数字资源的信息过滤与精准推荐算法

为了解决如何利用无限容量的数字资源与有限的用户信息及时而精准地向用户推荐可用的电子资源等问题,本研究设计了一种可以过滤不良信息的准确推荐算法。该算法为基于协同过滤与内容推荐的混合推荐算法,其中,协同过滤算法提取用户的特征,计算用户间的相似度并对相应的资源进行打分估计从而根据估分进行推荐;而基于内容推荐的算法用于处理用户无法求算相似度的冷启动问题,不良信息利用基于内容推荐的算法提取关键词并与不良关键词库对照,然后从前述推荐结果去掉不良信息;算法还考虑了用户兴趣随时间变化的问题。使用大规模图书馆数字资源数据集对本研究算法进行测试,结果表明,使用本研究算法,邻居数的增加对推荐精度有改善作用;对使用平均相似度和加权相似度的结果比较表明,加权相似度可以获得更好的推荐效果;加入时间因素,可以有效改进推荐精度,进而实现了对不良信息的过滤,保证了资源的质量。本研究算法基本实现了精准推荐,可适用于大数据环境下数字资源的推荐操作。

如何实现“黑箱”下的算法治理?——平台推荐算法监管的测量实验与策略探索

近年来,平台推荐算法的快速发展和广泛应用深刻改变了互联网信息内容的供给方式,同时也引发了一系列算法风险与现实问题。平台推荐算法治理与监管成为政府规范算法应用的重点内容之一,无论是算法备案制度的探索,还是实现算法透明化的设想,均面临着一定的困难和挑战。在不打开算法“黑箱”的前提下,平台推荐算法规制与监管是否有可行之道?论文基于机器行为学思想,采用实验方法,以用户视角对推荐结果进行跟踪记录,通过实验数据的对比分析,验证了平台推荐算法结果差异的可测性。基于实验结果,论文提出了通过对不同平台推荐结果进行大规模数据测试和检验,测量平台推荐算法运行逻辑与推荐效果,从而实现“黑箱”下有效的逆向监管,以期丰富未来算法治理的选择。

基于隐式偏好的多目标推荐算法研究

推荐的准确性(accuracy)和多样性(diversity)是推荐算法研究的二个重要指标,能够最大程度地满足用户的喜好.然而,基于准确性的推荐将导致推荐结果过于聚焦集中在某类特征上,使得多样性降低,导致用户选择的广度不足而整体效果不佳.针对推荐算法的两个指标之间的平衡以满足用户的需求,本文采用最大预测评分和最大内部相似度差异的两目标模型,选取极值点和膝点为隐式偏好,利用隐式偏好改进推荐方案搜索优化策略,提出了一种基于隐式偏好的多目标推荐算法.该算法利用切比雪夫距离在迭代过程中对偏好点动态标定,以引导个体收敛于隐式偏好区域,得到具有不同偏好的推荐方案.在Movielens和Netflix数据集上实验结果表明,与Item-based协同过滤推荐算法相比,该算法的推荐结果在确保准确率性能情况下多样性平均提升了38%和33.4%,新颖度平均提升了58.6%和125.4%,降低了多目标推荐算法的复杂度,有效解决了实际应用问题.

基于用户画像的图书推荐算法实证研究

个性化推荐算法能够帮助读者从图书馆海量馆藏中发现所需图书,有助于提高馆藏利用率和读者服务效率。文章以高校图书馆图书数据、读者数据和借阅数据为数据源,从中抽取关键词构建图书画像和读者画像;利用向量空间模型计算图书与读者之间的相似度,向读者推荐与其相似度排名靠前的图书;并进行推荐算法效果实证分析,揭示著录数据、读者类型、推荐窗口等变量对推荐准确率的影响。

