基于局部模型融合的交互式电影推荐系统

【目的】设计并实现一个交互式可视推荐系统,帮助用户理解推荐结果的产生原因,提高使用体验以及对推荐系统的信任。【方法】从用户历史观影标签集合中提取用户偏好特征,通过LDA模型基于此特征对用户进行聚类,并利用SLIM模型对不同用户子群分别训练局部模型,最后利用训练过程的上下文语义信息设计和实现最终的交互式电影推荐系统。【结果】设计了一个交互式的电影推荐系统RecVis,能够可视化推荐原因和用户画像,向用户提供推荐解释和交互反馈功能,以及实时获得根据其交互反馈的感兴趣的最新推荐结果。【结论】通过豆瓣电影数据集的测试,证明了该系统在推荐方面的有效性,并通过一系列案例分析验证了RecVis能够帮助用户理解推荐结果,增加对推荐系统的信任。

知识增强策略引导的交互式强化推荐系统

推荐系统是解决社会媒体信息过载问题的重要手段。为了解决传统推荐系统无法优化用户长期体验的问题,研究人员提出了交互式推荐系统,并尝试使用深度强化学习优化推荐策略。但是,强化推荐算法面临反馈稀疏、从零学习影响用户体验、物品空间大等问题。为了解决上述问题,提出一种改进的知识增强策略引导的交互式强化推荐模型KGP-DQN。该模型构建行为知识图谱表示模块,将用户历史行为和知识图谱结合,解决反馈稀疏问题;构建策略初始化模块,根据用户历史行为为强化推荐系统提供初始化策略,解决从零学习影响用户体验的问题;构建候选集筛选模块,根据行为知识图谱上的物品表示进行动态聚类,从而减少物品空间,解决动作空间大的问题。在3个真实数据集上进行了实验,实验结果表明,KGP-DQN可以快速有效地对强化推荐系统进行训练,其在3个数据集上的推荐准确率均超过80%。

移动终端智能及其在推荐场景的应用

移动智能终端的应用程序中,智能算法的使用场景日益丰富。随着移动终端性能的逐渐增强,移动终端计算可以有效地弥补云计算的高延迟、弱隐私和算力依赖等问题。但受限于移动设备硬件多样性,也为终端计算带来了挑战。因此,越来越多的应用程序的技术模式采用云边协同计算的工程体系。本文通过分析移动终端智能、端云协同的工程体系及其在推荐场景下的实例,帮助读者了解移动端智能应用程序的发展与应用。