一种分层注意力机制与用户动态偏好融合的序列推荐算法

针对现有的序列推荐算法通常仅采用单一项目信息来捕获项目的潜在特征,以及循环神经网络存在时间依赖性随序列中位置单调变化的问题,提出一种分层注意力机制与用户动态偏好融合的序列推荐算法.首先,针对单一项目信息不足以学习项目准确表示的问题,提出一种分层注意力机制用于学习高质量的项目表示.其次,针对循环神经网络的时间依赖性严重损害了用户近期偏好建模的问题,引入文本卷积神经网络来提取循环隐藏状态之间的短期序列模式,并根据用户意图将用户长期偏好与近期偏好进行动态融合.此外,针对传统自注意力机制无法对序列中元素的相对位置信息进行建模的问题,对现有的自注意力机制进行了改进,充分捕获序列中元素的相对位置信息.并在公开数据集MovieLens-1M与Amazon-Book上与现有优秀算法作比较,实验结果证明了所提算法的有效性.

一种融合用户动态偏好和注意力机制的跨领域推荐方法

作为当今电子商务中的一项重要技术,推荐系统的重要性日益提升.在项目空间上用户的评分数据十分稀疏,导致推荐系统的质量不佳.商品评论中蕴含着丰富的信息,通过提取评论文本信息能够有效地减少数据稀疏性带来的影响.事实上,用户的偏好并非一成不变的,将不同时间段设置不同的权重能更有效地描述用户的整体状况.在神经网络算法广泛应用的背景下,将神经网络引入到跨领域推荐中可以发现不同领域用户偏好的映射关系.此外,注意力机制是一种流行的深度学习方法,将注意力机制与主题模型结合,提出一种基于注意力机制的跨领域推荐方法.首先,使用LDA(Latent Dirichlet Allocation)主题模型分别提取源领域和目标领域的项目主题分布.接着,将其与用户评分、时间权重因子、注意力机制结合,得到用户的动态偏好.然后,使用BP(Back Propagation)神经网络学习用户偏好的映射关系,并将用户在源领域与目标领域的偏好结合.最后,通过协同过滤的方法进行评分预测.实验结果表明,提出的推荐方法在亚马逊电子商品、影视与以及音乐的评分评论数据集上较其它传统推荐策略有着更好的推荐效果.

从冯·莱特的两个问题谈起——评刘奋荣的《动态偏好逻辑》

刘奋荣的《动态偏好逻辑》虽然也以冯·莱特的《偏好逻辑》为逻辑起点,然而却表现出了自己的独特优势:在方法论上采用了最新的动态认知逻辑的研究方法;在模态的偏好逻辑的基础上给出了偏好逻辑的动态形式——动态偏好逻辑;利用优先序列对偏好的原因进行了刻画;对偏好和信念的关系进行了系统的探讨;等等。

直觉模糊环境下考虑用户动态偏好的云服务选择方法研究

云制造平台上集中了大量云服务,如何为没有专业知识的用户选择合适的云服务是一个重要的挑战。云服务选择过程中,当用户处在产品生命周期的不同阶段时,用户偏好随时间动态发生变化,进而对云服务QoS属性的偏好程度发生变化,这将直接影响云服务选择结果。因此,本文提出一种考虑用户动态偏好的云服务选择方法。首先,云服务QoS属性存在多种数据格式,故使用直觉模糊数处理异构的QoS数据。其次,在直觉模糊环境下采用熵权法确定用户初始偏好,进而使用马尔可夫链确定用户的动态偏好。最后,在直觉模糊环境下采用VIKOR方法评估备选云服务。实验结果表明,本文方法可以有效地帮助处在产品不同生命周期的用户选择满意的服务,且在不同的场景下,本文提出的方法是可靠的。

