共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
传统的推荐模型主要是基于用户或者基于项目层面进行建模分析,而未考虑过用户与项目之间存在的协作信号。针对上述问题,提出结合图神经网络的推荐模型,将用户与物品数据构造为图结构,将图结构输入神经网络中挖掘用户与物品之间的协作信号,使得用户和物品得到更具体的特征表示。实验结果表明,这一改进在一定程度上提高了模型的准确度,使得模型推荐效果得到提升。 相似文献
3.
4.
根据历史记录预测用户的下一次点击(即基于会话的推荐)是推荐系统中一个重要的子任务.重点研究会话推荐中如何在不牺牲预测准确性的情况下缓解用户的兴趣漂移问题,提高用户满意度.基本思想是从全局统计的角度出发,建立一个用于表示物品先后点击顺序的物品依赖关系图,据此提出一种图表示学习算法,生成可以保留关联物品间复杂关联关系的物品向量表达,最后,基于长/短期记忆机制,将物品向量表达作为“固定”输入,从而构建一个可以同时捕捉用户长期兴趣和短期兴趣的会话感知推荐模型.不同于其他相关工作,首次提出将下一次点击预测模型建立在“固定”物品表达的基础上.在公开数据集上的实验结果表明:提出的推荐模型在预测准确性和推荐多样新颖性上的表现优于其他相关方法. 相似文献
5.
FF算法由于其在线特性在处理在线装箱问题得到广泛使用,但它无法预测后面达到物品造成装箱率低,提出一种预留一定比例的各类未装满箱体的装箱算法。首先对未装满箱体分类并给出相应的数据结构,接着设计一种绑定配对策略来预留各类未装满箱体数目,并引入间隔函数控制新箱体的启用,最后基于FF算法结合预留策略对物品进行装箱来保证装箱的绝对近似比。提出了一种预留绑定配对策略为后续输入物品提供预测空间,特别的是F-B算法能得到5/3的绝对近似比。 相似文献
6.
知识图谱在推荐算法中的应用有效增强了推荐结果的可解释性,但仍缺乏对用户-物品交互信息的关注。针对目前已有的知识图谱推荐算法忽略用户端与物品端的差异而无法有效地提取用户与物品信息的问题,提出了融合双端注意力网络的知识图谱推荐算法(double end knowledge graph attention network,DEKGAN)。首先根据用户端与物品端两者不同的需求设计两种注意力网络,在用户端是将用户的浏览记录输入到知识图谱中不断扩展用户的潜在兴趣,通过基于用户的注意力网络对三元组内部信息进行计算以更准确地获取用户的嵌入表示向量;在物品端是将物品信息输入到知识图谱内中不断获取与用户喜好有关的物品信息,使用基于用户偏好的注意力网络指定更准确的传播方向,然后将两端注意力网络中获取到的邻域信息聚合生成物品的嵌入表示向量,最终获取用户对物品的喜好概率。通过在数据集MovieLens-1M和Book-Crossing中进行实验,采用AUC、F1、precision和recall指标进行评估,结果证明与其他基准算法相比推荐的准确性和可解释性有显著的提升。 相似文献
7.
基于会话的推荐旨在根据当前用户的匿名会话的点击序列信息来预测用户的下一次点击行为。现有方法多数都是通过对用户会话点击序列的物品信息进行建模,并学习物品的向量表示,进而进行推荐。而作为一种粗粒度的信息,物品的类别信息对物品有聚合作用,可作为物品信息的重要补充。基于此,提出了基于会话的多粒度图神经网络推荐模型(SRMGNN)。首先,使用图神经网络(GNN)得到会话序列中的物品和物品类别的嵌入向量表示,并使用注意力网络捕捉用户的注意力信息;然后,将赋予了不同注意力权重值的物品和物品类别信息进行融合后,输入到门限循环单元(GRU)里;最后,通过GRU学习会话序列的物品时序信息,并给出推荐列表。在公开的Yoochoose数据集和Diginetica数据集上进行实验,实验结果验证了该模型在增加了物品类别信息后的优势,且实验结果表明了在Precision@20和MRR@20这2种评价指标上,该模型相较于短期注意力/记忆优先级(STAMP)模型、神经注意力(NARM)模型、GRU4REC等8种模型均有更好的效果。 相似文献
8.
针对推荐系统中的矩阵分解算法只根据用户和物品的特征向量进行点积运算,无法准确衡量不同用户对物品偏好的弊端,该文提出了一种基于深度距离分解模型的推荐算法。首先,改变传统矩阵分解直接对评分值进行分解的模式,将用户与物品的评分矩阵转化为距离矩阵;然后,将距离矩阵分别按行和按列输入两个深度神经网络进行训练,得到用户和物品的距离特征向量;接下来,用距离特征向量计算用户和物品之间的距离值,通过设计的损失函数使预测距离值与真实距离值的误差达到最小;最后,将用户与物品的预测距离值转化为预测评分。实验结果表明,在不同数据集中,该文提出的基于深度距离分解模型的推荐算法在RMSE和MAE指标上均优于基线推荐算法。 相似文献
9.
