,最新出现的移动应用会因缺乏大量用户历史行为数据,而无法有效地被推荐。本文针对以上新应用历史数据及评分数据稀疏问题和项目冷启动的问题对推荐系统进行了改进,主要介绍了三个方面的研究内容:基于内容特征抽取的混合推荐方法、融合知识图谱的推荐方法、基于时效标签与内容特征的服务推荐方法。具体研究内容如下:(1)本文提出了一种基于内容特征抽取的混合推荐方法来解决传统协同过滤算法难以应对的物品冷启动问题。该方法首先通过分词、词性标注、依存句法分析等NLP技术提取服务内容特征,提升了描述物品属性的准确性和计算物品相似度方法的合理性。然后利用Bert模型对内容特征文本进行向量化,并采用改进的加权词距离TFIDF-WMD算法计算移动应用服务的相似度,最后结合基于物品的协同过滤推荐算法完成推荐。该方法使冷启动问题得到了缓解,推荐精度也得到了显著提高。(2)针对推荐方法中,基于内容推荐方法往往只能对相似种类的项目进行推荐的局限性问题,本文在完成研究内容(1)的基础上,提出了一种融合知识图谱的推荐算法。根据现有的项目特征,结合知识图谱的网络结构关联所有的项目特征,融合并补全知识图谱以避免数据稀疏的问题。将基于项目向量的相似度与基于知识图谱的项目相似度进行融合,由此能更充分利用项目本身的信息,提高了推荐结果的可解释性。(3)针对用户对项目评分数据稀疏的问题与评分时效性的问题,提出了一种考虑时间因素的标签聚类推荐算法。该方法首先利用考虑评分时效性与标签时效性,同时又考虑了用户评分惯性因素,最终得出时间加权的相似度;其次,将项目标签库中的标签进行聚类。最后,基于标签聚类结果预测同聚类下待评分项目的评分,并通过实验证明了该方法在解决数据稀疏性问题上的有效性。根据实验结果可以看出,本文所提出的基于时效标签与内容特征的服务推荐方法,解决了传统协同过滤推荐方法中存在的问题,并能为新用户推荐有用的项目,综合提高了推荐的准确性。
司法领域知识图谱构建及推荐应用的研究与实现
这是一篇关于司法图谱,智能审判预测,特征抽取的论文, 主要内容为随着信息技术行业发展,人们通过分析现有数据,获得潜在的发展规律,提高社会各行各业的工作效率。在司法领域同样急需采用更加智能化的方法减缓法官及其专业人员的负担,使非专业人员也能及时获得相对专业的结果。因此,越来越多的研究人员开始探索如何利用案情描述等已知的信息进行智能化司法审判,缓解繁重的人力资源和时间资源。本课题通过结合司法知识图谱,将司法审判预测等价于多标签分类问题实现最终的预测。针对司法领域的专业特性,本课题利用罪名的定义描述信息作为实体选择的关键。另外,随着标签数量增加,现有特征抽取方法的表现会越来越差,而在司法智能预测领域,大空间的标签集合已经影响到案情描述文本特征抽取的精准度。因此,通过分析现有算法的不足,本课题提出以下两个创新点。首先,本课题提出结合司法图谱的罪名预测算法。通过建立一个司法图谱将所有罪名信息融合到一个统一的法律图谱中,再基于司法图谱,设计了四种类型的罪名空间关系以捕获罪名之间的信息。然后,司法图谱嵌入这些关系以学习鲁棒的罪名向量表示。最后,罪名向量表示和事实表示被共同输入到基于注意力机制的神经网络中进行预测。通过在三个真实数据集上进行实验,证明了该模型的有效性。其次,本课题提出了司法领域基于多维度的文本特征抽取算法。不同位置的卷积结果应具有不同的重要性,因此,通过利用自我注意机制为不同位置的不同卷积结果分配不同的权重,并在模型中添加一个长短期记忆神经网络以获得全局特征,最终得到多维度的文本特征表达以实现更好的预测效果。在七个公开数据集上进行实验,证明了该特征抽取方法的有效性。最后,本课题设计并实现了一个原型系统。主要包括两个模块:一个是图谱可视化模块,可以查看司法图谱可视化展示,也可以实现关键词的搜索功能。另一个是司法罪名预测模块,里面集成了所有的模型研究成果,可以根据用户输入的案情事实描述,对案情结果进行预测,生成咨询意见。