基于动态偏好机制的学生群体演化合作研究

社交网络具有随机性和复杂性的特点,针对大学生群体中社交关系的异质性以及动态变化情况,构建博弈模型并设计动态偏好机制用于模拟和促进学生在交互网络中的合作行为。在该机制中,首先构建了加权网络用于描述学生交互网络的异质性;然后通过学生动态的交互关系,模拟学生的社交偏好。仿真结果表明,该机制能够有效促进合作者密度。为了进一步验证该机制在学生群体交互中的有效性,通过线下社交网络收集系统收集学生群体的交互行为信息并构建交互网络,通过数据分析发现学生群体在动态偏好机制下更愿意与其他个体进行交流。研究结果对学生合作行为演化具有参考作用。

一种面向动态偏好的交互式多目标查询

同一问题的迭代查询之间存在关联,且不同查询间用户偏好动态变化.但现有查询算法只是将不同查询独立处理或默认查询间偏好固定不变,本文提出一种可有效利用查询间关联关系且支持动态偏好的查询处理算法IMQD;定义一种结果集质量度量方法,取值在[0,1]区间内且取值越大越优.IMQD算法旨在使结果集质量更高,将查询处理过程分为三个步骤:首先确定初始候选集;然后通过用户交互获取调整后的偏好阈值,对当前候选集进行调整,使结果集质量取值更大;用户根据当前结果集质量判定是否终止查询.在模拟和真实数据集上验证IMQD算法可提升结果集质量且拥有良好交互性能.一旦用户偏好发生变化,算法可在毫秒级内完成对结果集的自适应调整.

时序地理社交网络中基于动态偏好的组查询

在新生活体验与社交影响的驱动下,用户偏好随时间不断改变。为弥补现有的地理社交网络模型往往无法获取用户动态偏好的不足,构建了能够检测用户动态偏好的时序地理社交网络模型,以及用于用户动态偏好评估的动态偏好值模型,并提出了一种基于动态偏好的组查询(DPG)。为优化DPG查询算法效率,设计了UTC-tree索引用户时序签到记录。UTC-tree避免了在查询中遍历全部的用户签到记录,加速用户动态偏好评估。最后,采用DPG查询算法实现了交互良好的DPG查询系统,并通过大量对比实验验证了UTC-tree的有效性以及DPG查询的可扩展性。

面向用户动态偏好的科技论文推荐:一种基于注意嵌入的知识图谱方法

科技论文推荐系统是解决论文数据库中信息过载的有效途径。本研究提出了一种基于注意嵌入的知识图谱方法用于科技论文推荐任务,以提升论文推荐的效果。首先构建一个协同知识图谱以整合研究人员行为与论文属性信息,并通过Trans R方法优化节点向量表达;其次引入注意序列模块,通过注意传播机制学习节点特征,并利用序列注意机制从阅读序列中捕捉研究人员的时序偏好;最后,模型通过计算研究人员与候选论文之间的匹配分数,生成个性化推荐列表。在NJUBlockchain平台提供的数据集上进行的实验验证了模型的有效性。实验结果表明,所提模型在推荐召回率上有显著提高,能够更精准地捕捉研究者的动态兴趣。这一研究不仅提高了科技论文推荐系统的效果,也为理解和预测研究人员兴趣演变提供了新的视角和工具。

面向空间信息智能分发的动态化用户偏好模型研究

用户偏好模型的构建方法是制约空间信息智能分发理论取得进展的关键瓶颈。现有的空间信息智能分发算法和系统存在空间范围定位不准确、效用度计算存在偏差等缺陷,且大多关注用户的检索行为对偏好模型的贡献却均未考虑时间因素的影响,也很少注意到用户反馈的作用。鉴于此,对现有文献的理论和算法进行扩展,通过引入区域数、兴趣度、兴趣度密度等概念和算法,以及权值衰减函数和用户信息反馈等动态化因素,使模型能够更为准确、及时地随着用户偏好特征的变化进行修正。试验表明,相较于传统的静态模型而言,该模型能够更为有效地反映用户偏好特征的变化。

