基于属性偏好的直觉模糊MAIRCA决策方法

针对不确定信息环境下的应急决策问题,提出一种基于属性偏好的多属性理想现实比较分析法(MAIRCA)。首先,给出MAIRCA框架的一个新的直觉模糊扩展,并定义一种新的专家综合权重和属性偏好权重的计算方法;其次,考虑决策者对各决策属性的偏好信息,构建基于属性偏好的直觉模糊MAIRCA决策方法;再次,通过网络安全的应急决策算例,与现有的多属性决策方法(IF-AHP、IF-MARCOS、IF-TOPSIS、IF-BWM、IF-MAIRCA、IF-VIKOR)进行对比实验,实验结果验证了本文方法的合理性和有效性。最后,通过敏感性分析,动态调整属性权重,对备选方案进行重新排名,所得结果趋于一致性,说明该方法具有较强的鲁棒性。

基于选择实验法的乳制品品质属性偏好与支付意愿研究——以内蒙古酸奶消费者为例

探究乳制品品质属性及其消费偏好与支付意愿对提高消费者购买、辅助生产者决策具有重要意义。本文基于选择实验法,以内蒙古乳制品消费者为对象,运用混合logit模型对酸奶食用品质、营养品质、感官品质、质量安全、价格属性偏好和支付意愿进行研究。结果表明,消费者普遍关注酸奶品质,偏好程度依次为食用品质、质量安全、营养品质和感官品质;消费者年龄、收入、家庭规模对酸奶食用品质有显著影响,而受教育程度对酸奶质量安全有显著影响;消费者对酸奶品质属性水平具有较高正向支付意愿。企业要提高产品丰富度和市场敏感度,动态把握消费者需求,实施差异化营销;政府要提高消费者信任度,严格把控质量安全。

融合属性偏好和多阶交互信息的可解释评分预测研究

已有推荐系统主要基于用户-项目交互矩阵来学习用户和项目的向量表示,而当交互矩阵稀疏时,推荐系统的精度较低,推荐的结果缺乏可解释性.考虑到用户-项目交互行为中的评分标签信息,提出了一种融合属性偏好和多阶交互信息的可解释评分预测方法,并根据属性偏好对推荐结果进行解释.首先,基于注意力机制分析了用户和项目属性信息与评分标签的关系,建模了节点的属性偏好特征表示;然后,聚合了用户-项目交互矩阵中节点自身、交互邻居和评分标签信息,通过图神经网络学习了节点的多阶交互行为特征表示;最后,融合了节点的属性偏好特征和交互行为特征,在异质类型信息空间下学习了用户和项目的语义特征表示,利用多层感知机实现了评分预测,并在MovieLens和Douban数据集上验证了方法的有效性.实验结果表明,所提方法在平均绝对误差(Mean absolute error,MAE)和均方根误差(Root mean square error,RMSE)指标上有效提高了推荐系统的精度,缓解了数据稀疏场景下推荐模型性能较低的问题,提升了推荐结果的可解释性.

融合隐式信任与属性偏好的群组推荐算法

随着互联网和推荐系统的不断发展,推荐服务的对象由单一用户扩展为群组成员,获取并融合组内成员的偏好、提升群组推荐效果成为当前推荐领域研究的热点问题.利用用户提供的多属性评分矩阵,提出一种融合隐式信任与属性偏好的群组推荐算法.首先,基于用户共同评分项目数和多属性评分相似度计算用户间的直接隐式信任,并利用信任传递机制获取用户间的间接信任,降低数据稀疏性.然后,通过计算用户各属性评分与总体评分间的距离来挖掘用户的属性偏好,在此基础上,利用注意力机制学习组内用户权重,将用户偏好聚合为群组偏好,进而结合深度学习框架对候选项目进行预测,生成最终的推荐列表.最后,四个数据集上的实验验证了提出的算法的有效性和可行性,实验结果表明,该算法的准确率、nDCG等评价指标明显优于对比算法.

