基于深度学习的课程推荐模型

针对网络课程推荐中数据稀疏和推荐效果不佳的问题,将深度学习引入课程推荐,提出基于辅助信息的神经网络模型（IUNeu）. 该模型在已有神经矩阵分解模型（NeuMF）的基础上,结合用户信息和课程信息,并考虑它们之间的相互作用关系,以提升模型表示用户和课程的准确性. 爬取慕课网（MOOC）上的学习数据进行实验,结果表明,随着向量长度和推荐课程数的增加,IUNeu模型的性能增长速度较NeuMF模型更快;不同的消极采样量对2个模型的影响较大,模型性能随着消极采样量的增加而增加,当采样量达到一定值时,变化趋于稳定;IUNeu模型比NeuMF模型具有更高的收敛速度. 在IUNeu模型中加入更多课程特征信息,可以进一步提高IUNeu模型的推荐质量.     

深度学习在推荐系统中的应用研究

互联网的普及带来了信息爆炸,推荐系统是一种有效的信息过滤工具。现有的推荐系统已经应用于各大领域,但仍然面临着准确性和冷启动等方面的挑战。深度学习作为最先进的机器学习技术,逐步应用于各种复杂的推荐中,以提高推荐系统的质量。对现有推荐系统中几种主要的深度学习模型进行了分析,并对其发展前景进行了展望。     

基于项目层次相似性的推荐算法

针对协同过滤算法推荐效果依赖于相似度度量方法的问题,提出了一种基于项目层次结构相似度的推荐算法REHIS(recommendation hierarchical similarity)。首先利用关联规则挖掘和KNN(K nearest neighbor)算法完善项目层次结构,然后利用TopK算法计算项目之间的相似度,最后利用基于项目的协同过滤算法框架预测用户评分。为解决协同过滤算法扩展性差的问题,还把TopK算法推广到余弦距离和皮尔逊相关系数等常见的相似度度量方法。实验结果表明,与传统的协同过滤算法相比,REHIS能够获得更优的均方根误差,TopK算法可以减少最近邻项目的查找时间。     

基于标签和协同过滤的改进推荐算法研究

针对基于标签和协同过滤的个性化推荐(TCF)没有考虑评分数据的作用和用户兴趣标签稀疏的问题,提出了一种加入评分数据并扩展用户兴趣标签的基于标签和协同过滤的改进推荐算法(ITCF).首先,以项目- 标签相关度构造项目特征向量,并结合评分构造用户特征向量和用户-标签关联度; 其次,对用户的历史偏好标签集进行基于标签相似性和基于近邻用户偏好的扩展; 最后,以MovieLens数据集为例对ITCF算法的有效性进行实验验证.实验结果表明,在稠密的数据集中,ITCF算法的平均准确率和平均召回率比文献[2]和[3]算法的平均准确率和平均召回率分别提升约2.0%和1.7%; 在稀疏的数据集中,当推荐项目数不超过20时,ITCF算法的平均准确率和平均召回率约比文献[2]和文献[3]算法的平均准确率和平均召回率分别提升约0.2%和0.8%.因此,本文提出的ITCF算法具有较好的应用前景.     

基于深度学习特征表示协同过滤算法

在推荐系统中,单一的学习矩阵分解的内积交互或者利用深度神经网络来捕获用户与项目交互,不足以有效地学习用户与项目的潜在特征.针对这一问题,提出一种在显式反馈与隐式反馈基础上,称为基于深度学习特征表示的协同过滤算法(DLFeaCF).该模型首先学习用户与项目的内积与外积交互;然后在内积的基础上,从隐式映射与特征映射两个方面...     

结合时间上下文挖掘学习兴趣的协同过滤推荐算法

提出了一种基于时间上下文的协同过滤推荐(TCCF-LI)算法,实现了基于高校图书馆图书借阅记录数据上的学生学习兴趣挖掘.在传统协同过滤算法上引入时间上下文信息,既考虑了大尺度用户群体爱好的趋同性,又兼顾了小尺度个体用户爱好的短时相关性,获得了更高的推荐性能.在实际数据集上的实验结果表明,该算法在推荐精准度、召回率等方面比传统推荐算法有较好表现.     

网络背景下查询推荐技术综述

文章介绍了信息检索中查询推荐技术的相关概念、研究现状,分析了目前常见的推荐算法及推荐系统中存在的问题,归纳了查询推荐技术的研究热点。     

面向学习情境的个性化学习资源推荐研究

为了提高海量情境数据环境下捕捉和推荐资源的准确度,进行个性化学习资源推荐算法研究.将学习者的学习情境加入到学习资源推荐系统中,构建了"学习者-学习情境-学习资源"推荐模型.通过对学习者个性化学习行为的捕捉来勾勒学习者画像,然后根据学习情境与学习者行为的相似度计算结果搜索、推荐与其相匹配的学习资源.实验结果表明,基于用户...     