基于深度学习的推荐算法最初以用户和物品的ID信息作为输入,但是ID无法很好地表现用户与物品的特征。在原始数据中,用户对物品的评分数据在一定程度上能表现出用户和物品的特征,但是未考虑用户的评分偏好以及物品的热门程度。在评分任务中使用隐式反馈和ID信息作为用户与物品的特征,在消除用户主观性对特征造成的噪声的同时在一定程度上缓解冷启动问题,利用单层神经网络对原始高维稀疏特征降维,使用特征交叉得到用户与物品的低阶交互,再利用神经网络捕获用户与物品的高阶交互,有效提取了特征间的高低阶交互。在四个公开数据集上的实验表明,该算法能有效提高推荐精度。 相似文献
10.
针对传统矩阵分解算法大多是浅层的线性模型,难以学习到深层次的用户和物品的隐特征向量,且在数据稀疏的情况下容易产生过拟合的问题,文中提出一种融合偏置深度学习的矩阵分解算法,在解决数据稀疏问题的同时,还能学习到表征能力更强的距离特征向量。首先,通过用户与物品的显式和隐式数据构建用户与物品的交互矩阵,并将交互矩阵转化为相应的距离矩阵;其次,将距离矩阵分别按行和按列输入加入偏置层的深度神经网络,学习得到具有非线性特征的用户和物品的距离特征向量;最后,根据用户和物品的距离特征向量计算用户和物品之间的距离,用距离值对物品按升序排列,生成Top-N的推荐列表。在4个真实数据集上进行实验,采用Precision, Recall, MAP,MRR和NDCG指标进行评估,结果表明所提算法在上述指标方面相比其他主流推荐算法有明显提升。 相似文献
11.
针对传统基于物品的推荐算法由于数据稀疏性导致的低推荐精度问题,提出了一种融合GMM聚类和FOA-GRNN模型的推荐算法。该算法首先使用高斯混合模型(GMM)方法对物品特征进行聚类;然后根据聚类结果分别构造评分矩阵,并使用Slope One算法填充评分矩阵;最后计算用户对物品的相似度预测评分作为输入,通过FOA-GRNN模型输出最终的评分。基于movielens-2k数据集的实验结果表明,与其他3种算法相比,该算法能够更好地处理高稀疏性数据,推荐精度更优,并能够在一定程度上解决冷启动问题。 相似文献
12.
《电脑爱好者》2005,(19)
1网上商城中搜寻最便宜的物品问:经常在网上购物,发现同一个品牌同一个型号的物品在不同的网店中的卖价并不一样,有的价格比较低。请问,在购物前能不能方便地搜索开价最低的店家?(上海HE)答:其实,在网上商城中就可以直接搜索了,输入物品名称,单击搜索后,然后你再比较价格,看哪家最便宜即可。另外,有一款名为“货比多家”的专业软件,下载地址:http://www.onlinedown.net/soft/40895.htm,利用它可以直接在包括“淘宝、卓越网、搜狐网上商城、当当网、新浪商城”等十几家网上商城中搜索同一个物品,从而可以轻松地对价格进行比较。2去除迅雷广… 相似文献
13.
在推荐系统中,传统的矩阵分解无法提取用户和物品特征,而神经协同过滤(NCF)在分解模型中增加多层感知器,但不能有效利用用户和物品ID之外的辅助信息.为此,提出一种新的条件卷积方法.通过将物品特征作为输入,将用户特征作为卷积核,达到权值不共享的目的,使得条件卷积具有更强的特征提取和组合能力以及不增加参数量的特性.在此基础上,条件卷积能够融入多种辅助信息进行个性化推荐.实验结果表明,与NCF模型相比,该方法在隐性反馈数据中推荐命中率提升3.11%,在显性反馈数据中评分预测误差降低2.47%. 相似文献
14.
15.
基于形态特征提取的图像匹配搜索技术研究 总被引:1,自引:0,他引:1
传统的图像搜索方法一般是由图像处理软件自动抽取图像的颜色、形状、纹理等特征,并以此建立特征索引库,进而由用户输入要查找的物品图像,从而找出与之具有相近特征的图像。而文中给出了从数学形态学的角度来提取图像的关键形态特征,然后建立海量物品图片的形态细化骨架库,并以此简化图像搜索的关键内容,降低数据库存储量,提高匹配效率以及准确性的具体方法。 相似文献
16.
17.
传统医院图书馆数据库文本分类是对指定规模文本的分类,无法针对特定用户的浏览内容实施分类。为此,提出基于协同过滤的医院图书馆数据库文本分类优化方法。将用户浏览数据库文本的特征看做物品,构建半自动编码器的协同过滤模型优化用户物品评分矩阵,使用平均评分修正因子、热门物品惩罚因子改进相似度计算。引入注意力机制构建CNN-SVM分类模型,将用户文本浏览特征作为输入,实现文本分类。测试表明,该方法构建评分矩阵的RMSE最低,推荐图书馆文本阅读特征的MAE值最小,在文本分类上F1值达到96.5%,有较好的文本分类效果。 相似文献
18.
为了弥补物品标识体系研究目前存在的很多不足,提出了一种基于物联网的物品标识体系参考模型,并对物品标识体系的基础和核心,也就是物品编码和物品标识技术进行了分析和研究。 相似文献
19.
20.
作为新新人类和爬网一族,我们都有网络Shopping的经历。悠闲地坐在家中或办公室里,轻松点点鼠标就可以通过淘宝、卓越等电子商务网站,购买到自己需要的物品,是何等的惬意呀!且慢、且慢,要从网络上难以计数的商品中找到自己的最爱,也非易事,一次次地输入不同的网址、关键字、价格等等,不仅让人眼花瞭乱,就连手指也觉得疲劳。 相似文献