首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到20条相似文献,搜索用时 171 毫秒
1.
协同推荐中相似度计算方法和用户兴趣预测方法的选择,是推荐性能优劣的关键。本文首先分析了社会化推荐的运作机理,构建了基于Taste的社会化推荐模型,阐述了模型实现的关键方法,在此基础上,探讨了Taste环境下基于对分网络推荐算法的社会化推荐引擎构建方法,并利用电影数据进行了实现研究,表明基于对分网络的社会化推荐具有较好的性能。  相似文献   

2.
将影响社会化推荐的三种因素分别量化,建立了与微博社会网络一一映射。然后,基于Karhunen-Loéve(KL)变换方法,计算出了同一主题下积极性和消极性文本平均距离。最后,将社会网络信息与情感相似结合形成修正的情感相似度量方法,利用修正相似度方法构建了新的社会化推荐系统。基于微博数据的实证计算和分析显示:经过变换后的用户相似度可以得到不同程度的提高;利用修正相似度方法构建的微博社会化推荐系统更符合用户心理偏好。  相似文献   

3.
基于标签的个性化推荐应用越来越普遍,但是标签带有的语义模糊、时序动态性等问题影响着个性化推荐质量,现有研究仅从数量和结构上考虑用户与标签的关系。基于社会化标注系统的个性化推荐首先对融合社会关系的标签进行潜在语义主题挖掘,然后构建多层、多维度用户兴趣模型,提出模型更新策略,最后实现个性化推荐。采集CiteUlike站点数据进行实验分析,结果表明改进算法比传统算法更准确表达用户兴趣偏好,有效提高了个性化推荐准确率。  相似文献   

4.
网络用户信任感知推荐的准确性设计是提高用户间的社交网络辅助信息信任度的重要依据。传统的网络用户信任感知推荐算法采用的是基于社交网络服务和用户评分的推荐系统,主观性较大,协同过滤效果不好。提出一种基于网络动态干扰监控的信任感知推荐算法设计新方法,设计自适应神经模糊系统网络动态干扰监测算法,构建基于向量空间模型的信任度评价指标体系结构,通过调整网络拓扑权重向量设置信任度周期响应加权变量自适应函数,有效降低迭代算法的运算成本,避免了自适应神经模糊系统网络动态干扰监测加权权重成固化状态,提高抗干扰性能。实验结果表明,算法能使社交网络感知推荐模型的预测误差减少,推荐可靠性优于传统方法。  相似文献   

5.
【目的/意义】针对社会化标注过程中标签频次不能准确表征用户偏好,以及图书推荐过程中面临的数据稀 疏和冷启动问题。【方法/过程】本文基于记忆优化机制,提出读者偏好表示方法,以“豆瓣读书”作为实证对象,利用 DBSCAN 算法聚类结果评价该方法,实验证明该方法具有较好的表征效果。为解决图书推荐过程中面临的冷启 动、数据稀疏等问题,以基于记忆优化机制的读者偏好表示为基础,开展图书群组推荐研究。【结果/结论】实验结果 显示,本文提出的推荐方法具有较高的准确率、召回率和F值。【创新/局限】本文提出了基于记忆优化机制的读者偏 好表示方法对挖掘读者偏好和开展推荐服务具有重要意义,但在读者偏好构建过程中还需进一步细化认知构建和 更新过程,必要时可考虑利用更多读者属性完善记忆构建和优化机制。  相似文献   

6.
文章提出一种基于混合图的在线社交网络个性化推荐系统,将用户社会关系网络和社会化行为融入信息推荐.该系统包括模型构建、推荐流程和算法设计三部分.首先构建了用户资源混合图,并讨论了混合图的构建方法及权重设置,再在构建的混合图上采用重启动随机游走进行顶点间相似度计算,得到个性化推荐列表,进行推荐.  相似文献   

7.
针对目前文献管理软件无法识别用户潜在研究兴趣从而进行个性化推荐的现状,文章提出了基于主题的社会化推荐方法。首先通过基于内容的个性化过滤方法识别用户的主题偏好,然后利用社会网络分析方法 (SNA)识别学术网络中有影响力的文献,进而产生推荐。最后提出了基于社会网络的科技文献个性化推荐的框架。理论分析证明该方法可以准确反映用户的研究兴趣,灵活地识别用户所属的学术网络,从而为目标用户产生精准的文献推荐服务。  相似文献   

8.
[目的/意义]在社会化标注系统自组织运行的基础上,构建个性化信息推荐的多维度融合与优化模型,进而在大数据环境下,为用户提供精准的个性化信息推荐服务,从而进一步丰富个性化信息推荐的理论体系以及拓展个性化信息推荐的研究方法。[方法/过程]首先,对每一种个性化信息推荐方法的优点和不足进行深入分析;然后,将基于图论(社会网络关系)、基于协同过滤以及基于内容(主题)3种个性化信息推荐方法进行多维度深度融合,构建个性化信息推荐多维度融合模型;最后,对社会化标注系统中个性化信息推荐多维度融合模型进行优化,从而解决个性化推荐过程中用户"冷启动"、数据稀疏性和用户偏好漂移等问题。[结果/结论]通过综合考虑现有的基于图论(社会网络关系)、基于协同过滤以及基于内容(主题)的个性化信息推荐方法各自的贡献和不足,实现3种方法之间的多维度深度融合,并结合心理认知、用户情境以及时间、空间等优化因素,最终构建出社会化标注系统中个性化信息推荐多维度融合与优化模型。  相似文献   

