基于异构信息网络的推荐研究综述

推荐在满足用户信息需求和解决信息过载问题中发挥着重要作用,异构信息网络因其蕴含丰富的语义信息为推荐的优化提供了新的途径。在查阅国内外异构信息网络的推荐研究基础上,采用SATI、Ucinet、NetDraw和SPSS等软件进行文献计量分析和可视化分析,得出当前研究热点和进展。依据文献关键词的聚类结果,发现已有研究主要是基于聚类、随机游走、元路径、矩阵分解和网络嵌入的算法,并实现了在学术科研、兴趣点、Web服务、社交好友、专利交易和新闻等推荐场景的应用。基于异构信息网络的推荐研究还有较大发展空间,未来可以在动态推荐、深度网络表示学习和拓展应用等方面开展研究。     

基于异构信息网络的混合推荐模型

个性化推荐平台具有数据来源广泛且数据类型丰富的特点,而其中的数据稀疏是影响推荐系统性能的重要原因.如何挖掘推荐平台结构化数据和非结构化数据以发现更多特征,在数据稀疏场景中提高推荐的准确率,缓解冷启动问题,并且使得推荐具有可解释性,是推荐系统面临的重大挑战.因此,针对为User推荐Item的个性化场景,利用异构信息网络(...     

基于异构信息网络的假币犯罪信息分析系统

传统的犯罪查询的查询条件是文本信息,查询结果是有序的文档列表,这种方式无法展示结果之间的关系.基于异构信息网络以信息网络的形式重构假币犯罪信息数据,构建了假币犯罪信息网络,使用人名消歧的技术建立假币犯罪信息网络中嫌疑人之间的关系,并使用排序学习方法研究假币犯罪信息网络中的节点相关性问题,设计并实现了假币犯罪信息分析系统,通过以实体对象为查询项和网络图为查询结果的方式解决假币犯罪数据的查询问题.     

基于动态异构信息网络的时序关系预测

动态异构信息网络中的时序关系预测问题近些年被广泛研究,时序关系预测旨在预测关系产生时间的同时预测关系的类型.动态异构信息网络是包含不同类型的点和边且边上带有时间信息的网络.现有的方法主要考虑了网络中拓扑结构对于关系预测的影响,而并未将时间和结构信息整合到一个统一的模型中进行研究.针对以上问题,提出了一个时间差关系路径法(time-difference-labeled path, TDLP)用于实现时序关系预测,该方法将网络中边上的时间信息融入到结构路径中从而得到更好的预测效果.在一个学术网络上的实验证明,提出的TDLP方法相比当前流行的方法具有更高预测准确率.     

非对称异构信息网络的模糊推荐算法

传统的协同过滤推荐算法存在普遍的数据稀疏性问题;应用于推荐算法领域的异构信息网络模型对对象的相似关系认定通常是对称的,这种对称关系的认定在实际问题的处理中存在局限性。为解决上述问题,提出一种非对称异构信息网络的模糊推荐算法。该算法利用模糊集理论在处理用户喜好程度方面的优势,从模糊的信息种获取用户的准确偏好,根据异构信息网络中元路径的丰富语义信息,获取不同角度的用户关联,在相似度计算中引入对象关系的非对称系数,对不同特征元路径的计算结果进行加权,以此提高用户之间相似关系的准确度,通过矩阵分解的方法实现评分预测。实验结果表明,该算法有效解决了数据稀疏性问题,提升了推荐精度。     

异构信息网络的注意力感知多通道图卷积评分预测模型

异构信息网络(Heterogeneous Information Network, HIN)包含了丰富的语义信息,利用其进行评分预测已成为缓解推荐系统数据稀疏性问题的一个重要途径。然而,传统采用元路径来提取HIN语义信息的方法忽略了元路径中的评分信息,从而导致元路径无法精确捕获用户和推荐项目之间的语义相似性,同时也未能良好区分不同元路径的重要性。为了解决这两个问题,首先提出了一种带有评分限制的元路径以获取更准确的HIN语义信息,利用这些信息构建用户和项目多层网络;然后结合图卷积网络和注意力机制设计了一个用于评分预测的神经网络,通过多通道图卷积有效地表示了HIN的多种语义信息,采用注意力机制区分不同元路径的重要性,弥补了传统方法的不足;最后融合了用户和项目的属性信息,进一步提高了评分预测的准确性。在Douban Book和Yelp数据集上的实验结果表明所提模型明显优于对比的基线模型,尤其在数据稀疏的情况下,均方根误差比基线模型最多减少了50%,从而验证了所提模型的优越性。     

