排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
传统推荐算法通过主题模型或者词语向量化的平均值对文本内容进行映射。针对现有方法不能充分利用文本信息或忽略词序信息这一问题,文中面向科学文献,提出了一种多任务学习推荐方法。该方法基于多任务学习框架,设计编码器并搭建了GL模型。该模型被训练为内容推荐与文本元数据预测的组合,可改善传统协同过滤的稀疏性问题,使得协同过滤模型正则化。最后,分别在公开数据集与私有数据集上进行了评估测试,结果表明所提方法性能优于现有的经典方法。 相似文献
4.
一个良好的搜索引擎能够及时响应并为用户生成相关的文档列表,并保证用户能够对所提供的文档列表产生兴趣。本文主要对在线数字资源查询情境下的用户行为进行研究,通过研究用户在线查阅数字资源时的行为动作来推荐用户感兴趣的潜在信息。将用户在线查阅资源定义为三种不同的动作方式,即“快速浏览”“查阅查看”和“下载确定”,分析这三种动作之间的关联度;并重点研究从“查阅查看”中推断出“快速浏览”的模型。本文首先对用户行为模型的可预测性进行分析;随后给出总体设计框架,并递进性地设计三种模型;最后通过实验对所设计模型进行测试评估,证明了所设计模型的优越性。 相似文献
1