一种融合人口统计属性的协同过滤算法

协同过滤算法基于用户-物品评分矩阵预测目标用户对物品的评分,然而评分稀疏性限制了该技术的发展;另一方面,用户人口统计属性反映用户偏好,能够用来判断用户之间的相似度.基于此,提出一种融合人口统计属性的协同过滤推荐算法.首先对用户基于人口统计属性聚类,进而定义物品的类内流行度,通过在传统相似度计算方法上融合物品类内流行度,体现用户在人口统计属性上的相似度,以此来提高最近邻寻找的准确性.在Movie Lens数据集上的实验结果表明,与传统协同过滤方法比较,本文提出的方法能够有效提高推荐精度.

融合人口统计属性的药品推荐算法

本文在计算用户评分相似度的基础上,引入了用户人口统计属性相似度。将用户评分相似度和人口统计属性相似度进行加权线性融合得到用户相似度,根据用户相似度为目标用户选取相似邻居集。最终为目标用户产生推荐。最后通过仿真实验验证了该算法的有效性。

团队多元化对团队绩效影响的研究综述——基于美国学者的研究

学术界关于团队多元化与团队绩效关系的研究,主要集中在人口统计属性、团队过程及团队绩效三个方面。团队过程作为人口统计属性与团队绩效间的桥梁,发挥着关键作用。回顾近20年美国学者关于团队多元化与团队绩效关系研究的电子文献,学术界对于其关系的研究呈现复杂结果。基于研究欠缺之处及复杂结果背后的可能成因,提出人口统计属性互动效应、统计样本分布状况及控制变量研究议题。

面向人口属性预测的词嵌入构建方法

本文探讨如何从用户购买数据中学习出高质量词嵌入,以让模型据此实现高效的人口属性预测任务。首先分析购买数据并对其进行编码,并在此基础上构建嵌入向量生成模型,之后用样本数据训练该模型,然后用神经网络程序实现该模型,最后通过实验验证该模型的可行性和高效性。提出的模型不仅能将具有大量模态的分类特征数据转换为低维的高质量词嵌入,而且能让模型据此实现高效的人口属性预测,此外具有较广泛的通用性。提出的方法不仅可扩展到大型数据集,而且能适用于不同领域的数据集。学习到的高质量词嵌入有助于大量下游非语言任务的开展,例如人口属性预测、情感分析、社区检测或社交网络上的概率推理等,从而为新型推荐引擎提供支持。