一种基于信息老化的协同过滤推荐算法

协同过滤推荐算法中存在推荐信息低时效性问题,该文针对此问题,结合信息老化理论,提出一种基于信息老化的协同过滤推荐算法。该算法利用用户的点击记录,构建项目的时效性评价模型来预测项目当前时刻被点击的概率;将模型与基于项目协同过滤推荐算法结合,综合考虑用户的兴趣和项目的时效性来发现项目的最近邻居,从而进行高时效性的推荐。实验结果表明,与传统基于项目的协同过滤推荐算法相比,该算法提高了推荐结果的时效性。     

基于标签的在线学习资源推荐算法

在线学习是目前获取知识的一种重要途径,然而信息过载导致从在线学习平台的大量资源中找到所需的学习资源非常困难.本文提出了一种基于标签的推荐算法,混合基于内容推荐和协同过滤推荐,采用TF-IDF来平衡热门标签的权重,采用修正的余弦函数相似性计算用户间、资源间的相似性,结合学科知识图谱,让推荐结果在相似基础上增加扩展性,满足进阶学习特点.实验结果表明,本文提出的算法在准确率和推荐效率上优于传统的协同过滤推荐算法,为解决同类问题提供了较强的参考价值.     

基于深度学习推荐系统的研究

针对深度学习的研究,仅运用单一的传统算法在数据稀疏的情况下,不能得到隐式的反馈。所以提出了推荐系统,在机器学习上有一定的影响,并在社会上的应用也非常广泛,在最近几年在图像处理、会话识别、对象侦探以及药物发现和基因组学等方面取得了一定的发展。将深度学习应用到推荐系统中,探究怎样将大量的数据转变成多源异构数据,它能够让我们对用户在使用过程中得到整合数据,得出用户的偏好。优化推荐系统,了解用户喜好,是我们主要研究目的。在推荐系统系统中,我们主要针对协同过滤进行研究。     

基于深度学习的电影推荐系统设计与实现

大数据时代,必然涌现出各种各样的海量数据,而推荐系统是帮助人们选择数据的有效手段之一。目前,以协同过滤算法为代表的传统推荐算法已经无法满足人们的个性化选择的需求。本文利用深度神经网络构建基于深度学习的推荐模型,抽取用户和电影的特征,并且设计一个多层神经网络将用户和电影特征进行深度交互,从而挖掘用户和电影的深层交互关系,得出用户的偏好。通过相关Spark、Flink、Tensorflow等技术实现对深度学习电影推荐系统的构建和部署。研发出了个性化电影推荐系统。     

基于自编码器的影片个性化推荐模型研究

为了解决互联网电视更精确、更全面的内容个性化推荐需求,将自编码器模型应用于影片个性化推荐,主要形式为Top-N推荐。文章介绍了自编码器及其变种--降噪自编码器和协同降噪自编码器,详细说明了各自的模型结构和特性,提出了对自编码器模型进行优化的方法。通过对三种自编码器模型在公开数据集上的表现进行研究,得出了对于超参数选取、模型选择方面的结论,为个性化推荐场景的实际应用提供了重要参考依据。     

基于图神经网络的推荐算法研究

推荐系统中较为经典的协同过滤算法存在数据稀疏性和冷启动的问题,直接影响着评分预测的准确性。针对其存在的问题,文章提出一种端到端的基于图神经网络的推荐算法,该模型通过将原始的评分矩阵以用户项目二部图的形式作为输入,通过图卷积编码器来迭代聚合邻居节点信息得到用户及项目的潜在向量表示,经过非线性变换层传给解码器来重构邻接矩阵,缓解了数据的稀疏性对评分预测的影响。在MovieLens公开数据集上的实验结果表明,该模型的预测精度较经典的协同过滤模型有了明显的提升。     

基于多任务学习的立体匹配算法

引入辅助任务信息有助于立体匹配模型理解相关知识,但也会增加模型训练的复杂度。为解决模型训练对额外标签数据的依赖问题,提出了一种利用双目图像的自相关性进行多任务学习的立体匹配算法。该算法在多层级渐进细化过程中引入了边缘和特征一致性信息,并采用循环迭代的方式更新视差图。根据双目图像中视差的局部平滑性和左右特征一致性构建了损失函数,在不依赖额外标签数据的情况下就可以引导模型学习边缘和特征一致性信息。提出了一种尺度注意的空间金字塔池化,使模型能够根据局部图像特征来确定不同区域中不同尺度特征的重要性。实验结果表明:辅助任务的引入提高了视差图精度,为视差图的可信区域提供了重要依据,在无监督学习中可用于确定单视角可见区域;在KITTI2015测试集上,所提算法的精度和运行效率均具有一定的竞争力。     

一种基于社会化标签的协同过滤推荐算法

为了减少社会化标签的语义模糊和冗余给基于标签的协同过滤算法带来的噪声,利用群体智慧选择流行标签对用户和资源建模,在此基础上设计了基于流行标签的协同过滤算法。实验证明,该算法降低了标签噪声,并提高了传统的基于标签协同过滤算法的准确性。     

基于协同学习的频谱智能感知方法

目前无线通信网络频谱环境时空分布复杂多变,现有多用户协同感知方法数据预处理繁琐,感知效率低下。为此,在由用户感知层和边缘融合层构成的系统架构下,提出了一种基于协同学习的频谱智能感知算法。用户感知层采用多分支卷积循环门控神经网络,利用原始归一化能量信号的底层结构信息,实现本地感知。边缘融合层基于自注意力机制进行消息传播,融合用户感知层中各个非授权用户的感知结果得出最终决策。实验表明,在信噪比为-20 dB以及5个用户协同感知的情况下,该方法能在虚警概率为1.91%时达到18.3%的检测概率,相比对比模型提升了6.1%,且不需要对原始数据额外预处理,降低了算法的复杂度。     

