RM-RT^(2)NI:融合评论时效与可信近邻影响力的推荐模型

基于矩阵分解的推荐模型虽然能够处理高维评分数据,但容易遭受评分数据稀疏性的困扰。基于评分和评论的推荐模型通过外加隐藏在评论中的用户偏好与物品属性信息,缓解了评分数据的稀疏性,但在特征提取时大多没有关注评论时效性和可信近邻影响力,无法获得更丰富的用户和物品特征。为进一步提高推荐精度,提出了融合评论时效与可信近邻影响力的推荐模型RM-RT^(2)NI。基于评分矩阵,该模型使用矩阵分解提取了用户偏好和物品属性的浅层特征,利用云模型和修正的用户相似度评估模型和新构建的信度评估模型提取出可信近邻影响力;基于评论文本,该模型利用BERT模型获得每条评论的隐表达,利用双向GRU提取评论间的联系,利用新构建的融合时间因子的注意力机制识别各评论的时效贡献度,以获取用户和物品的深层特征。在此基础上,将用户浅层特征、深层特征以及可信近邻影响力特征融合成用户特征,将物品浅层特征和深层特征融合成物品特征,并将它们输入全连接神经网络以预测用户-物品评分。在5组公开数据集上对RM-RM-RT^(2)NI的推荐性能进行了实验评估,结果显示,与7个基线模型相比,RM-RT^(2)NI具有更高的评分预测精度,且RMSE平均降低了3.0657%。

数据融合视域下虚拟知识社区知识推荐模型构建

文章采用扎根理论方法分析虚拟知识社区用户需求,构建虚拟知识社区用户知识需求框架,在此基础上提出虚拟知识社区数据融合方法,进而构建基于数据融合的虚拟知识社区知识推荐模型,并从用户画像、情感感知、社交网络3个角度提出虚拟知识社区知识推荐优化路径。

英语单词学习推荐模型在教学改革中的应用研究

在人工智能技术的背景下,文章主要探讨了英语单词学习的推荐方法。其中,建立了1个基于人工智能的英语单词学习推荐模型,该模型利用用户的学习行为数据和单词特征进行训练,旨在为用户提供个性化的单词推荐。实验验证结果显示,相较于传统方法,该模型具有更高的准确性和可靠性,能够有效提升英语单词学习的效果。

融合社交关系和时序特征的图神经网络推荐模型

为解决推荐模型中的用户信息缺失和用户动态偏好问题,满足用户个性化需求,提出一种融合社交关系和时序特征的图神经网络推荐模型。该模型先构建社交关系图,并通过注意力机制得到基于社交关系的用户潜在特征;再构建用户-项目交互图,利用门控循环单元和注意力机制捕获交互信息,分别获得用户的时序特征和项目特征;最后将用户潜在特征与时序特征融合得到新的用户特征,并将其与项目特征进行融合,经过多层感知机得到最终推荐结果。在不同数据集上进行实验,结果表明,该模型能更好地处理用户信息缺失和用户动态偏好问题,进而提升推荐性能。相较于经典的图神经网络推荐模型,该模型的精确率和归一化折损累计增益比分别提高了4.0%和4.1%。

基于多特征的深度神经网络混合推荐模型研究

近年来,深度学习广泛应用于推荐系统领域,并受到了极大的欢迎。然而,将混合推荐与深度学习技术相结合的研究还处于起步阶段。将深度学习技术应用于混合推荐,设计了一个基于多特征的深度神经网络混合推荐模型(MFDH),通过将深度学习技术和多层感知机技术相结合,从多角度自动学习用户和项目之间的交互,更全面地反映出用户的偏好。在两个不同的公开数据集上进行了实验,结果证明,该模型相比基线模型有较高的推荐质量。