茶农生物农药属性偏好及支付意愿研究--基于选择实验的实证分析

利用选择实验方法实证分析了茶农生物农药属性偏好和支付意愿。结果表明:(1)茶农偏好"缩短安全间隔期""不提前使用"和"不产生抗药性"的农药属性,但在"缩短安全间隔期"和"针对防治"上存在偏好异质性;(2)茶农愿为优化3类属性多支付16.974、22.250和11.272元/亩/年;(3)种植面积小、受教育年限长、化学农药危害认知程度高的茶农倾向于选择生物农药;(4)生物农药实际支付高于各属性加总的意愿支付,应关注生物农药外部性。

融合用户对项目和属性偏好的协同过滤算法

协同过滤推荐算法是目前推荐系统领域中十分常用的方法。余弦相似度和Pearson相关系数是目前协同过滤推荐算法中计算相似度的两种常用算法。为提高协同过滤推荐算法的准确性,对相似度计算问题进行了研究,针对目前常用的余弦相似度和Pearson相关系数这两种相似度计算方法的不足,通过设计和引入调节因子,分别考虑用户在评分习惯和项目选择上的差异性,以对这两种传统的相似度算法进行优化和改进。另外,考虑到用户的偏好往往与项目所具有的属性有关,设计了衡量用户对属性偏好的参数,通过加权的方式将其与改进后的相似度算法进行融合,提出了一种融合用户评分习惯、项目选择差异及属性偏好的协同过滤推荐算法。在MovieLens数据集上进行的实验表明,相比于传统算法,提出的改进算法更为精确,平均绝对误差和均方根误差得到了明显的降低。

基于属性偏好自学习的推荐方法

推荐系统从海量数据中挖掘出有用信息来学习用户偏好.目前主流研究的推荐算法是在考虑评分数据和社交数据的基础上执行协同过滤算法.协同过滤方法包括传统的用户、商品协同过滤算法和经典的矩阵分解方法.用户、商品协同过滤算法具有可解释性但训练速度慢,矩阵分解模型虽然训练速度快但缺乏解释性.此外,评分数据和社交数据在获取难度上高于属性信息.针对这些问题,提出一种基于属性偏好的自学习算法.该算法在评分数据和属性信息的基础上,首先利用用户对属性的初始偏好程度与属性对商品的评分构建预测评分模型,通过预测评分和实际评分的平方差及正规化项构造损失函数,使用梯度递减方法对损失函数中预测评分模型的属性偏好程度进行迭代训练,最后使用训练后的属性偏好程度和属性值评分来预测用户评分.实验在两个经典数据集上证明了该模型运行时间较快,且在评分数据稀疏的情况优于传统的协同过滤方法和基本矩阵分解模型.

耐用消费品属性偏好对消费者动态满意的影响机制研究——以汽车为例

已有消费者动态度满意的研究大多以日用消费品为研究对象,较少关注耐用消费品。本文构建了一个耐用消费品产品属性偏好对消费者动态满意度的影响机制模型。采用问卷调查法,收集了218位大众汽车车主的消费数据,进行层级回归分析,研究结果表明:偏好功能属性的消费者动态满意度水平保持得较好;偏好象征属性的消费者的动态满意度水平随时间下降得较快;消费者在使用过程中的情绪反应对消费者动态满意度有显著负向影响,且在产品属性偏好与消费者动态满意度的关系中起到了部分中介作用。最后,本文建议:耐用消费品企业应该改变营销理念,更加关注消费者的动态满意度,通过增强功能属性的变动性、正确引导消费者的产品属性偏好、建设同品牌消费者互动社区的方法来减缓消费者的享乐适应速度,从而增强消费者的动态满意度。研究结论不仅能为消费者理智消费提供正确指导,也为耐用消费品企业改变营销理念、制定恰当的营销战略提供有价值的参考。

基于用户项目属性偏好的协同过滤推荐算法

协同过滤推荐系统是广泛应用的推荐技术之一,但是其面临着推荐精度低和托攻击问题。为了提高传统协同过滤推荐系统的推荐精度和抗攻击能力,提出了一种基于用户项目属性偏好的鲁棒协同过滤推荐算法。该算法在用户相似性计算过程中引入用户项目属性偏好相似性,并通过动态加权因子与传统的用户评分相似性进行组合,获得用户的综合相似性,在用户共同评分项匮乏的情况下也可以根据相同的项目属性偏好度量用户相似性,缓解评分数据稀疏性。在预测评分阶段,根据用户项目属性偏好类型条件过滤最近邻集合中的攻击概貌,消除攻击概貌对评分预测的不良影响,提高系统的抗攻击能力。实验结果表明,该算法可以有效提高推荐系统的推荐精度和抗攻击能力。

