基于ACM在线评测推荐系统模型研究

针对目前用户对在线程序评判系统选题目盲目问题,建立了ACM在线评测推荐系统模型。通过定义题目的难度系数及所属知识点类型,对用户所做题目运用web数据挖掘技术,进行归类挖掘,然后运用基本推荐策略将题目推荐给用户,通过此平台用户登录在线评判系统网站不再盲目选题。     

基于知识子图与注意力机制的在线课程推荐模型

推荐系统可以帮助用户在海量的资源中筛选出满足其需求的项目,不断发展的推荐系统为在线教育提供了新的思路。在线课程资源推荐作为在线教育领域中的重要一环,目前存在课程资源过载和课程推荐结果缺乏可解释性的问题。对此,该文提出了一种基于知识子图与注意力机制的在线课程推荐模型,以利用知识子图进行推荐。有别于直接利用知识图谱进行推荐而忽略了知识表示不准确问题的模型,该模型首先采用Node2vec随机游走方法从知识图谱中提取连接用户-课程对的连通子图,然后通过分层注意网络对子图进行编码,以生成用于用户所需课程预测的子图嵌入,最后生成Top-N推荐课程列表,并给出模型的可解释性说明。为验证模型的有效性,以“中国大学MOOC(慕课)”上的数据为样本构建数据集,实验结果表明,相较于KGCN-PN、GAT、KGAT以及POCR模型,文中模型在NDCG、HR以及MRR评价指标上分别提升了10.6%,9.41%,13.7%。     

融合知识图谱与注意力机制的推荐算法

为了解决信息过载问题,提出了一种融合知识图谱与注意力机制的推荐模型.在该模型中,将知识图谱作为辅助信息进行嵌入,可以缓解传统推荐算法数据稀疏和冷启动问题,并且给推荐结果带来可解释性.为了提升推荐准确率以及捕捉用户兴趣的动态变化,再结合深度学习中的神经网络以及注意力机制生成用户自适应表示,加上动态因子来更好地捕捉用户动态...     

融合协同过滤的XGBoost推荐算法

在推荐系统中,针对用户的冷启动问题,提出一种融合协同过滤的XGBoost推荐算法。根据基于用户相似度的协同过滤推荐算法进行粗粒度召回,得到部分用户的召回集,使用XGBoost算法对召回集中的项目进行预测。对于存在冷启动问题的用户,直接使用XGBoost算法对候选集中的项目进行预测。该算法采用CCIR2018个性化推荐评测的在线评测数据集,并将推荐结果投放到知乎提供的线上平台进行评测。评测结果表明,该算法可以解决用户的冷启动问题,具有很高的执行效率,准确度高,在线上评测中取得显著的推荐效果。     

基于知识图谱用户偏好传播的实体推荐模型

将知识图谱作为辅助信息引入到推荐系统中,可以有效地增强推荐系统的学习能力,提高推荐系统的精准度和用户满意度。针对知识图谱上的偏好传播问题,提出一种基于知识图谱用户偏好传播的实体推荐模型,目的是在传播偏好的同时兼顾传播强度,提高推荐效果。通过提取不同特定属性的基本特征控制用户偏好在知识图谱上的传播强度,然后根据每个用户的历史偏好传播强度在知识图谱上迭代计算,得到用户—项目对的偏好传播模型,最终通过排序学习进行top ◢N◣推荐。最后,在三个不同类型数据集上的对比实验验证该模型算法的有效性。实验证明,在偏好传播的同时控制传播强度可以很好地提升推荐系统的准确率、召回率以及◢F◣▼1▽值,同时具有很强的灵活性和可解释性。     

基于知识图谱和Bi-LSTM的推荐算法

目前现有基于模型的推荐算法多是将评分数据输入到深度学习模型中进行训练,得出推荐结果。其缺陷在于无法对预测结果进行可解释性分析。除此之外,无法有效地解决算法的冷启动问题。因此,本文提出一种基于知识图谱和Bi-LSTM的推荐算法,来有效解决算法的可解释性和冷启动问题。首先将获取到的数据集进行预处理,生成预编码向量,根据数据集结点的连接性,构建专业领域知识图谱。其次利用知识图谱的元路径提取技术获取到多条用户-物品路径信息,将其输入到Bi-LSTM中,在路径经过的各结点处加入一层注意力机制,目的是为了模型能够有效地获取到较远结点的信息。最后将多条路径的训练结果输入到平均池化层中,用以区分不同路径的重要程度,利用交叉熵损失函数对模型进行训练,从而得出预测结果。实验结果表明,与传统基于循环神经网络模型的推荐算法相比,该算法可有效地提升算法的可解释性以及预测准确性,并缓解算法的冷启动问题。     