基于高阶和低阶交互关系的深度学习推荐模型研究

[目的/意义]针对缺乏辅助信息的场景,为更好地挖掘用户偏好,从用户项目间的交互信息中挖掘高阶关系特征,并综合考虑全局和局部层次上的交互关系,提出一种基于高阶和低阶交互关系的深度学习推荐模型(HLRec)。[方法/过程]从原始交互数据中构建超图和二分图两种子图,分别显式建模用户项目间高阶和低阶交互关系;使用关联矩阵表示高阶交互关系特征,异构图神经网络提取低阶交互关系特征;融合高阶与低阶交互关系特征,并输入到深度生成模型变分自编码器(VAE)中学习用户和项目的表示向量;根据模型预测的用户项目间匹配概率完成Top-k个性化推荐。使用公开数据集MovieLens-1M验证提出的模型。[结果/结论]实验结果表明,在Top-20推荐中,与相关基线模型相比,本文模型的Recall、Precision和NDCG分别提高了4.18%、3.20%和3.41%。

基于对比学习的延长增强推荐模型

针对现有模型因数据稀疏而导致推荐效果不佳的问题,提出了一种基于对比学习的延长增强推荐模型。首先,通过对交互序列反向延长以获得具有丰富上下文信息的增广序列;其次,为避免现有对比学习正样本生成方式可能会破坏序列语义的问题,将增广序列与原序列进行对比学习以提取两者之间的相似语义;最后,联合训练生成对抗学习任务和对比学习任务以充分挖掘增广序列中丰富的语义特征,从而进行更好推荐。在3个真实数据集上的实验结果表明,所提算法相较于生成对抗网络基线ELECRec和对比学习基线EMKD,评价指标命中率、归一化折损累计增益分别提升了44.3%、43.0%和31.8%、38.7%,验证了所提算法对缓解数据稀疏问题的有效性。

基于深度学习推荐模型的电力市场售电套餐推荐方法

针对售电公司如何在海量售电套餐中精准地为用户进行产品推荐,以及电力用户如何在众多的产品中挑选出符合自身需求套餐的双难问题,提出了一种基于深度学习的深度兴趣进化网络(deep interest evolution network,DIEN)售电套餐推荐算法。首先,将多种推荐模型进行比较,验证DIEN的表现;其次,对模型中的兴趣进化层结构与超参数进行解析;然后,针对DIEN模型在电力市场应用领域的“长尾效应”,在原始模型的兴趣提取层与用户向量之间引入两种门控机制;最后,进行算例分析,结果表明所提方法可在现有基础上提高电力用户的用电套餐适配率,提升电力公司的市场竞争力与电力公司和用户的双向收益。

基于多子图的图卷积网络推荐模型

随着深度学习的崛起,将图卷积网络应用到推荐模型中,虽然带来了显著的性能提升,但同样面临着过平滑问题——随着网络层数的增加,所有节点的嵌入表示变得相似,失去了原有的差异化信息,导致模型的表征能力下降,影响推荐性能。本文提出一种基于多子图的图卷积网络推荐模型(MSGCN),该模型在子图中进行高阶嵌入传播。子图由具有相似偏好的用户及其交互的物品组成。为了生成子图,采用图注意力网络对用户节点进行分类并划分到相应的子图中。改进后的模型避免了在高阶嵌入传播层中将差异显著的节点强行关联,缓解了图卷积网络模型在训练过程中常遇到的过平滑现象。通过在三个数据集上实验来验证MSGCN的有效性。实验结果表明,MSGCN模型相较于最优模型在Recall@20分别提升4.51%,6.69%和10.61%,在NDCG@20分别提升5.89%,10.93%和11.71%。

利用共有属性采样改进的RippleNet推荐模型

针对RippleNet模型推荐结果中存在的用户兴趣属性失真问题,提出一种利用共有属性采样改进的推荐模型Ripple-Net-CA。首先,该模型通过共有属性采样替代原模型的随机采样,来重构知识图谱上的扩展偏好集合(RippleSet),基于增加RippleSet内部节点间的共有属性频数、增强多跳扩展偏好之间的相关性,来提高用户特征包含的信息量。此外,将用户特征和物品特征送入模型,计算用户点击物品的概率,通过排序点击概率得到top-k推荐。实验结果表明,该模型在用户历史偏好多样的场景下,推荐结果更加符合用户的偏好习惯,推荐指标AUC(Area Under Curve)和多样性均获得了相应提升。