结合分析法下大学生工作属性偏好研究

以307名大学生为被试,通过结合分析的实验设计和统计分析研究了职业决策中工作属性的偏好情况。研究结果显示,结合分析法下得到的工作属性权重与被试自评得到的工作属性权重有显著的差异性。在所选的四个重要工作属性上,结合分析法得到的权重最重要的工作属性是职业晋升的机会,其次为收入、工作所在地,最后是岗位与兴趣的一致性,结果还显示被试大学生的工作属性偏好在性别、年级、生源地上也是有差异性的。

融合用户属性偏好相似性的协同过滤推荐算法研究

传统协同过滤推荐算法的用户相似性计算模型中只分析了用户的评分相似性,却没有考虑用户的属性偏好对用户评分的影响。针对此问题,本文根据用户评分与项目属性信息分析用户对不同属性的偏好度,通过加权的方式将用户属性偏好引入原有的相似性计算模型中。实验表明,在相同K值下,与传统协同过滤算法相比,本文提出算法的准确性平均提升了0.42。

基于卷积神经网络交互的用户属性偏好建模的推荐模型

潜在因子模型(LFM)以其优异的性能在推荐领域得到了广泛应用。在LFM中除了使用交互数据以外,辅助信息也被引入用于解决数据稀疏的问题,从而提升推荐的性能。然而,大多数LFM仍然存在一些问题:第一,LFM在对用户进行建模时,忽略了用户如何根据其特征偏好对项目作出决策;第二,采用内积的特征交互假设特征维度之间是相互独立的,而没有考虑到特征维度之间的关联。针对上述问题,提出一种新的推荐模型:基于卷积神经网络(CNN)交互的用户属性偏好建模的推荐模型(UAMC)。该模型首先获得用户的一般偏好、用户属性和项目嵌入,然后将用户属性和项目嵌入进行交互,以探索用户不同的属性对不同项目的偏好;接着将交互过的用户偏好属性送入CNN层来探索不同偏好属性的不同维度的关联,从而得到用户的属性偏好向量;接着使用注意力机制结合用户的一般偏好和CNN层得到的属性偏好,从而获得用户的向量表示;最后采用点积来计算用户对项目的评分。在Movielens-100K、Movielens-1M和Book-crossing这三个真实的数据集上进行了实验。实验结果表明,所提模型在均方根误差(RMSE)上与稀疏数据预测的神经网络分解机(NFM)模型相比分别降低了1.75%、2.78%和0.25%,验证了在LFM的评分预测推荐中,UAMC在提升推荐精度上的有效性。

一种决策风险代价与属性偏好融合的适应性决策树算法

针对现有决策树模型在分类过程中不能充分考虑决策精度、决策者的属性偏好以及决策风险因素的影响问题,提出一种决策风险代价与属性偏好融合的适应性决策树算法.算法结合决策粗糙集和代价敏感学习问题,引入用户偏好程度和决策风险损失函数的概念,根据贝叶斯最小风险决策原则,计算决策风险代价,通过构建适应度函数作为启发式函数选择划分属性,从而建立决策树模型.在决策树构建过程中,使用置信因子概念对决策树进行剪枝,以防生成的决策树过于庞大.实验结果表明该决策树算法是有效的,能充分考虑决策者的属性偏好和因决策的不确定性产生的误分代价,实验参数的设置可以增强算法的适应性,满足不同应用领域的需求.

基于项目属性偏好的个性化推荐技术

针对传统协同过滤算法当用户项目评价矩阵呈数据稀疏状况时存在不足这一问题,提出了一种基于项目属性偏好的协同过滤算法。该算法基于用户的特定属性偏好值计算用户之间的相似度,并在此基础上进一步预测用户对项目的具体属性未评分部分的评分,以此改善原始用户项目评价矩阵的数据稀疏状况,获得稠密数据。最后采用相应的协同过滤算法实现基于项目属性偏好的个性化推荐。该方法通过实践验证,能够很好地提升项目推荐的效率。