9.
本系统基于模糊联想记忆神经网络,建立偏好评价模型,根据用户偏好对搜索引擎搜索到的候选文献进行评级,为用户推荐偏好值高的文献。本系统的学习模块采用PCA-CG算法和误差反向传播算法,以用户阅读过的基准文献和其对应评级作为训练样本,对用户偏好进行学习;推理模块根据学习到的模糊规则和隶属函数来计算候选文献的偏好值,并以偏好值排序,把偏好值高的文献推荐给用户。把该模型应用于信息技术类文献的检索,实验表明系统提供的推荐文献具有较高可信度。  相似文献   

10.
由于网络用户数据呈现渐进性非线性特征分离,导致对网络用户的信任度评价控制不准,无法有效实现对用户的准确推荐。提出一种基于Lyapunov协同权重控制的电子商务用户信任度评价渐进控制模型,将未知扰动和语义建模误差转化为满足给定信任评价的约束矩阵,完成用户信任网络控制器设计,采用Lyapunov指数系统感知策略,对用户信任权重值进行自适应调整,构建用户推荐模型构建与网络信任度控制模型,设计用户信任权重值协同感知算法,基于Lyapunov协同权重的电子商务用户信任度评价渐进控制模型改进设计。实验结果表明,该算法实现电子商务用户信任度渐进控制,控制精度较高,地域的分布特性也更加均衡,真实反映电子商务用户信任度评价的动态性、自适应性和稳健性特征,展示了较好的应用性能。  相似文献   

11.
社会选择和社会影响是在线社交网络社群形成的两个主要因素,如果能有效对网络社群中用户和群体进行分类,就可以采取不同的群推荐策略,实现群体满意最大化。利用偏好对表示群用户偏好,利用矩阵分解和贝叶斯个性化排序方法,考查社会选择和影响对用户偏好的影响程度,实现群用户和群体的分类,进而提出2种群推荐策略。最后通过2个数据集的实验验证,表明本文提出的基于用户和群体分类的群推荐策略是有效的。  相似文献   

12.
结合社会网络分析的推荐方法研究已成为热点。电子商务中用户的动态行为异常丰富,隐含了用户的关联关系,利用这些信息进行商品推荐是个新研究思路。分析电子商务系统中用户动态行为关联关系及用户间明确好友关系形成复杂隐性社会网络,将社团划分算法应用到该网络中,则社团内部用户联系紧密且具有更相似的消费偏好,据此设计了电子商务中社团内部的推荐方法,应用R语言进行了算法的验证并与传统的协同过滤算法进行比较。实验表明,该推荐算法提高了推荐的质量,缓解了传统推荐算法中数据稀疏性及冷启动问题等。  相似文献   

13.
从项目管理的角度出发,综合考虑用户选择偏好、项目与专家的知识匹配度、项目间的相似性以及专家的历史表现等因素,融合基于内容特征、潜在主题特征、协同过滤和用户选择偏好等评审专家推荐算法,构建一种改进的组合策略的评审专家推荐算法,并通过设计实验,利用航天项目进行实验研究,结果分析表明推荐算法是可行且实用的。  相似文献   

14.
构建了移动社交网络基于情景化用户偏好的自适应适配信息服务系统模型,提出了移动社交网络的自适应服务发现方案。解决移动社交网络信息服务的发现与推送的延迟问题,实现高效的移动社交网络信息服务推送,对移动社交网络信息服务资源、知识资源进行科学管理。  相似文献   

15.
社会化推荐服务研究述评   总被引:2,自引:0,他引:2  
Web2.0的广泛应用和用户需求的变革催生出了新的推荐服务理念--社会化推荐。以信息推荐研究演进为主线,学者沿着从内容推荐、协同推荐到混合推荐的技术路线,从用户模式推荐、信息组织推荐和关联关系推荐三个视角对信息推荐展开了研究;网络的社会化促进了研究的拓展,目前主要从社会化行为、关系网络和服务应用三个方面进行了社会化推荐研究,取得了一系列成果;但其推荐方式存在着固有的缺陷,应将研究重点转向基于用户关系的社会化推荐上。  相似文献   

16.
针对创新社区日益增长的海量信息阻碍了用户对知识进行有效获取和创造的现状,将模糊形式概念分析(FFCA)理论应用于创新社区领先用户的个性化知识推荐研究。首先识别出创新社区领先用户并对其发帖内容进行文本挖掘得到用户——知识模糊形式背景,然后构建带有相似度的模糊概念格对用户偏好进行建模,最后基于模糊概念格和协同过滤的推荐算法为领先用户提供个性化知识推荐有序列表。以手机用户创新社区为例,验证了基于FFCA的领先用户个性化知识推荐方法的可行性,有助于满足用户个性化知识需求,促进用户更好地参与社区知识创新。  相似文献   