基于用户兴趣和推荐信任域的微博推荐

向用户推荐其感兴趣的微博,是改善用户体验的重要途径.为使推荐的微博更加符合用户的兴趣和品味,提出的微博推荐方法不仅考虑用户自身的特点,而且还考虑所在社区对微博的评价.在技术实现上,采用支持向量机进行文本分类,以便发现用户的兴趣偏好;通过多维Newman算法进行用户社区的发现,并将社区视为推荐信任域.最后采用改进的协同过滤算法综合用户兴趣偏好和推荐信任域进行微博推荐,以此提高微博推荐的质量.实验结果表明,提出的微博推荐方法是切实有效的.     

一种基于RFM模型的新型协同过滤个性化推荐算法

摘要：为了提高个性化推荐效果及预测准确度,特别是针对传统算法中评分矩阵过于稀疏等问题提出一种新颖的协同过滤算法。该算法首先利用RFM模型合理地筛选用户信息,其次通过黏性客户的消费记录稠密化用户—项目评分矩阵,并改进了传统相似度计算公式。通过仿真实验证实了算法的准确性,最后将其应用于一套具有个性化商品推荐功能的系统原型中,证明了该推荐算法的有效性及实用性。     

基于数据挖掘的个性化智能推荐系统应用研究

在当前家庭数字化日趋普及的环境下,为了给用户提供一种智能型、个性化的多媒体内容推荐服务,通过研究协同式信息过滤技术,结合数据挖掘技术,设计并实现了一个智能型、个性化的多媒体推荐系统。系统可以根据用户的使用习惯、使用时间、使用环境以及最近选择的项目进行分析,进行判断后列出最优推荐资源。系统通过研究个人信息的自我学习技术、个性化特征分析技术以及多媒体内容的搜寻技术,将上述技术应用在推荐服务系统中,具有一定的实际意义。     

基于卷积循环网络与非局部模块的语音增强方法

现有的深度神经网络语音增强方法忽视了相位谱学习的重要性,从而造成增强语音质量不理想。针对这一问题,文中提出了一种基于卷积循环网络与非局部模块的语音增强方法。通过设计一种编解码网络,将语音信号的时域表示作为编码端的输入进行深层特征提取,从而充分利用语音信号的幅值信息以及相位信息。在编码端和解码端的卷积层中加入非局部模块,在提取语音序列关键特征的同时,抑制无用特征,并引入门控循环单元网络捕捉语音序列间的时序相关性信息。在ST-CMDS中文语音数据集上实验结果表明,与未处理的含噪语音相比,使用文中方法生成的增强语音质量和可懂度平均提升了61%和7.93%。     

基于机器学习技术的LTE网络智能优化系统设计

当前LTE网络中各设备厂家通用配置参数和私有无线参数总和已超过8000余个,仅依靠人工经验很难进行精细配置和优化,而且在各类无线场景下的参数配置与网络质量的相关性十分复杂。因此,本文通所描述的工具,通过使用机器学习技术中成熟的个性化推荐算法,让计算机能够自动进行不同无线场景的关键特征提取和分析,从而对LTE小区结构进行特征画像,并在各种精细化的特征场景内进行网络质量多维度评价,实现自动化挖掘和学习各个场景下的局部参数最优配置,并进行平台固化和网优经验共享。同时,基于协同过滤算法,还可按照精细场景特征进行小区粒度参数经验值的自动化学习、推荐和自动设置。逐步建立和完善LTE现网优秀配置经验库,可用于各省一线优化人员充分借鉴已充分优化地区的LTE配置经验,大幅提升各省LTE参数配置效率和准确性     

一种混合式协作过滤服务推荐算法

随着电子商务的飞速发展,服务推荐系统的重要性越来越得到体现。服务推荐技术作为电子商务的重要应用技术之一,为用户正确的决策提供有力的支持和保证。传统的基于协作过滤的服务推荐算法存在无法进行双向推荐的弊端,同时推荐质量有待提高。针对这些不足,提出了一种基于混合式协作过滤的服务推荐算法,考虑用户和服务之间的相似度,实现了双向推荐。实验结果表明,该算法能有效提高推荐质量。     

基于用户分层的电子商务智能信息推荐策略

针对全体用户采用同一推荐方法的传统推荐策略已不能满足当前电子商务企业和用户的要求.取而代之的是以用户为中心,在充分挖掘用户价值的基础上进行有针对性的信息推荐.将电子商务用户分层为新用户、高端用户和普通用户,提出了基于用户分层的电子商务智能信息推荐策略.针对用户的不同,设计有针对性的推荐方法,以实现企业与用户的双赢.实验结果表明,提出的推荐策略和推荐方法是有效的.     

基于ALS协同过滤及频繁项挖掘的混合推荐算法

在信息技术日益发展的当下,不同类型的推荐算法在互联网行业的各领域有着广泛的应用。在目前使用较多的推荐算法中,部分侧重于基于评分的预测,也有部分是基于关联排序生成的推荐序列。本文设计一种混合推荐算法,将交替最小二乘法(ALS)计算的具体评分与Fp-growth的置信度相结合,融合两种算法的优势,从而实现推荐结果优化。基于Spark计算框架的实验表明,在选取合适的算法参数的情况下,这种改进的算法与交替最小二乘法(ALS)的原始结果相比,效率有较明显的提高,能够更准确的为用户做出个性化推荐。