基于异构信息网络的模糊贴近度推荐算法

针对传统协同过滤算法在用户推荐过程中数据稀疏性、可扩展性、用户兴趣迁移变化等问题,提出一种基于异构信息网络的模糊贴近度推荐算法。在k-means聚类算法基础上构建新的异构信息网络,利用关系抽取的方式构造用户属性权重矩阵;引入模糊贴近度综合分析元路径属性权重的影响,寻找近邻用户;采用Top-N算法排序进而完成推荐,并进行准确性验证。在Epinions数据集上的实验结果表明,在推荐质量和速度上,所提推荐算法较传统推荐算法更优。     

数据挖掘在学生成绩分析预警中的应用

近些年,各大高校一直扩大招生规模为教务管理带来巨大冲击,文中以数据挖掘技术为研究视角,通过数据挖掘对学生成绩进行分析和预警,找到学生不及格课程之间的潜在联系,根据具体因素提出合理的解决办法,提升学校的教学质量。     

异构信息网络的分类研究

异构信息网络在生活中无处不在,并且逐渐起着非常重要的作用。如何在信息网络里分类这些节点,对节点进行排名,已成为研究的热点问题。结合排名和分类方法,提出一种新的基于排名的迭代分类框架,建立一个基于图形的排名模型,使计算的排名分布在每一类的对象中。在每次迭代中,根据当前的排序结果,排名算法中使用图形结构的调整,使子网对应于特定的类被强调,而网络的其余部分被削弱。实验证明,整合分类排名不仅产生更准确的数据分类方法,而且在每一类中,能提供有意义的对象排名,比传统分类更有效。     

基于图核的异质信息网络链路预测方法

链路预测是图挖掘主要研究的问题,其研究重点是提取图的特征信息,现有研究方法大多只关注网络拓扑结构而忽略了节点属性信息.针对该问题,提出了基于图核的链路预测方法NGLP.该方法能挖掘有效、可用的元路径;基于元路径对预测对象生成带节点属性的子图,使用子图表示被预测的链路;然后利用图核方法计算子图之间的相似性;最后训练SVM得出链路预测结果.实验结果表明,提出方法与其他方法相比具有更高的精度和更强的稳定性.     

基于校园行为信息网络的生活习惯相似学生搜索

利用大数据分析、深度学习等新一代信息技术,通过掌握学生的兴趣、爱好、生活习惯等,提高人才培养质量已成为当前重要的科学研究问题.寻找具有相似生活习惯的学生对于心理状况及学业状况预警都有着积极的作用.已有的相似生活习惯学生搜索算法无法解释学生之间相似的原因,并且无法拓展性地融合更多数据源.为此提出了基于校园行为信息网络的生活习惯相似学生搜索算法SCALE(similar campus lifestyle miner).SCALE算法通过带约束的元路径计算相似度.SCALE不仅能保留原始数据中的相似语义,同时可以在此基础上拓展性地融合更多数据源.进一步对算法各部分解耦,为SCALE算法设计了并行化策略以提高执行效率.通过真实校园环境数据集上的实验,验证了SCALE算法的有效性和执行效率.     

基于决策树算法的学生成绩的预测分析

针对学生成绩问题,用决策树算法建立分类规则和分析预测模型,描述如何根据分析预测结果发现影响学生成绩的因素,进而有益于教师改进教学方法,提高学生的学习效果.通过实例验证,建立决策树,得出分类规则,结果表明该算法能够对学生数据进行正确分类,得到有价值的结论.     

基于多元线性回归的学生成绩预测研究

随着数据挖掘技术在教育领域的深入应用,使得成绩预测成为改进教学质量的重要手段之一。对学生进行成绩预测,可以督促学生提高学习效率以及鞭策教师改进教学质量,更好地完善教学,达到最佳效果。但在目前研究中,虽然对成绩预测应用已十分广泛,但是多是基于学生全部成绩对某门课程成绩的预测,忽略了成绩预测的时效性。因此提出基于多元线性回归方法构建一年级成绩预测毕业成绩的预测模型。以某学校计算机应用专业的学生课程成绩为研究对象,构建相应的多元线性回归预测模型。通过大量实验以及检验证明,利用一年级成绩预测毕业成绩可行,并且构建的成绩预测模型具有极高的预测精度,可以为改进教学方案提供参考信息,有助于提高学校的教学质量和学生的学习效果。     