一种基于深度学习的精准商品推荐方法

随着互联网技术的飞速发展,互联网用户在畅游网络的同时也面临着信息过载的问题,而个性化推荐技术则成为了解决信息过载问题的有力工具。为了对用户提供更精准的商品推荐服务,提出了一个基于栈式降噪自编码器（SDAE）和贝叶斯个性化排序（BPR）相结合的深度神经网络模型SDAE-BPR。首先,使用SDAE把商品评分数据作为输入,编码后得到隐特征。其次,用BPR的方法学习对应商品的隐特征向量。该模型能够避免矩阵稀疏性的影响,因此达到了更精准推荐商品的效果。最后,分别使用Movielens 20 M和Movielens 1 M数据集,对SDAE-BPR模型与传统基于商品的协同过滤模型（IB-CF）、传统基于用户的协同过滤模型（UB-CF）做了对比,结果发现SDAE-BPR具有更高的准确度。     

利用项目属性和偏好改进协同过滤推荐

协同过滤(CF)推荐系统可以通过了解用户过去的行为向用户推荐项目. 针对现有的CF推荐系统没有利用潜在的项目偏好信息,提出了一种利用项目偏好改进CF的推荐方法. 该方法首先采用K-means算法对用户进行聚类,然后利用用户聚类和效用矩阵构建项目偏好矩阵,最后在基于项目的CF方法中,综合项目评分相似度、项目属性及其偏好特征相似度产生推荐. 实验结果表明,该方法获得了较好的推荐精度,在一定程度上缓解了稀疏问题.     

基于蚁群算法的网页推荐

推荐技术中的信息过滤系统包括内容过滤和协作过滤,纯粹的内容过滤系统和纯粹的协作过滤系统都存在各自的缺陷.作者采用了蚁群算法把内容过滤和协作过滤有机的结合起来,形成了一种新的推荐方法.实验证明：该算法可以获得基于内容过滤的优点,包括能进行覆盖所有文档和用户的早期预测;同时也能获得协作过滤的优点,即使用户评估过的文章数不断增加,系统仍能给出较为精确的预测.     

个性化图像检索和推荐

为了解决信息过载的问题,个性化图像检索和推荐技术成为目前图像检索领域的新趋势,其不仅可提高检索的效率和准确率,还可满足用户的个性化需求.根据不同个性化信息的数据源,可将个性化图像检索和推荐分为基于内容的个性化图像检索和推荐与协同过滤个性化图像检索和推荐.对于基于内容的个性化图像检索和推荐,分析了用户兴趣获取、用户兴趣表示和个性化实现3个核心环节,并对所采用的关键技术进行了对比,指出了优缺点;对于协同过滤个性化图像检索和推荐,分析了基于用户、物品和模型的3种协同过滤方法.最后分析对比了基于内容和协同过滤2种个性化图像检索和推荐方法,并指出了未来的工作方向.     

一种基于用户信任网络的推荐方法

为了解决推荐中存在的数据稀疏、准确度不高等问题,提出了一种基于用户信任网络的推荐方法. 首先利用基本的社会网络,融合用户的基本信任关系、角色影响力、属性相似关系、偏好相似关系构造带权重的社会网络,然后基于此网络提出关键路径发现算法以发现满足约束条件的用户信任网络,最后基于用户信任网络进行推荐. 在Filmtipset数据集上对影响推荐质量的各个因素进行了对比分析,结果表明,基于用户信任网络的方法能得到更好的推荐效果.     

FastGR:一种基于神经协同过滤的群组推荐算法

群组推荐问题的关键在于如何对组内各成员不同的偏好进行融合来适应所有成员的需求. 基于神经协同过滤框架和注意力机制的群组推荐算法从数据中动态地学习融合策略,相较于传统基于预定义策略的方法明显提升了推荐效果,但模型训练及推理时间较长. 本文在此基础上重构了群组偏好融合模块,引入卷积神经网络来提取群组成员的特征,从而实现偏好融合:在公开数据集上的实验表明,本文算法比现有的算法具有更优的精度,训练速度提高了14倍.     

基于协同过滤算法的个性化推荐系统的设计及实施

Internet的发展导致了信息资源的膨胀,用户希望能通过自动化的工具来发现期望的信息资源,为了满足用户的这个需求,个性化推荐系统就随之产生了。个性化推荐系统所采用的推荐算法决定了推荐系统的优劣,本文主要设计了基于协同过滤算法的个性化推荐系统模型,并将该模型应用于相应的网站中。     

语义相似性与协同过滤集成推荐算法研究

基于项目协同过滤算法能提高基于用户协同过滤方法的扩展性问题,并考虑项目之间的关系避免计算用户之间关系的瓶颈,但基于项目协同过滤算法依然存在稀疏性和新项目预测等问题。为了解决这些问题,该文采用了一种基于项目的结构化语义信息的集成相似性算法。为了抽取项目的语义信息,通过本体学习建立特定领域本体并利用包装器代理从网站中抽取本体类的实例和项目属性。实验结果证明了此方法不仅能很好的解决基于项目协同过滤算法带来的问题,而且还提高了推荐精度。