17.
In community-based social media, users consume content from multiple communities and provide feedback. The community-related data reflect user interests, but they are poorly used as additional information to enrich user-content interaction for content recommendation in existing studies. This paper employs an information seeking behavior perspective to describe user content consumption behavior in community-based social media, therefore revealing the relations between user, community and content. Based on that, the paper proposes a Community-aware Information Seeking based Content Recommender (abbreviated as CISCRec) to use the relations for better modeling user preferences on content and increase the reasoning on the recommendation results. CISCRec includes two key components: a two-level TransE prediction framework and interaction-aware embedding enhancement. The two-level TransE prediction framework hierarchically models users’ preferences for content by considering community entities based on the TransE method. Interaction-aware embedding enhancement is designed based on the analysis of users’ continued engagement in online communities, aiming to add expressiveness to embeddings in the prediction framework. To verify the effectiveness of the model, the real-world Reddit dataset (4,868 users, 115,491 contents, 850 communities, and 602,025 interactions) is chosen for evaluation. The results show that CISCRec outperforms 8 common baselines by 9.33%, 4.71%, 42.13%, and 14.36% on average under the Precision, Recall, MRR, and NDCG respectively.  相似文献   

18.
关芳  高一弘  林强 《情报探索》2020,(4):109-115
[目的/意义]旨在为高校图书馆提高纸质资源采购质量与利用率提供参考。[方法/过程]基于用户画像的理论对不同用户进行多维度的刻画,利用机器学习中监督学习的方法,通过采用协同过滤的推荐算法对用户偏好特征做精细统计分析的定量化计算,并从用户需求的角度建立用户偏好同步变化的自适应优化在线学习的纸本资源推荐系统。[结果/结论]该研究从实证分析角度为用户实现精准的个性化纸本资源推荐服务,为高校图书馆纸质文献检索库实现智能偏好的检索功能,建立纸质文献检索库合理有效的动态更新机制,提升用户体验。  相似文献   

19.
Graph neural networks (GNNs) have shown great potential for personalized recommendation. At the core is to reorganize interaction data as a user-item bipartite graph and exploit high-order connectivity among user and item nodes to enrich their representations. While achieving great success, most existing works consider interaction graph based only on ID information, foregoing item contents from multiple modalities (e.g., visual, acoustic, and textual features of micro-video items). Distinguishing personal interests on different modalities at a granular level was not explored until recently proposed MMGCN (Wei et al., 2019). However, it simply employs GNNs on parallel interaction graphs and treats information propagated from all neighbors equally, failing to capture user preference adaptively. Hence, the obtained representations might preserve redundant, even noisy information, leading to non-robustness and suboptimal performance. In this work, we aim to investigate how to adopt GNNs on multimodal interaction graphs, to adaptively capture user preference on different modalities and offer in-depth analysis on why an item is suitable to a user. Towards this end, we propose a new Multimodal Graph Attention Network, short for MGAT, which disentangles personal interests at the granularity of modality. In particular, built upon multimodal interaction graphs, MGAT conducts information propagation within individual graphs, while leveraging the gated attention mechanism to identify varying importance scores of different modalities to user preference. As such, it is able to capture more complex interaction patterns hidden in user behaviors and provide a more accurate recommendation. Empirical results on two micro-video recommendation datasets, Tiktok and MovieLens, show that MGAT exhibits substantial improvements over the state-of-the-art baselines like NGCF (Wang, He, et al., 2019) and MMGCN (Wei et al., 2019). Further analysis on a case study illustrates how MGAT generates attentive information flow over multimodal interaction graphs.  相似文献   

20.
Point-of-interest (POI) recommendation helps users quickly filter out irrelevant POI by considering the spatio-temporal factor. In this paper, we address the problem of check-in preference modeling in POI recommendation, and propose a novel POI recommendation method that depicts user preference by constructing unique hypersphere interest model for each user. Different from existing works, we have done three innovative work. (1) We build a check-in graph and adopt DeepWalk algorithm to learn POI embedding, further aggregating them to obtain a hypersphere interest space with an interest center and interest radius. (2) We established a stacked neural network module by a bidirectional LSTM, a self-attention and a memory network, to grasp memory features contained in check-in histories. (3) We proposed a novel candidate POI filter method that updates ranking score by evaluating the Euclidean distance between the vectors of candidate POI and interest center. We evaluate the performance of our method on the four real-world check-in datasets constructed from Foursquare. The comparison between our method and six baselines demonstrates the outstanding performance on various measurements. Compared to the best baseline method, our method achieves about 50% performance improvement on NDCG. In terms of MRR, Precision and Recall, our method achieves about 37%, 21% and 9% performance improvement over the best baseline method. Further ablation experiments verified the importance and effectiveness of the hypersphere interest model, as removing this component caused significant performance degradation.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号