融入用户反馈的网络知识社区好友推荐模型构建研究

[目的/意义]从用户相似度计算和用户反馈双重视角出发,进行高质量用户推荐,有利于提高网络知识社区个性化推荐水平。[方法/过程]首先基于爬虫工具和Python包进行用户属性数据采集和分析,以计算用户之间的背景、社交关系、博文信息的综合相似度;然后再计算用户核心度,基于相似度矩阵和核心用户排名形成待推荐列表;最后引入用户反馈机制,并根据用户的正负反馈结果确定最佳Top-k好友。[结果/结论]融入用户反馈的好友推荐模型能够提高推荐用户的质量,有效地提高好友推荐水平,也验证了好友推荐是一个逐步修复的过程。

基于知识图谱的用户特征-关系推荐模型在电力安全教育中的应用

电力安全教育中员工群体分布的长尾特征,导致采样到的用户交互数据具有明显的稀疏性,使用传统推荐算法无法获得理想的效果,为此文章提出了基于知识图谱的用户特征-关系推荐模型。建立一个基于多任务迁移学习的神经网络,通过引入F-R单元实现了用户特征与实体关系的深度聚合,能识别出对推荐有重要影响的“用户特征-实体关系”组合,并通过神经网络挖掘其内在作用规律,从而利用实体关系信息强化了用户特征对推荐算法的影响,显著提升了模型的预测性能。实验证明,本模型能够有效解决电力安全教育场景中‘长尾’群体用户交互数据的稀疏问题,明显缓解冷启动效应。

基于多维数据融合的个性化旅游信息推荐模型研究

为了更好地促进旅游信息个性化推荐效果的提升,需对用户行为信息进行深度挖掘。文中基于多维数据融合,构建并研究了个性化旅游信息推荐模型。首先,结合用户的历史浏览、检索、点赞及评论数据,分析用户对不同景区的兴趣度。其次,结合用户的旅行次数、旅行时间以及具体的旅行地点信息,分析用户的偏好选择对旅游大数据的影响力。接着,结合用户对景区兴趣度的分析结果,综合计算用户对景区所在地的偏好选择。最后,以地区偏好为范围,将对旅游大数据影响力较高用户的兴趣度TOP-N景区信息作为最终的推荐结果。测试结果表明,归一化折损累计增益NDCG随着推荐信息数量k的增加呈现出稳定提升的趋势,且相比对比模型,文中提出的模型得到的参数值始终处于较高水平,说明该模型具有可靠的推荐效果。

融合语义特征和知识特征的推荐模型

针对传统推荐模型面临的数据稀疏性问题,提出一种基于结合注意力机制的门控循环单元的融合语义和知识特征的推荐模型。基于知识图谱,使用连续词袋模型捕获项目实体对应的语义特征,依据“偏好扩散”思想进行知识特征的学习,将不同层面特征进行融合后,使用结合注意力机制的门控循环单元挖掘用户潜在兴趣偏好。基于MovieLens数据集的对比实验结果表明,所提模型能够有效提升推荐效果并缓解数据稀疏性问题,通过消融实验验证了该模型各个组件的有效性。

基于用户评论的农业新技术推荐模型设计与应用展望

近年来,推荐系统的应用取得了飞速进步。大数据、人工智能技术的出现为农业信息化的加速发展提供了广阔的空间和前景。为提升农业领域内推荐技术的应用,满足农业用户的信息获取需求,对传统协同过滤推荐算法进行了一定的改进,重点体现在融合了K-means算法以及BIRCH算法进行聚类分析,通过搭建HowNet极性词典解决传统协同过滤方法过度依赖用户具体评分的问题,并提出了一种个性化推荐模型,利用相关数据源,进行模型验证。实验结果表明,该模型运行稳定,可以达到精准推荐农业技术信息的目的。

基于朴素贝叶斯方法的英语缩略词汇推荐模型

为了有效提升英语缩略词汇在网页搜索中的词汇推荐效率与质量,提出基于朴素贝叶斯方法的英语缩略词汇推荐模型。采用特征矢量模型选择英语词汇特征,推算词汇权重,构建朴素贝叶斯分类器,剔除大部分不符合搜索内容的英文词汇;挑选重要内容作为最优推荐主题概念,使用切词手段获得若干英语短语集合,计算网页和关键词相似度,完成英语缩略词汇推荐模型构建。仿真结果证明,所建模型拥有优质的英语缩略词汇推荐质量,推送速度快,为用户提供更加方便快捷的英语搜索服务。