基于异构网络表征学习的作者学术行为预测

作者学术行为预测旨在从异构学术网络中挖掘作者的行为关系,以促进科研合作,产出高水平、高质量的研究成果。现有的节点表示方法大多未考虑节点的语义特征、内容特征、全局结构等,难以有效学习网络中节点的低维特性。为有效融合节点的多维特征和全局结构,提出了一种集成BiLSTM、注意力机制和聚类算法的异构网络表示学习方法HNEMA,以提高学术网络中作者的学术行为预测效果。HNEMA首先基于BiLSTM和注意力机制融合节点的多维特征,聚合同一元路径下或不同元路径下相同类型的邻居,随后聚合待表征节点的所有邻居的多维特征。基于此,采用聚类算法捕获节点的全局特征,从而全面有效地学习节点的低维特性。在全面特征学习的基础上,应用逻辑回归分类器预测作者的学术行为。在3个公开数据集上的验证实验结果表明,相比其他方法,HNEMA在AUC和F1指标上都有一定程度的提升。     

异质信息网络中演员合作关系的链路预测

在异质信息网络中,节点与链接的异质特性和复杂性会增加链路预测的难度。针对该问题,提出一种采用综合拓扑特征表示的链路预测方法。对不同的元路径根据异质和同质信息网络拓扑特征获得异质和同质数据,将逻辑回归模型作为链路预测模型,并综合拓扑特征进一步提高预测准确率。在异质的movielens电影数据集上进行实验,结果表明,该方法可有效提高异质信息网络演员合作关系的链路预测性能。     

异构信息网络的相似性度量方法

随着社交网络和文献索引网络等大规模互联多类异质信息网络的浮现,为相似搜索提出许多挑战,其中相似性度量是关键问题之一。现有适用于同构网络的相似度量方法没有考虑网络多个路径的不同语义。本文提出一种新的基于元路径的相似性度量方法,可以在异构网络中搜索相同类型的对象。元路径是由在不同对象类型中定义的一系列关系所组成的路径,可以为网络中相似搜索引擎提供共同的基础。在真实数据集上的实验表明,与无序相似性衡量方法相比,本文提出的方法支持快速路径相似性查询,可广泛地应用于社交网络和电子商务领域。     

基于图自编码器模型的学生成绩预测

传统对学生成绩进行预测的方案往往需要手动筛选特征或需要大量的先验知识和专家知识.因此提出使用深度学习的基于图自编码器模型(Graph-AE)的学生成绩预测方案,该模型可以不经人工干预自动提取特征,且不需要大量的先验知识.将Graph-AE模型与13种经典推荐算法进行对比,实验结果表明,Graph-AE模型在学生成绩数据...     

基于异构信息网络的推荐系统

随着互联网、计算机等技术的深入发展,互联网为用户带来了各类网络服务用于增进用户交流。其中,问答社区为用户提供了提问和回答的交流平台,其目的是通过互联网实现用户间的知识经验分享和信息传播。但仍存在一些问题限制问答社区的发展,例如随着用户数量的不断增长,大量问题得不到及时回答且提问者对已有问题的回答并不满意。因此,对于问答社区来说,如何从大量的用户中找到专家用户是非常重要的。针对以上问题,本文提出一种基于异构信息网络的推荐方法,首先对问答社区中的问题属性和用户属性建立异构信息网络,利用元路径来捕捉异构信息网络中丰富的语义信息,然后使用基于元路径的相似度计算方法分别计算问题与用户的相似度矩阵,采用3种方式将得到的相似度矩阵与问题-用户评分矩阵相融合,然后使用矩阵分解获得问题和用户的潜在特征,最后使用因子分解机进行训练和推荐。在海川化工问答数据集上将本文提出的方法同多种先进的推荐算法进行对比,并利用评价指标对模型进行评估。实验结果表明,本文提出的算法在相关评估指标方面相较于之前的算法具有一定优势。     

数据挖掘在学生专业成绩预测上的应用

学生特征的提取以及学习效果预测一直是教育数据挖掘领域的热门课题。本文将结合国内高校教育现状和现有的教育数据挖掘成果,以weka作为实验平台,应用C4.5算法对本科生的专业培养数据做建模分析以及成绩预测,通过采集到的实际数据做实验验证,找到潜在于成绩信息之中的学生行为规律,为提前干预学生学习行为,优化教育决策做出有意义的指引。