共查询到17条相似文献,搜索用时 78 毫秒
1.
社会化推荐系统通过用户的社会属性信息能缓解推荐系统中数据稀疏性和冷启动问题,从而提高推荐系统的精度。然而大多数社会化推荐方法主要针对单一的社交网络,或对多个社交网络进行线性叠加,使得用户社会属性难以充分参与计算,因而推荐的精度有限。针对该问题,提出一种多重网络嵌入的图形神经网络模型来实现复杂多维社交网络下的推荐,该模型构建了统一的方法来融合用户-物品、用户-用户等各种关系构成的多维复杂网络,通过注意力机制聚合不同类型的多邻居对节点生成作出贡献,并将多个图神经网络进行组合,从而构建了多维社交关系下的图神经网络推荐框架。这种方法通过拓扑结构直接反映推荐系统中实体及其相互间关系,直接在图上对相关信息进行不断更新计算,具有很强的归纳性,有效避免了传统推荐方法中信息利用不完全的问题。通过与相关的社会推荐算法进行比较,实验结果表明,所提方法在均方根误差(RMSE)和平均绝对误差(MAE)等推荐精度指标上有所改善,甚至在数据稀疏情况下也有良好的精度。 相似文献
2.
社会化推荐系统通过用户的社会属性信息能缓解推荐系统中数据稀疏性和冷启动问题,从而提高推荐系统的精度。然而大多数社会化推荐方法主要针对单一的社交网络,或对多个社交网络进行线性叠加,使得用户社会属性难以充分参与计算,因而推荐的精度有限。针对该问题,提出一种多重网络嵌入的图形神经网络模型来实现复杂多维社交网络下的推荐,该模型构建了统一的方法来融合用户-物品、用户-用户等各种关系构成的多维复杂网络,通过注意力机制聚合不同类型的多邻居对节点生成作出贡献,并将多个图神经网络进行组合,从而构建了多维社交关系下的图神经网络推荐框架。这种方法通过拓扑结构直接反映推荐系统中实体及其相互间关系,直接在图上对相关信息进行不断更新计算,具有很强的归纳性,有效避免了传统推荐方法中信息利用不完全的问题。通过与相关的社会推荐算法进行比较,实验结果表明,所提方法在均方根误差(RMSE)和平均绝对误差(MAE)等推荐精度指标上有所改善,甚至在数据稀疏情况下也有良好的精度。 相似文献
3.
针对传统推荐算法中存在的数据稀疏性问题,国内外许多研究人员都提出了相应的推荐算法。然而,在个性化推荐方面,其中大多数并没有取得很好的推荐效果。因此,提出改进填补法和多权重相似度相结合的推荐算法,该算法首先采用改进填补法填充缺失值并对数据降维,接着分别计算社交网络用户信任度和改进的二部图用户关联度,最后采用多权重因子将这两者相似度进行结合。基于此,该算法根据相似度高低获取邻居用户并对目标用户进行商品推荐。实验结果表明,在数据稀疏性以及个性化推荐情况下,该算法的平均绝对误差(MAE)优于其他推荐方法。 相似文献
4.
因当前方法在划分用户行为时参考指标单一,导致推断结果误差较大.为解决上述问题,基于协同过滤推荐,对社交网络行为推断方法展开研究.根据不同形式的社交网络推荐模式,架构用户之间的信任关系,随后将信任值替换为相似度,采用协同过滤算法获取推荐列表,基于社交网络信息的组成部分,利用线性融合方法将其结合,创建用户相似度模型,推导出... 相似文献
5.
6.
随着软件协同开发技术与社交网络的深度融合,社交化开发范式已成为当前软件创作与生产的重要方式。这一软件开发模型的灵活性与开放性,吸引了大规模的外围贡献者加入到开源社区中,形成了巨大的软件生产力。在开源社区中,这些分布广泛、规模巨大的外围贡献者主要以一种无组织的松散方式进行协同。他们需要花费大量的时间和精力,在海量的开源项目中寻找到自己真正感兴趣的项目并进行长期贡献。为了提高大规模群体协同的效率,本文提出一种基于多维特征的开源项目个性化推荐方法(即RepoLike)。该方法从开源项目自身流行度、关联项目技术相关度以及大众贡献者之间的社交关联度等三个维度度量开发者和开源项目之间的关联关系,并利用线性组合和Learning To Rank方法构建推荐模型,从而为开发者提供个性化的项目推荐服务。通过大规模的实证实验表明,RepoLike在推荐20个候选项目时的推荐命中率超过25%,能够有效地为开发人员提供有价值的推荐服务。 相似文献
7.