司法领域知识图谱构建及推荐应用的研究与实现
这是一篇关于司法图谱,智能审判预测,特征抽取的论文, 主要内容为随着信息技术行业发展,人们通过分析现有数据,获得潜在的发展规律,提高社会各行各业的工作效率。在司法领域同样急需采用更加智能化的方法减缓法官及其专业人员的负担,使非专业人员也能及时获得相对专业的结果。因此,越来越多的研究人员开始探索如何利用案情描述等已知的信息进行智能化司法审判,缓解繁重的人力资源和时间资源。本课题通过结合司法知识图谱,将司法审判预测等价于多标签分类问题实现最终的预测。针对司法领域的专业特性,本课题利用罪名的定义描述信息作为实体选择的关键。另外,随着标签数量增加,现有特征抽取方法的表现会越来越差,而在司法智能预测领域,大空间的标签集合已经影响到案情描述文本特征抽取的精准度。因此,通过分析现有算法的不足,本课题提出以下两个创新点。首先,本课题提出结合司法图谱的罪名预测算法。通过建立一个司法图谱将所有罪名信息融合到一个统一的法律图谱中,再基于司法图谱,设计了四种类型的罪名空间关系以捕获罪名之间的信息。然后,司法图谱嵌入这些关系以学习鲁棒的罪名向量表示。最后,罪名向量表示和事实表示被共同输入到基于注意力机制的神经网络中进行预测。通过在三个真实数据集上进行实验,证明了该模型的有效性。其次,本课题提出了司法领域基于多维度的文本特征抽取算法。不同位置的卷积结果应具有不同的重要性,因此,通过利用自我注意机制为不同位置的不同卷积结果分配不同的权重,并在模型中添加一个长短期记忆神经网络以获得全局特征,最终得到多维度的文本特征表达以实现更好的预测效果。在七个公开数据集上进行实验,证明了该特征抽取方法的有效性。最后,本课题设计并实现了一个原型系统。主要包括两个模块:一个是图谱可视化模块,可以查看司法图谱可视化展示,也可以实现关键词的搜索功能。另一个是司法罪名预测模块,里面集成了所有的模型研究成果,可以根据用户输入的案情事实描述,对案情结果进行预测,生成咨询意见。
基于时效标签与内容特征的服务推荐方法研究
这是一篇关于特征抽取,知识图谱,协同过滤,时效性,词距离的论文, 主要内容为当今世界正处于移动互联网时代,各种移动互联网技术日新月异,也促使了智能手机及其相关领域的高速发展,移动应用(Mobile Application,MA)领域是其中最为蓬勃繁荣的一部分。截止至2020年7月,仅仅我国的上架移动应用就超过了357万款,用户数量超过了8.3亿。在如此庞大的市场和用户规模面前,想要精准地为用户推荐适合的移动应用是很困难的。首先,针对移动应用的推荐大部分是基于用户对移动应用的历史评分,然而在现实情况下,很大一部分用户的历史评分项目有限,由此情况导致推荐系统在向该用户推荐其他种类移动应用时很困难;其次,最新出现的移动应用会因缺乏大量用户历史行为数据,而无法有效地被推荐。本文针对以上新应用历史数据及评分数据稀疏问题和项目冷启动的问题对推荐系统进行了改进,主要介绍了三个方面的研究内容:基于内容特征抽取的混合推荐方法、融合知识图谱的推荐方法、基于时效标签与内容特征的服务推荐方法。具体研究内容如下:(1)本文提出了一种基于内容特征抽取的混合推荐方法来解决传统协同过滤算法难以应对的物品冷启动问题。该方法首先通过分词、词性标注、依存句法分析等NLP技术提取服务内容特征,提升了描述物品属性的准确性和计算物品相似度方法的合理性。然后利用Bert模型对内容特征文本进行向量化,并采用改进的加权词距离TFIDF-WMD算法计算移动应用服务的相似度,最后结合基于物品的协同过滤推荐算法完成推荐。该方法使冷启动问题得到了缓解,推荐精度也得到了显著提高。