消费者蔬菜属性偏好及支付意愿研究——基于选择试验法的消费者调查

在食品消费中,蔬菜是居民日常生活中必不可少的组成部分,随着经济消费水平的提高,其消费量不断增加,居民对蔬菜的质量、安全、口味等要求也在慢慢发生改变。通过实地调查江苏省南京市304位消费者,引入选择试验法对消费者的选择偏好进行研究,结合实证获取数据,分析现今消费者的蔬菜消费偏好及其支付意愿,为蔬菜生产对接提供决策支持和建议。结果发现,消费者整体上偏好新鲜、质量好的蔬菜,且对应季与否、口味品种等属性提出了更高的要求,消费者愿意为其偏好多支付一定的金额,但在地点选择上消费者的实际行动与意愿并不吻合。

住房市场刚需和改善购房人群区位与属性偏好分析——以广州市为例

房产作为城市的有限资源,如何分配才能使城市更加有效运转,保证社会公平正义,是城市的重要议题。通过分析首次置业人群与改善换房人群的购房区位、属性偏好,探明其购房的具体需求,为农转非背景下城市规划提供建议。

基于用户细粒度属性偏好聚类的推荐策略

【目的】针对推荐系统研究中主要依赖用户对项目的评分信息所带来的稀疏性问题,提出一种基于细粒度属性偏好聚类的新型推荐模型。【方法】首先对项目-属性关系和用户-属性偏好进行建模,然后采用聚类方法分别从用户和项目两个角度构建相似簇,最后基于用户簇或项目簇采用协同过滤算法生成推荐列表。【结果】基于豆瓣数据集的实验结果表明,所提模型在准确率和召回率上均表现最优,均值较次优方法分别提升了19.7%和44.6%,验证了用户属性建模和聚类策略的有效性。【局限】在多维细粒度属性信息的表征和建模上需要进一步探究。【结论】基于用户细粒度属性偏好建模能更深层次地表征用户兴趣,从而实现推荐效果的提升。

基于属性值偏好矩阵的协同过滤推荐算法

传统的协同过滤推荐算法面临用户评分数据稀疏性和冷启动问题的挑战。针对上述问题，提出了基于属性值偏好矩阵的协同过滤推荐算法，首先采用奇异值分解（SVD）对用户一项目评分矩阵降维得到目标用户的初始邻居用户集，生成新的用户一项目评分矩阵；然后将用户评分映射到相应的项目属性值上，生成每个用户的属性值偏好矩阵，并基于属性值偏好矩阵进行用户相似性度量，从而缓解了评分数据稀疏性；将新项目的属性值与用户的属性值偏好矩阵进行匹配，从而找出匹配度最高的前Ⅳ个用户作为新项目的推荐受众。实验结果表明了该算法的有效性。

基于偏好的多属性群知识系统

提出了基于偏好的多属性群知识系统模型,定义了封闭的处理偏好值的运算法则,得到具有偏好的多属性知识系统,并采用基于优势关系的粗集理论来处理给定问题中具有偏好属性间的冗余及依赖,由约简后的偏好属性决策表导出偏好决策规则。通过实证分析表明,该方法可获得认可的知识规则,能取得有实际意义的结果。

利用用户不偏好项目属性提高项目协同过滤算法效率和精度

针对传统项目协同过滤算法选择最近邻时需要计算待评分项目与所有其它项目之间的相似度而导致算法效率和推荐精度低的缺点,提出一种基于用户不偏好项目属性的项目协同过滤算法.该算法通过对用户评分偏低的项目属性进行归一化计数并设定阈值,从而将其分为用户不偏好项目属性和非用户不偏好项目属性.只有在其它项目与待评分项目同时具有用户不偏好项目属性或同时都不具有用户不偏好项目属性时,该项目才作为待评分项目最近邻的备选项,才需要计算两项目之间的相似度.该算法通过减少备选最近邻项目集大小和需要计算项目相似度的个数,提高了算法效率;与此同时,由于不合理项目已提前从备选最近邻项目集中排除,选取作为评分预测的最近邻会更为合理,推荐精度也会提高.在数据极度稀疏的Movie Lens-100K数据集上的五折交叉验证结果表明,相较于传统的项目协同过滤算法、基于项目偏好相似的项目协同过滤算法,该算法有更高的效率、精度和覆盖率.