基于叶片SPAD值的华南双季早稻氮肥推荐模型的研究

研究于2021—2022年以合美占和粤晶丝苗2号为供试水稻品种进行了不同氮肥水平(0、60、120、180、240 kg/hm2)的田间试验,分别在水稻分蘖期、拔节期、孕穗期、乳熟期建立基于叶片SPAD值的双季早稻氮肥推荐模型,并对模型推荐的施肥量进行试验验证。结果表明:随着生育期推移,早稻叶片SPAD值呈下降的趋势;同一生育时期,早稻叶片SPAD值随着氮肥用量的增加呈递增的趋势;各生育期水稻产量与叶片SPAD值、施氮量具有显著相关性;以最高产量的90%~95%作为临界值,推知水稻分蘖期、拔节期、孕穗期、乳熟期的临界SPAD值分别为41.2、40.1、33.6、23.5;根据临界SPAD值,计算出基肥、分蘖期、拔节期、孕穗期、乳熟期的氮肥推荐施用量分别为90、27.2、12.7、21.5、6.4 kg/hm2,比常规施氮量减少了37.2 kg/hm2,节省了19%的氮肥,产量比常规施肥稍有增加,但差异未达显著水平。该研究建立的基于叶片SPAD值的早稻氮肥推荐模型可以为水稻全生育期氮素诊断提供参考。

基于MOOC的智能信息推荐模型构建仿真

已有的智能信息推荐模型忽略了对兴趣特征向量的提取,导致推荐结果与用户要求不一致。MOOC平台包含海量的慕课课程信息,其信息推荐难度较大。为此,构建基于MOOC的智能信息推荐模型。针对MOOC平台用户学习需求,为用户推荐所需的慕课课程信息。根据层次差、语义距离以及语义重合度计算MOOC平台中信息本体的概念相似度。利用本体的概念相似度计算方法聚类MOOC平台中海量课程信息,通过深度神经网络方法通过卷积层、池化层以及输出层三个步骤,提取兴趣点特征向量,构建协同过滤图模型,实现MOOC平台智能信息推荐。仿真测试结果表明,该模型可利用所提取的兴趣点特征向量为用户推荐所需课程,课程推荐的平均排序倒数均为0.7以上,可实现MOOC平台的智能信息推荐。

基于决策树改进深度交叉网络的推荐模型

特征挖掘是推荐算法模型中学习用户与物品之间交互行为的关键步骤,对提升推荐模型的准确度具有重要意义。现有的特征挖掘模型中,线性逻辑回归模型虽然简便,能够达到很好的拟合效果,但其泛化能力较弱,且模型对特征参数量的需求较大。深度交叉网络能够有效实现对特征的交叉提取,但其对数据特征的表征能力仍然不足。因此,文中引入多重残差结构与交叉编码思想,提出了一种基于决策树的方法来改进深度交叉网络的推荐模型。首先基于GBDT算法设计构建强化特征的树结构,加强模型对潜在特征的深度挖掘;其次对模型嵌入层的输入参数维度进行扩增优化;最后对改进的深度交叉网络推荐模型进行推荐预测。该设计不仅可以克服现有模型在泛化能力上的局限性,还能在保持特征参数量精简的同时令其表征能力有所加强,进而有效挖掘用户的隐藏关联,提高推荐的准确度。基于公测数据集的实验结果表明,所提出的模型预测效果比现有的特征交互方法更优。

融合时间感知与兴趣偏好的推荐模型研究

针对传统的推荐模型无法挖掘用户细粒度兴趣偏好的问题,提出了一种融合时间感知与兴趣偏好的推荐模型(TAIP)。在TAIP模型中,将用户交互的时间间隔信息作为辅助信息引入到序列嵌入矩阵中,并设计多尺度时序卷积网络与通道和空间注意力机制精准地提取细粒度短期偏好,同时采用Transformer编码器挖掘目标项目与用户兴趣之间的长期偏好,最后利用全连接网络实现全局特征融合提供推荐。在公开数据集MovieLens-1M和YELP上进行实验,实验结果表明TAIP模型在HR、NDCG和MRR评价指标上相较于其他模型至少提升了4.84%和1.38%,具有更佳的推荐性能,验证了TAIP模型的有效性。