融合矩阵分解与距离度量学习的社会化推荐算法

为解决传统推荐系统中存在的冷启动难题,基于距离反映偏好的假设提出了一种融合矩阵分解与距离度量学习的社会化推荐算法。该算法同时对样本和距离度量进行训练,在满足距离约束的前提下更新距离度量和用户与项目的坐标,并将用户与项目嵌入到统一的低维空间,利用用户与项目之间的距离生成推荐结果。基于豆瓣和Epi-nions数据集的对比实验结果验证了该方法可有效提高推荐系统的可解释性和精确度,明显优于基于矩阵分解的推荐方法。研究结果表明,所提方法缓解了传统推荐系统中存在的冷启动问题,为推荐系统的研究提供了另一种可供参考的研究思路。     

推荐系统研究综述

近年来,推荐系统得到前所未有的关注和发展。作为电子商务的核心技术,推荐系统在帮助消费者便捷的找到所需的潜在商品同时也促进商品的销售,对于消费者和商品生产者来说都至关重要。推荐系统可以利用用户的行为信息、社交网络信息、标签数据等来提升推荐系统的质量。随着推荐系统的快速发展,如何评价推荐系统以及如何提高推荐系统的可解释性也成为热门的研究课题。从推荐算法、评测指标和可解释性三个部分对推荐系统的研究现状进行分析总结。     

基于随机森林模型的电信运营商外呼推荐系统

在电信运营商领域,外呼推荐是一种重要的推荐产品和服务的途径。实现了一种基于运营商大数据的自动外呼推荐系统,该系统能够挖掘用户的行为特征并且使用机器学习的方法预测用户对于被推荐产品的接受可能性。传统推荐系统使用的模型算法为矩阵分解、大规模稀疏特征分类、神经网络等。采用随机森林算法的主要原因是随机森林具有并行化程度高、训练速度快、生成的决策树可解释等诸多优点,适合于基于电信业数据的推荐系统。该外呼推荐系统基于Hadoop、Impala和Spark等大数据处理平台及工具,使用随机森林分类器作为核心算法,将用户最近的行为特征回归为接受外呼推荐产品的可能性。在线测试表明使用该系统与当前部署的人工随机外呼相比,能够提升约41%的用户接受率;同时,根据模型算法输出特征的重要性,进一步给出了两类用户的特征分析。     

基于用户长短期兴趣与知识图卷积网络的推荐

基于知识图谱的推荐可以提高推荐的精确性、多样性和可解释性.结合知识图谱与用户长短期兴趣提出了基于用户长短期兴趣与知识图卷积网络的推荐模型(LSKGCN).在知识图谱推荐算法的基础上提出了将用户长期兴趣偏好与短期兴趣偏好结合的用户表示方法.根据时间筛选近期历史项目并通过知识图卷积网络得到历史项目的向量表示,通过注意力机制...     

融合知识交互关系的认知诊断深度模型

认知诊断是基于学习数据挖掘学习者潜在认知状态的一种智能评测技术.当前大多数认知诊断模型将学习任务中的知识视为同等重要,未考虑知识间的交互关系,从而影响诊断的准确性,同时也缺乏可解释性.针对上述问题,文中提出融合知识交互关系的认知诊断深度模型,实现学习者认知状态与知识权重的统一表达.同时,实现基于Choquet积分的理想作答反应计算算法.最后提出模糊测度的深度神经网络,预测学习者的作答表现.大量实验表明,文中模型不仅取得较好的预测结果,还能为预测结果提供知识交互层面的解释,具有一定的优越性.     

基于Hadoop的推荐算法研究

本文通过对云计算和推荐系统的研究,构建了一种基于Hadoop平台的混合推荐算法。文中介绍了改进的混合推进算法,并结合Hadoop平台的Map Reduce编程模型来实现。通过实验验证,该算法能精确的预测用户的偏好,向用户推荐感兴趣的信息。其次,Hadoop能满足对大量数据处理的要求,结合改进的混合推荐算法,能够大大提高推荐系统的性能。     

基于强化学习的推荐研究综述

推荐系统致力于从海量数据中为用户寻找并自动推荐有价值的信息和服务,可有效解决信息过载问题,成为大数据时代一种重要的信息技术.但推荐系统的数据稀疏性、冷启动和可解释性等问题,仍是制约推荐系统广泛应用的关键技术难点.强化学习是一种交互学习技术,该方法通过与用户交互并获得反馈来实时捕捉其兴趣漂移,从而动态地建模用户偏好,可以较好地解决传统推荐系统面临的经典关键问题.强化学习已成为近年来推荐系统领域的研究热点.文中从综述的角度,首先在简要回顾推荐系统和强化学习的基础上,分析了强化学习对推荐系统的提升思路,对近年来基于强化学习的推荐研究进行了梳理与总结,并分别对传统强化学习推荐和深度强化学习推荐的研究情况进行总结;在此基础上,重点总结了近年来强化学习推荐研究的若干前沿,以及其应用研究情况.最后,对强化学习在推荐系统中应用的未来发展趋势进行分析与展望.     