针对现有个性化商品推荐算法精度不高、新商品不能及时推荐等缺点,提出了一种基于商品特征、用户购买日志及用户实时浏览行为的个性化推荐算法。算法首先根据客户的在线浏览情况获取当前客户的购买倾向,然后将客户的购买日志与商品特征数据库进行对比分析,获得客户对商品特征的偏爱度及推荐参照组,依据特征实体的相似度矩阵进行特征推荐组推荐,最后结合当前的购买倾向向客户推荐商品。 相似文献
8.
9.
针对目前的社交网络好友推荐方法用户兴趣不明显、用户之间相关性较差等问题,提出一种基于共同用户和相似标签的协同过滤算法。抽取共同关注用户作为共同项目,加入体现用户兴趣的自定义标签数据,并对标签进行相似度计算处理,以扩充稀疏矩阵,改善协同过滤推荐方法。实验结果表明,与单指标的协同过滤推荐算法相比,基于共同用户和相似标签的好友推荐方法更好地体现了用户兴趣,同时在推荐准确率和平均准确率上都有较大提高。 相似文献
10.
11.
12.
13.
推荐技术已经成为信息过载时代提供个性化服务的关键技术。由于推荐结果的多样性可以提升推荐效果,多样性推荐方法开始备受关注。针对现有基于朋友好奇心的多样性推荐方法中,诸如朋友、信任关系等难以获取及比较稀疏的问题,提出了基于相似用户好奇心的多样性推荐方法(SUC)。分析用户的真实评分,计算相似用户集;采用协同过滤方法,计算用户的预测评分;分析用户的真实评分和预测评分,计算用户的好奇心评分;融合预测评分和好奇心评分,计算用户的项目推荐列表。SUC方法不需要额外的用户关系信息,更具普适性。在五个真实数据集上的实验表明,与基准方法相比,SUC方法不仅提高了推荐多样性,同时也提升了推荐准确率、召回率和覆盖率。 相似文献
14.
为了丰富地理位置社交网络中位置推荐的方法,提高位置推荐的精度,提出一种分层模型的推荐方法。将地理位置社交网络中的数据分为历史位置层和社交关系层,在历史位置层中,考虑用户的历史签到位置序列具有幂律分布和瞬时效应这两种特性,引入Pitman‐Yor语言过程模型的机制来分析用户的历史位置签到数据,计算出下一次签到位置的概率,结合社交关系,加入社交关系层的朋友数据信息,得出所有可能位置的概率分布,按照TopN方法给出推荐列表。通过模型计算结果分析,对比其他的位置推荐方法,验证了该方法的有效性。 相似文献
15.
16.
专家推荐是推荐系统领域的一个研究热点,专家信息特征提取的合理性直接影响到推荐的准确性。然而多数专家推荐方法未对多源信息构建特征关系文本图,忽略了属性特征之间的相关性,以及无法依据关联性拓展知识领域特征。针对以上问题本文提出了一种融合多特征和双向图分类的专家推荐方法CMFBG。首先通过多源信息融合获取专家个体多特征信息,并对不同属性特征构建类内文本图;然后分别使用基于Transformer的双向编码器表示(Bidirectional encoder representation from transformer, BERT)模型和图卷积神经网络(Graph convolutional network, GCN)模型对特征提取并融合;最后通过双向注意力机制增强源数据对图特征的扩展,实现图结构上的分类。在同一专家数据集上进行实验分析,结果表明在图分类任务中CMFBG精确率高于其他算法,达到了91.71%。 相似文献
17.
网络数据下的概念认知与知识发现是网络背景下机器学习和人工智能的重要研究方向,已被引入到推荐系统研究中。现有的基于概念格的推荐方法忽视了节点之间的网络结构关系,同时构造概念格的效率低且构建概念集合的约束条件较严,在大规模的社交网络中难以实现。为解决这些问题,本文在网络形式背景的框架下,综合复杂网络的拓扑结构和弱概念相似度,提出了基于弱概念相似度的组推荐算法。首先,定义属性度、属性密度来描述属性的重要性,通过改进的节点影响力来确定专家节点;其次,利用专家节点划分社区,在划分的社区中通过属性弱概念下限相似度进行组推荐研究,进而获取推荐规则并对相应社区进行组推荐;最后,利用MovieLens数据集和Filmtrust数据集分析了各参数对本文所提算法的影响,并确定了参数的合理取值。将本文所提算法与其他推荐算法进行比较测试,实验验证了本文算法的有效性。 相似文献