基于评分和评论迁移技术的跨域推荐方法研究
这是一篇关于跨域推荐,正交矩阵三分解,评论信息,评分信息,潜在特征,堆叠降噪自动编码器的论文, 主要内容为伴随互联网的发展,推荐系统逐渐成为了电子商务、社交网络、音乐、视频等领域中必不可少的应用之一。由于传统的推荐系统通常是在单一领域中进行,即推荐同一领域的物品给用户,当面对新用户或数据过于稀疏时无法做出准确的推荐。近年来,在推荐领域中由于能够使用评分的同时还会考虑评论信息的影响,跨域推荐逐渐成为研究热点。跨域推荐算法不仅考虑到用户在单一领域中的行为,还考虑了用户在其它领域中的行为以及这些不同领域之间的相互关系。然而对于现有大多数跨域推荐算法仅使用用户评分数据获取评分模式的方法实现推荐,仍然存在着评分数据稀疏性问题,导致不能够准确的预测用户偏好。为了缓解评分数据的稀疏性问题,单域推荐模型常采用融入评论信息来改善推荐效果。受此启发,本文设计了两种将评分和评论信息进行融合的跨域推荐方法。主要研究工作如下:(1)针对大多数推荐系统中存在的数据稀疏和用户冷启动问题的研究,本文以CLFM模型为基础,设计了深度融合评分和评论的跨域推荐方法。首先,在辅助域和目标域同时使用扩展后的堆叠降噪自动编码器SDAE,将评分信息做为SDAE模型输入,以实现与评论信息向量的加权融合。其次,在辅助域对组成的新的评分矩阵使用正交矩阵三分解技术构建评分模式,借助于密码本CBT迁移技术,将辅助域评分模式迁移到目标域。最后评分模式与目标域适配并进行最终评分预测。在多个真实数据集上验证了本文模型的有效性。(2)当需要同时输入多个辅助信息时,SDAE模型就需要增加输入和输出层维数,随着输出层维数的增加,往往会导致重构数据的丢失,从而影响算法的预测性能。本文通过扩展深度融合评分和评论的跨域推荐方法,设计了基于半堆叠降噪自动编码器的跨域推荐算法。由于半堆叠降噪自动编码器SSDAE输入层与输出层维数可以不同。这样,当输入维数增加时,SSDAE的输出维数可以保持不变,从而有效缓解了重构数据的丢失。首先,辅助域和目标域使用SSDAE模型来完成多个输入信息的融合。其次,对于中间层输出的用户和物品潜在特征向量,再利用变换函数将提取的潜在特征向量与矩阵分解后的向量保持在一个空间。然后,使用正交矩阵三分解技术,在辅助域中训练得到最优的迁移矩阵,结合基于密码本迁移技术使得迁移矩阵与目标域进行适配。最后重组最终的目标域评分矩阵。本文在3个真实数据集上设计了多个对比实验,根据结果显示本文模型在一定程度上增强了推荐的准确度。
基于情感权重的个性化推荐系统
这是一篇关于情感权重,推荐系统,评论信息,数据挖掘的论文, 主要内容为随着互联网的不断发展,传统个性化推荐技术虽然可以满足了人们的一定需要,但由于项目空间上,用户评分数据对项目描述的模糊性,已经不能满足不同偏好、不同目的以及不同时期用户查询的推荐。因此,为用户寻找一个满意并且符合其个性化需求的项目推荐是一项重要的研究课题。近年来,用户在互联网上大量参与的评论信息被很多学者所研究和接受,因为它很好表达了用户对项目的意见、看法以及情感需求。所以,在个性化推荐系统里,随着用户信息不断被挖掘以及用户需求不断被发现,把用户情感评论信息引入到推荐系统中,完善用户的个性化信息进行推荐,将成为推荐系统新的研究方向。基于用户评论的个性化推荐系统就是通过分析用户的评论信息,寻找用户在选择项目时的主题偏好扩充用户的个性化信息进行推荐。然而,用户在选择项目时,对项目的自主评论具有短小精悍、形式自由的特点,这就使得情感表达丰富的用户和情感表达匮乏的用户,他们的评论信息存在差异。情感表达丰富的用户对项目个人观点的表达和情感需求更加丰富、完善,而情感表达匮乏的用户则对项目并没有完全表达自己的看法和需求。所以通过评论信息严格扩充、完善用户的个性化信息容易造成用户信息的不准确,从而造成推荐不准确。针对这个问题,本文提出了一种基于情感权重的个性化推荐系统,通过用户情感权重有效运用评论信息进行推荐。本文主要研究的内容有以下几点:第一,量化用户主题情感评论信息。根据用户在选择项目时所表达的主题情感评论信息对主题、情感词进行组合单元抽取和情感倾向性判别,获取量化的用户主题情感数据;第二,用户情感权重计算。得到了用户量化的主题情感数据之后,通过主题情感用户聚类计算用户的主题情感系数并结合用户评论的主题数、主题被评论的次数有效度量用户的情感权重,从而合理有效的对用户情感信息进行使用;第三,基于情感权重的用户相似性计算。根据用户情感权重综合使用用户评分数据和评论数据寻找相似用户;第四,搭建原型系统,把本文基于情感的个性化推荐系统进行了评价信息抽取实验以及与其它算法进行了对比实验,验证算法有效性。