(2)针对推荐方法中,基于内容推荐方法往往只能对相似种类的项目进行推荐的局限性问题,本文在完成研究内容(1)的基础上,提出了一种融合知识图谱的推荐算法。根据现有的项目特征,结合知识图谱的网络结构关联所有的项目特征,融合并补全知识图谱以避免数据稀疏的问题。将基于项目向量的相似度与基于知识图谱的项目相似度进行融合,由此能更充分利用项目本身的信息,提高了推荐结果的可解释性。(3)针对用户对项目评分数据稀疏的问题与评分时效性的问题,提出了一种考虑时间因素的标签聚类推荐算法。该方法首先利用考虑评分时效性与标签时效性,同时又考虑了用户评分惯性因素,最终得出时间加权的相似度;其次,将项目标签库中的标签进行聚类。最后,基于标签聚类结果预测同聚类下待评分项目的评分,并通过实验证明了该方法在解决数据稀疏性问题上的有效性。根据实验结果可以看出,本文所提出的基于时效标签与内容特征的服务推荐方法,解决了传统协同过滤推荐方法中存在的问题,并能为新用户推荐有用的项目,综合提高了推荐的准确性。
基于潜在共现的推荐算法研究及其应用
这是一篇关于推荐算法,评论挖掘,特征抽取,共现分析,CLSVSM的论文, 主要内容为推荐系统已有二十多年的发展,最初多用于电子商务网站,目前已经广泛应用到相当多的领域,包括电子商务、影视、音乐、社交平台、新闻信息、广告等。网络技术的发展使得我们获得的用户行为数据越来越多,数据的类型也随之增加,因此我们应该充分利用这些数据,更好的挖掘用户的潜在需求。一方面将用户需要的信息和热门物品或者长尾物品展现给他,另一方面也有利于信息生产者营销自己的产品。几乎所有的推荐系统都是由前台展示页面、后台的日志系统以及推荐算法系统三部分构成。推荐算法是推荐系统研究的核心,目前单一的推荐算法通常会存在冷启动等问题。因此本文将基于邻域的推荐算法与基于内容的推荐算法相结合,进行混合推荐。混合推荐算法弥补了单一推荐算法存在的缺陷,使得给用户的推荐列表更精确,推荐更全面。推荐算法离不开用户或者项目之间的相似性度量,通常由于项目和用户数量庞大,用户-项目评分矩阵非常稀疏,设计出的推荐算法存在推荐不精准的问题。本文针对这一问题提出将共现潜在语义空间模型(CLSVSM)运用到推荐算法的设计中,将“共现”概念运用到推荐算法中,用“共现强度”代替传统推荐算法的相似性度量,并对用户-评分矩阵进行补全。传统推荐算法还存在只采用单一的评分数据或者采集网络用户浏览数据进行建模推荐的问题。这些推荐模型在网页内容日渐丰富以及用户个性化要求的提升已经显示出很大的不足。进入大数据时代,网络用户的个性化需求不断增多,数据的结构也丰富起来,不仅仅是数字,还有文字、图片等。因此本文在传统的利用评分数据建模的基础上加入了文字评论数据,评论数据不仅可以描述商品特征,而且能表达出用户对商品的情感倾向。文章采用的是美团评论数据,包括评分数据和评论文本数据,对评论数据从不同维度充分挖掘,并将其进行分词处理和特征词提取,然后对评论文本建立情感词典进行情感分析。既充分利用了评论文本数据,又提高了推荐系统的推荐精准度,实验结果良好,证实了算法的可行性。
基于时效标签与内容特征的服务推荐方法研究
这是一篇关于特征抽取,知识图谱,协同过滤,时效性,词距离的论文, 主要内容为当今世界正处于移动互联网时代,各种移动互联网技术日新月异,也促使了智能手机及其相关领域的高速发展,移动应用(Mobile Application,MA)领域是其中最为蓬勃繁荣的一部分。截止至2020年7月,仅仅我国的上架移动应用就超过了357万款,用户数量超过了8.3亿。在如此庞大的市场和用户规模面前,想要精准地为用户推荐适合的移动应用是很困难的。首先,针对移动应用的推荐大部分是基于用户对移动应用的历史评分,然而在现实情况下,很大一部分用户的历史评分项目有限,由此情况导致推荐系统在向该用户推荐其他种类移动应用时很困难;其次,最新出现的移动应用会因缺乏大量用户历史行为数据,而无法有效地被推荐。