具有动态指标偏好的多指标决策方法

针对多指标决策中客观决策与决策者主观决策不一致的问题,在决策者偏好分析的基础上,提出决策者指标敏感函数的基本概念及其构造方法,进而给出一种较为常见的指标敏感函数类型。然后通过引入决策者指标敏感函数来修正指标权重,使多指标决策过程体现决策者的指标偏好动态变化,并进一步给出动态指标权重的定义和性质。最后进行了实际应用。

基金经理存在动态流动性偏好吗?——基于中国基金市场的证据

本文运用2007年1月~2014年6月中国开放式股票型基金作为研究样本,通过构建市场流动性指标、基金流动性偏好指标、基金的流量指标等探讨了基金经理是否存在基于市场流动性的动态流动性偏好。研究结果表明基金经理存在动态流动性偏好行为:基金经理预期市场流动性差时,会持有更多流动性好的股票,而减持流动性差的股票;而当预期市场流动性加剧变差时,基金会增加流动性资产的持有,而减少非流动性资产的持有;同时,中小盘基金与大盘基金的动态流动性偏好差异,中小盘型基金会显示出更强的流动性偏好,从而会提高股票配置中高流动性股票的配置。最后,本文还针对指数基金的实证检验,从反事实的角度验证结论的可靠性。

融合动态研究偏好和社交信任的潜在科研合作者推荐研究

从海量科研数据中自动发现潜在合作者是科研合作预测研究的热点。鉴于学者研究兴趣随时间变化以及人们更倾向于与具有一定学术社交关系的学者合作,本文提出一种融合学者动态研究偏好和学术社交信任的潜在科研合作者推荐模型SimTrustRec。首先,利用LDA (latent Dirichlet allocation)模型学习已发表论文的主题分布,挖掘学者动态研究偏好特征,计算学者间研究偏好相似度;其次,根据论文中学者、单位共现关系构建学术社交网络,计算直接学术社交信任值,根据信任的传递性,计算间接学术社交信任值;最后,融合研究兴趣相似度和学术社交信任值计算学者间潜在合作的可能性,生成潜在合作者推荐列表。真实数据集ArnetMiner上的实证研究结果表明,相对于已有方法,本文方法在召回率、命中率、平均倒数排序方面均有一定的提升。

基于用户偏好动态变化的协同过滤推荐

传统的协同过滤方法利用用户评分数据来生成推荐,没有考虑评价时间和项目类别等其他信息,影响了系统推荐的质量。本文提出一种基于用户偏好动态变化的个性化推荐模型,该方法在基于项目类别的基础上,为用户评分时间距离现在较近、较远和周期性评分分别赋予不同的权重。从MovieLens数据集的实验结果表明,该方法消弱了历史短期偏好对推荐质量的影响,准确地反映了用户偏好的动态变化,有效地提高了推荐的准确性。

融合动态兴趣偏好与特征信息的序列推荐

传统的序列推荐通常忽略用户和项目特征信息的重要性,且无法有效对动态的兴趣偏好进行建模.因此,提出融合动态兴趣与特征信息的序列推荐算法.该算法通过对目标项目进行动态兴趣建模,克服兴趣转移带来的影响;同时融合用户和项目特征信息模拟真实的用户行为以提高推荐的性能.首先,针对动态兴趣建模,采用辅助函数应用下一个行为监督上一个隐藏兴趣状态的学习,并采用带注意力机制的门控循环单元为不同的兴趣状态对目标影响程度赋予不同的权重;然后,针对用户和项目特征信息特征融合,采用平凡注意力机制为影响目标项目的特征赋予不同的权重,并通过多头注意力机制进行深层次的特征提取;最后,融合用户动态兴趣表示和用户项目特征表示输入到多层感知机.在Yelp和MovieLens-1M数据集上进行仿真实验,结果表明提出模型的性能比一些基线模型有较好的提升.