基于评分和评论迁移技术的跨域推荐方法研究
这是一篇关于跨域推荐,正交矩阵三分解,评论信息,评分信息,潜在特征,堆叠降噪自动编码器的论文, 主要内容为伴随互联网的发展,推荐系统逐渐成为了电子商务、社交网络、音乐、视频等领域中必不可少的应用之一。由于传统的推荐系统通常是在单一领域中进行,即推荐同一领域的物品给用户,当面对新用户或数据过于稀疏时无法做出准确的推荐。近年来,在推荐领域中由于能够使用评分的同时还会考虑评论信息的影响,跨域推荐逐渐成为研究热点。跨域推荐算法不仅考虑到用户在单一领域中的行为,还考虑了用户在其它领域中的行为以及这些不同领域之间的相互关系。然而对于现有大多数跨域推荐算法仅使用用户评分数据获取评分模式的方法实现推荐,仍然存在着评分数据稀疏性问题,导致不能够准确的预测用户偏好。为了缓解评分数据的稀疏性问题,单域推荐模型常采用融入评论信息来改善推荐效果。受此启发,本文设计了两种将评分和评论信息进行融合的跨域推荐方法。主要研究工作如下:(1)针对大多数推荐系统中存在的数据稀疏和用户冷启动问题的研究,本文以CLFM模型为基础,设计了深度融合评分和评论的跨域推荐方法。首先,在辅助域和目标域同时使用扩展后的堆叠降噪自动编码器SDAE,将评分信息做为SDAE模型输入,以实现与评论信息向量的加权融合。其次,在辅助域对组成的新的评分矩阵使用正交矩阵三分解技术构建评分模式,借助于密码本CBT迁移技术,将辅助域评分模式迁移到目标域。最后评分模式与目标域适配并进行最终评分预测。在多个真实数据集上验证了本文模型的有效性。(2)当需要同时输入多个辅助信息时,SDAE模型就需要增加输入和输出层维数,随着输出层维数的增加,往往会导致重构数据的丢失,从而影响算法的预测性能。本文通过扩展深度融合评分和评论的跨域推荐方法,设计了基于半堆叠降噪自动编码器的跨域推荐算法。由于半堆叠降噪自动编码器SSDAE输入层与输出层维数可以不同。这样,当输入维数增加时,SSDAE的输出维数可以保持不变,从而有效缓解了重构数据的丢失。首先,辅助域和目标域使用SSDAE模型来完成多个输入信息的融合。其次,对于中间层输出的用户和物品潜在特征向量,再利用变换函数将提取的潜在特征向量与矩阵分解后的向量保持在一个空间。然后,使用正交矩阵三分解技术,在辅助域中训练得到最优的迁移矩阵,结合基于密码本迁移技术使得迁移矩阵与目标域进行适配。最后重组最终的目标域评分矩阵。本文在3个真实数据集上设计了多个对比实验,根据结果显示本文模型在一定程度上增强了推荐的准确度。
基于评分和评论迁移技术的跨域推荐方法研究
这是一篇关于跨域推荐,正交矩阵三分解,评论信息,评分信息,潜在特征,堆叠降噪自动编码器的论文, 主要内容为伴随互联网的发展,推荐系统逐渐成为了电子商务、社交网络、音乐、视频等领域中必不可少的应用之一。由于传统的推荐系统通常是在单一领域中进行,即推荐同一领域的物品给用户,当面对新用户或数据过于稀疏时无法做出准确的推荐。近年来,在推荐领域中由于能够使用评分的同时还会考虑评论信息的影响,跨域推荐逐渐成为研究热点。跨域推荐算法不仅考虑到用户在单一领域中的行为,还考虑了用户在其它领域中的行为以及这些不同领域之间的相互关系。然而对于现有大多数跨域推荐算法仅使用用户评分数据获取评分模式的方法实现推荐,仍然存在着评分数据稀疏性问题,导致不能够准确的预测用户偏好。为了缓解评分数据的稀疏性问题,单域推荐模型常采用融入评论信息来改善推荐效果。受此启发,本文设计了两种将评分和评论信息进行融合的跨域推荐方法。主要研究工作如下:(1)针对大多数推荐系统中存在的数据稀疏和用户冷启动问题的研究,本文以CLFM模型为基础,设计了深度融合评分和评论的跨域推荐方法。