本文针对以上新应用历史数据及评分数据稀疏问题和项目冷启动的问题对推荐系统进行了改进,主要介绍了三个方面的研究内容:基于内容特征抽取的混合推荐方法、融合知识图谱的推荐方法、基于时效标签与内容特征的服务推荐方法。具体研究内容如下:(1)本文提出了一种基于内容特征抽取的混合推荐方法来解决传统协同过滤算法难以应对的物品冷启动问题。该方法首先通过分词、词性标注、依存句法分析等NLP技术提取服务内容特征,提升了描述物品属性的准确性和计算物品相似度方法的合理性。然后利用Bert模型对内容特征文本进行向量化,并采用改进的加权词距离TFIDF-WMD算法计算移动应用服务的相似度,最后结合基于物品的协同过滤推荐算法完成推荐。该方法使冷启动问题得到了缓解,推荐精度也得到了显著提高。(2)针对推荐方法中,基于内容推荐方法往往只能对相似种类的项目进行推荐的局限性问题,本文在完成研究内容(1)的基础上,提出了一种融合知识图谱的推荐算法。根据现有的项目特征,结合知识图谱的网络结构关联所有的项目特征,融合并补全知识图谱以避免数据稀疏的问题。将基于项目向量的相似度与基于知识图谱的项目相似度进行融合,由此能更充分利用项目本身的信息,提高了推荐结果的可解释性。(3)针对用户对项目评分数据稀疏的问题与评分时效性的问题,提出了一种考虑时间因素的标签聚类推荐算法。该方法首先利用考虑评分时效性与标签时效性,同时又考虑了用户评分惯性因素,最终得出时间加权的相似度;其次,将项目标签库中的标签进行聚类。最后,基于标签聚类结果预测同聚类下待评分项目的评分,并通过实验证明了该方法在解决数据稀疏性问题上的有效性。根据实验结果可以看出,本文所提出的基于时效标签与内容特征的服务推荐方法,解决了传统协同过滤推荐方法中存在的问题,并能为新用户推荐有用的项目,综合提高了推荐的准确性。
基于用户评论的商品评价系统的设计与实现
这是一篇关于爬虫,情感分类,特征抽取,商品评价的论文, 主要内容为随着互联网购物的快速发展,物流行业的迅速兴起,网上支付功能的不断完善,网上购物已经成为人们的购物主要方式。网上购物不仅便捷,而且为用户提供商品评论功能。人们通过发表商品评论对商品的整体或者某些特征进行评价,作为对商品的意见和反馈。商品评论可以为消费者提供更加丰富的商品信息,阅读商品评论成为了解商品详细信息的一种非常有效的途径。目前电商网站在商品特征方面提供的信息不够全面,同时单个商品对应的评论数量很大,人们需要花费大量时间阅读评论,才能全面了解商品整体情况和自己所关注的商品特征的相关信息。为了解决商品评论数量大造成的各种问题,本文设计并实现基于用户评论的商品评价系统,为用户提供更加直观和全面的商品评价信息,包括商品评论的整体情感分类信息和包含的商品特征及其对应的情感分类信息。本文完成的主要工作包括:首先,研究并介绍实现系统功能所需的相关技术和算法,主要包括:网络爬虫、词向量、三种情感分类算法等,三种文本情感分类方法为:基于词典和句法分析方法、朴素贝叶斯算法、卷积神经网络。其次,详细分析本文商品评价系统需求。然后从层次架构角度介绍系统设计,并划分系统功能模块。基于功能需求,介绍数据库相关设计和系统的总体界面设计。然后,介绍系统主要功能模块的详细设计和实现,功能模块主要包括:特征的抽取、情感分类以及商品评价。最后对三种情感分类方法的模型进行性能评估,结果表明本文系统提供的商品评价结果具有较高的准确性。
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：源码导航 ，原文地址：https://bishedaima.com/lunwen/49187.html