流域水资源调度多目标时变偏好决策方法及应用

传统多目标决策方法难以刻画流域水资源系统调度周期内多目标互馈关系及需求动态变化,可能导致关键时期特定目标保障不足。为弥补该缺陷,提出多目标时变偏好决策方法。以金沙江下游为例,分析发电与生态目标需求的时空变异性,构建并求解两目标随时程变化的Pareto前沿簇,量化各时期目标间竞争强度,基于灵敏比的非支配关系,定量识别各调度时期决策人的目标偏好,形成偏向度决策支持集,建立多目标时变决策模型。结果表明:考虑时变偏好的决策方法,其动态累积Pareto前沿可以支配传统静态Pareto前沿;相较于传统方法,研究区全年增发电量0.7亿kW·h,全年和关键生态期生态效益分别提升8.06%和2.83%,可以在保持发电效益的同时显著优化生态效益,并提高关键时期生态需求的保障程度。

开放式股票型基金动态流动性管理研究:基于市场流动性视角

基金的流动性管理行为受其流动性需求和投资性需求共同决定,而市场流动性能够预期基金未来的流动性需求和投资性需求,据此提出基于市场流动性的动态流动性偏好假说,即当基金经理预期未来市场流动性变差时,将主动持有流动性好的组合或增加持股流动性,以应对未来基金的大量和资产的流动性溢价反转,使用2007年1月至2014年7月之间的中国开放式股票型基金数据作为研究样本对基金的动态流动性偏好假说进行实证研究,结果发现存在基金经理基于市场流动性的动态流动性偏好行为;且基金经理基于市场流动性的动态流动性偏好行为有助于改善其基金业绩。

个性化微博实时推荐模型研究

微博作为一种具有代表性的社交新兴媒体,为用户提供实时的、个性化的信息服务,可以让用户从海量信息中快速获取自己感兴趣的、实时的信息.提出一种个性化的实时微博推荐模型(Personalized and Real-Time recommendation model,PRT),为了提高推荐的效率和准确性,PRT基于LDA主题模型获取用户动态偏好,根据用户偏好把用户分为不同的用户组,为用户组提供整体的局部推荐列表.PRT根据用户上次浏览微博时间t0的不同,为用户推荐从t0到当前时间发布的微博,满足用户对微博推荐的实时、个性化需求.本文使用从新浪微博获取的真实数据验证了模型的高效性和准确性,和算法CT比较,个性化实时推荐模型PRT的准确率提高了10.6%,召回率提高了8.4%,为用户提供了更准确的推荐.

个性化搜索引擎

随着网络上的知识不断暴涨,用户要求快速、有效地获取网络资源,该文提出了一种通过产生用户动态偏好来达到个性化搜索的方法,通过对搜索结果作一种基于内容的按名分类算法来为用户创建一个以RDF的形式表达的动态偏好。通过对RDF偏好文件的聚类来发现用户社区,产生相应的用户社区偏好。在搜索过程中,通过对该用户及其所属社区的偏好来分析。对搜索结果按重要性排序,达到了用户个性化搜索的目的。

元搜索引擎的个性化

提出一种通过产生用户动态偏好来达到个性化搜索的方法.利用RDF的语义表达能力存储和优化基于访问记录的用户偏好,并采用聚类方法划分用户群,实现对用户偏好的有效管理.给出了元搜索引擎选择算法和搜索结果排序算法,实现了一个个性化的元搜索引擎.实验表明,该搜索引擎提高了查询准确率和使用效率,并能够根据用户及其所在群的历史偏好信息重新组织搜索结果.

面向在线健康社区的融合时间特征个性化推荐算法研究

[目的/意义]从在线健康社区用户兴趣的动态迁移性出发,将时间特征融入社交关系和个人偏好,完善在线健康社区个性化推荐算法,进一步提高用户获取健康信息的准确性。[方法/过程]首先,从用户社交关系出发,构建融入时间特征的用户影响关系网络;其次,依据用户个人偏好,构建融入时间特征的用户话题帖匹配矩阵;最后,将两者融合得到用户话题帖兴趣评分矩阵,据此形成每个用户的TOP-N推荐列表。[结果/结论]构建的融合时间特征的个性化推荐算法可提高推荐的准确度,提升在线健康社区个性化推荐算法的性能。