首先,在辅助域和目标域同时使用扩展后的堆叠降噪自动编码器SDAE,将评分信息做为SDAE模型输入,以实现与评论信息向量的加权融合。其次,在辅助域对组成的新的评分矩阵使用正交矩阵三分解技术构建评分模式,借助于密码本CBT迁移技术,将辅助域评分模式迁移到目标域。最后评分模式与目标域适配并进行最终评分预测。在多个真实数据集上验证了本文模型的有效性。(2)当需要同时输入多个辅助信息时,SDAE模型就需要增加输入和输出层维数,随着输出层维数的增加,往往会导致重构数据的丢失,从而影响算法的预测性能。本文通过扩展深度融合评分和评论的跨域推荐方法,设计了基于半堆叠降噪自动编码器的跨域推荐算法。由于半堆叠降噪自动编码器SSDAE输入层与输出层维数可以不同。这样,当输入维数增加时,SSDAE的输出维数可以保持不变,从而有效缓解了重构数据的丢失。首先,辅助域和目标域使用SSDAE模型来完成多个输入信息的融合。其次,对于中间层输出的用户和物品潜在特征向量,再利用变换函数将提取的潜在特征向量与矩阵分解后的向量保持在一个空间。然后,使用正交矩阵三分解技术,在辅助域中训练得到最优的迁移矩阵,结合基于密码本迁移技术使得迁移矩阵与目标域进行适配。最后重组最终的目标域评分矩阵。本文在3个真实数据集上设计了多个对比实验,根据结果显示本文模型在一定程度上增强了推荐的准确度。
基于评分和评论迁移技术的跨域推荐方法研究
这是一篇关于跨域推荐,正交矩阵三分解,评论信息,评分信息,潜在特征,堆叠降噪自动编码器的论文, 主要内容为伴随互联网的发展,推荐系统逐渐成为了电子商务、社交网络、音乐、视频等领域中必不可少的应用之一。由于传统的推荐系统通常是在单一领域中进行,即推荐同一领域的物品给用户,当面对新用户或数据过于稀疏时无法做出准确的推荐。近年来,在推荐领域中由于能够使用评分的同时还会考虑评论信息的影响,跨域推荐逐渐成为研究热点。跨域推荐算法不仅考虑到用户在单一领域中的行为,还考虑了用户在其它领域中的行为以及这些不同领域之间的相互关系。然而对于现有大多数跨域推荐算法仅使用用户评分数据获取评分模式的方法实现推荐,仍然存在着评分数据稀疏性问题,导致不能够准确的预测用户偏好。为了缓解评分数据的稀疏性问题,单域推荐模型常采用融入评论信息来改善推荐效果。受此启发,本文设计了两种将评分和评论信息进行融合的跨域推荐方法。主要研究工作如下:(1)针对大多数推荐系统中存在的数据稀疏和用户冷启动问题的研究,本文以CLFM模型为基础,设计了深度融合评分和评论的跨域推荐方法。首先,在辅助域和目标域同时使用扩展后的堆叠降噪自动编码器SDAE,将评分信息做为SDAE模型输入,以实现与评论信息向量的加权融合。其次,在辅助域对组成的新的评分矩阵使用正交矩阵三分解技术构建评分模式,借助于密码本CBT迁移技术,将辅助域评分模式迁移到目标域。最后评分模式与目标域适配并进行最终评分预测。在多个真实数据集上验证了本文模型的有效性。(2)当需要同时输入多个辅助信息时,SDAE模型就需要增加输入和输出层维数,随着输出层维数的增加,往往会导致重构数据的丢失,从而影响算法的预测性能。本文通过扩展深度融合评分和评论的跨域推荐方法,设计了基于半堆叠降噪自动编码器的跨域推荐算法。由于半堆叠降噪自动编码器SSDAE输入层与输出层维数可以不同。这样,当输入维数增加时,SSDAE的输出维数可以保持不变,从而有效缓解了重构数据的丢失。首先,辅助域和目标域使用SSDAE模型来完成多个输入信息的融合。其次,对于中间层输出的用户和物品潜在特征向量,再利用变换函数将提取的潜在特征向量与矩阵分解后的向量保持在一个空间。然后,使用正交矩阵三分解技术,在辅助域中训练得到最优的迁移矩阵,结合基于密码本迁移技术使得迁移矩阵与目标域进行适配。最后重组最终的目标域评分矩阵。本文在3个真实数据集上设计了多个对比实验,根据结果显示本文模型在一定程度上增强了推荐的准确度。
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：代码工坊 ，原文地址：https://bishedaima.com/lunwen/56108.html