基于SSH框架源程序在线评测系统设计

该系统是针对ACM程序设计的在线测评系统,主要采用了J2EE的技术架构并集成SSH开源组合框架以保证系统的性能和稳定性。系统主要实现了用户在线测评、组织竞赛、讨论等功能。在编译运行模块采用了黑盒测试的思想并发的编译和运行,以提高对多用户同时在线评测的效率。     

基于遗传编程的学生程序修正方法

学生程序的自动修正是程序设计类大规模网络公开课亟需解决的关键问题。结合学生程序在线评测的需求,提出了基于遗传编程的学生程序修正模型,设计并实现了基于Web的便于教师和学生使用的程序自动修正系统。基于测试用例集实现程序在线评测,对评测结果中满足自动修正条件的学生程序进行错误定位,在此基础上实现自动修正。应用结果表明,该系统可以有效管理、测试学生程序、并为学生修正含有缺陷的程序提供参考,减轻了教师的负担。     

融合相似用户影响效应的知识图谱推荐模型

知识图谱(KG)具有丰富的结构化信息，能有效缓解推荐模型的稀疏性和冷启动问题，提升推荐系统的准确性与可解释性。近年来，融合知识图谱的端到端推荐模型成为技术趋势。提出了一种融合相似用户影响效应的知识图谱推荐模型，该模型在有效利用知识图谱的前提下，扩充了用户与项目之间的交互方式。首先，利用图神经网络邻域聚合策略与注意力机制，分别捕获用户与项目在知识图谱上的2种高阶表示；其次，根据相似用户的影响效应，设计影响力增强层，捕获相似用户影响效应的潜在表示；最后，将上述3种表示共同反馈到多层感知机中，输出预测分值。在真实数据集上的实验结果验证了所提模型的有效性和效率。     

基于SSH框架源程序在线评测系统设计

该系统是针对ACM程序设计的在线测评系统,主要采用了J2EE的技术架构并集成SSH开源组合框架以保证系统的性能和稳定性。系统主要实现了用户在线测评、组织竞赛、讨论等功能。在编译运行模块采用了黑盒测试的思想并发的编译和运行,以提高对多用户同时在线评测的效率。     

一种基于置信度加权的单类协同过滤推荐算法

针对推荐系统中单类协同过滤（OCCF）可解释性差、数据噪声多的缺陷,提出了一种基于置信度加权的单类协同过滤推荐算法。算法通过置信度函数将用户隐性反馈映射为置信概率,并将该函数集成到隐性反馈推荐模型（IFRM）框架中,形成了隐性反馈置信度加权推荐模型（CWIFRM）;在此基础上,针对CWIFRM基于随机梯度下降提出了异构置信度优化算法。实验结果表明,该模型在多个数据集上都具有更好的推荐效果,异构置信度优化算法使推荐质量得到了进一步提高,验证了CWIFRM具有较强的适用性、可解释性和抗噪声能力。     

基于多层注意力网络的可解释认知追踪方法

认知追踪是一种数据驱动的学习主体建模技术,旨在根据学生历史答题数据预测其知识掌握状态或未来答题表现.近年来,在深度学习算法的加持下,深度认知追踪成为当前该领域的研究热点.针对深度认知追踪模型普遍存在黑箱属性,决策过程或结果缺乏可解释性,难以提供学习归因分析、错因追溯等高价值教育服务等问题,提出一种基于多层注意力网络的认知追踪模型.通过挖掘题目之间多维度、深层次的语义关联信息,建立一种包含题目元素、语义和记录等3层注意力的网络结构,利用图注意神经网络和自注意力机制等对题目进行嵌入表示、语义融合和记录检索.特别是在损失函数中引入提升模型可解释性的正则化项与权衡因子,实现对模型预测性能与可解释强度的调控.同时,定义了预测结果可解释性度量指标——保真度,实现对认知追踪模型可解释性的量化评估.最后,在6个领域基准数据集上的实验结果表明:该方法有效提升了模型的可解释性.     

分布式在线评测系统的设计与实现

在线评测系统有助于激发学生学习程序设计与算法的热情,同时也是实践教学中很好的辅助平台。传统的在线评测系统由于受到单机性能的限制存在许多问题。本文基于分布式的思想．创新性的将传统的在线评测系统分为三个层次,并支持将其运行于一台或多台计算机上,以提高系统的并发效率,增强系统的稳定性。压力测试结果表明．使用分布式的在线评测系统能够安全、可靠、高效的实现黑箱测试。