融合多维语义表示的概率矩阵分解模型

协同过滤作为推荐系统核心技术,面临严重的评分数据稀疏性问题.融合物品文本信息可以有效的解决数据稀疏性问题,然而,目前的方法侧重于提取文本的单维特征,忽略了物品语义表示的多维特性.深度挖掘物品内容的多维特性可以更加精细化描述物品的语义信息,有助于提升推荐效果.为此,本文提出基于胶囊网络的概率生成模型.模型利用胶囊网络挖掘文本的多维语义特征,并以正则化方式融入概率矩阵分解框架,建立用户与物品之间的内在关系.实验结果表明本文提出的模型具有更高的评分预测精度.     

融合评论文本特征和评分图卷积表示的推荐模型

为了充分利用评分的有效信息,并进一步研究评论的重要性,提出了一种融合评论文本特征和评分图卷积表示的推荐模型,利用图卷积编码学习用户和商品在评分上的特征表示,结合文本卷积特征,使用注意力机制来区分评论的重要性,然后通过隐因子模型把在评论和评分上学习到的特征表示融合产生推荐.在亚马逊公开数据集上的实验结果表明,提出的模型显...     

基于蚁群聚类项目评分预测的推荐算法研究

针对数据稀疏性问题,提出基于蚁群聚类的项目评分预测方法.在对Web日志分析基础上将用户聚类,针对目标用户的未评分项目,找到目标用户的若干最近邻类簇,利用类簇内其他用户对目标项目的评分预测未评分项目的评分,从而达到降低数据稀疏性目的.最后,结合协同过滤思想设计了相应的推荐算法,并用从自主开发的旅游电子商务网站上收集的数据进行试验仿真.实验结果表明,与其它缓解数据稀疏性的方法相比,文中的方法显著提高了推荐精度.     

基于双向关联规则的网络消费者偏好挖掘研究

通过分析电子商务网站的 Web 服务器日志提取网络消费者的商品浏览行为信息,利用消费者的浏览频率、浏览时间、链接路径数及路径深度估计商品对网络消费者当前浏览期间偏好的影响权重.结合双向关联规则理论和 Apriori 算法挖掘具有相互依赖关系的商品,找出网络消费者的商品偏好浏览路径,根据消费者当前的浏览行为发现其可能感兴趣的商品,并进一步计算消费者对商品的偏好程度.最后利用自主开发的旅游电子商务网站的Web 日志数据进行仿真实验,挖掘网络消费者的旅游偏好.实验结果表明,在相同的实验条件下,与基于关联规则的偏好挖掘方法相比,基于双向关联规则的偏好挖掘方法的推荐精度增加,推荐覆盖率扩大.     

基于Rule-BertAtten的中文小说对话人物识别方法

小说中的对话人物识别任务是将小说中对话的说话者归属识别为小说中某个具体的人物,是有声小说自动合成的基础。为了能够充分表示对话类型的区别以及表示文本前后的语义特征,该文提出了一种基于Rule-BertAtten的中文小说对话人物识别方法。首先将对话主要分成四类,即有明确人物名作为主语的对话、人称代词性别唯一匹配候选人作为主语的对话、人称代词性别多匹配候选人作为主语的对话以及其他无任何特征作为主语的对话,根据对话的类别,采用规则判断和加入注意力机制的BERT词向量语义表示的方法,实验表明,该方法具有更高的准确率。     

基于用户兴趣特征提取的推荐算法研究*

传统的推荐算法一定程度上降低了网络消费者的搜索成本,但难以实时提供消费者满意的推荐服务,也忽略了用户偏好动态转移性。为了提高电子商务系统的推荐质量,从用户偏好的行为特征入手,建立了网络用户的兴趣特征提取模型,并设计了相应的推荐算法。通过对用户兴趣特征提取模型的检验和用户兴趣度矩阵的建立,依据与目标用户偏好相似的邻居用户对商品的兴趣程度预测用户对未浏览商品的兴趣度,并选择兴趣度值较高的N个商品推荐给用户。实验结果表明,在用户偏好动态转移的情况下,所设计的推荐算法的推荐精度和推荐效率明显提高,提高了网络用户的     

基于双向关联规则项目评分预测的推荐算法研究

针对用户评分数据稀疏性问题,通过对事务数据库项目空间关联性分析,提出基于双向关联规则项目评分预测的推荐算法。算法利用双向关联规则挖掘事务数据库中相互关联的项目,找到目标项目的关联集,利用已评分项目初步预测用户对目标项目的偏好程度,最后结合协同过滤算法为用户提供推荐服务。实验结果表明,当置信度水平在60%～90%之间变动,支持度在5%～10%之间变化时,关联规则数目随着置信度和支持度水平的增加而逐渐减少,而推荐精度逐步提高。为了验证算法的有效性,选取置信度为80%以及支持度为7%与传统的推荐算法比较,所设计的算法能够较精确地找到目标项目的关联集,推荐精度和效率明显优于传统的推荐算法。