融合时间和知识信息的生成对抗网络序列推荐算法

序列推荐作为一种常用的推荐系统技术,通过对用户的历史交互序列进行建模来预测下一个可能交互的项目。现有的序列推荐方法主要利用用户交互序列和上下文信息进行推荐,忽略了序列中交互项目之间的时间间隔信息,交互项目之间的组合依赖以及上下文信息中存在噪声的问题,导致推荐结果受限。针对以上问题,提出一种基于生成对抗网络的序列推荐模型TKWGAN,该模型包含一个生成器和一个判别器。生成器结合了用户历史交互序列和各项目之间的时间间隔信息对用户偏好进行建模并生成预测,判别器则引入了知识图谱信息对项目进行语义扩充,从而能更准确地对生成器的预测进行合理性判断。针对用户交互序列和知识图谱信息中可能存在噪声的问题,提出一种基于小波变换的多核卷积神经网络来构造判别器,以更全面、准确地捕获用户的潜在兴趣,提高推荐的准确性。在MovieLens-1M、Amazon Books和Yelp2018这3个公开数据集上的实验结果表明,与8个序列化推荐算法相比,提出的TKWGAN模型在命中率(HR@N)和归一化折损累计增益(NDCG@N)指标上均有显著提升。

融合知识图谱和图注意力网络的旅游推荐算法

为缓解旅游推荐模型面临的数据稀疏和冷启动的问题,提出一种融合知识图谱和图注意力网络的旅游推荐算法KRGAT(knowledge ripple graph attention network)。借助水波网络从用户的历史旅游行为和知识图谱中挖掘用户偏好增强用户特征表示,针对当前旅游项目特征学习的方法难以提取节点深层特征的问题,利用图注意力网络聚合相关度更高的邻居节点信息,增强旅游项目特征表示。实验在自建立的旅游数据集上与5个基线方法进行对比,其结果表明,KRGAT的精确率(P)、召回率(R)和AUC值分别提升了5.73%、4.42%和1.42%。

融合跨平台用户偏好与异质信息网络的推荐算法研究

[目的/意义]本文基于跨平台用户的异构大数据,提出一种融合跨平台用户偏好与异质信息网络的推荐算法(CPHAR),对于缓解个性化推荐的稀疏性和冷启动问题具有重要意义。[方法/过程]首先,根据跨平台用户信息构建核心兴趣朋友圈,使用卷积神经网络和自注意力机制捕捉用户在源平台和目标平台中的信息偏好特征;其次,根据核心兴趣网络以及推荐项目之间的关系构建异质信息网络,使用异质图注意力网络模型进行特征聚合;最后,将以上特征嵌入改进后的矩阵分解模型,计算推荐得分。[结果/结论]模型在自主构建的4个跨平台数据集中均表现出优越的性能,本文不仅弥补了推荐领域中跨平台多属性和细粒度数据集的空缺,而且通过引入跨平台特征进一步完善了推荐系统相关的理论与方法体系。

融合注意力机制的自编码器推荐算法

为充分获取用户的个性化信息,提高推荐算法的准确性,提出了一种融合注意力机制的自编码器推荐算法。所提算法首先针对数据中蕴含的低阶特征和高阶特征,专门设计了相应的特征提取模块,增强传统编码器的泛化能力和记忆能力,然后利用注意力机制对特征进行融合,得到关于用户偏好信息的向量表示,并通过解码器预测用户对物品的购买意愿,最终实现个性化推荐任务。在ML-100K,ML-1M和Yahoo Music三个数据集上进行实验,并与主流个性化推荐算法进行对比,本文算法在Precision,Recall,F1值和归一化折损累计增益(NDCG)四个指标上均有较大的提升。在互联网推荐场景下,本文算法能够充分挖掘出用户的偏好信息,为用户提供高质量的推荐结果即给出合理的物品购买决策建议,从而最大化满足用户需求。

专题导语:多源融合协同应用——跨社交媒体场景下的信息行为、舆情传播与推荐算法

在数智时代,社交媒体与短视频、搜索引擎、网络直播、线上办公等业务相融合,在模糊社交媒体边界和扩展功能的同时,沉淀大量的信息资源并促进信息流动的效率,大大提高了用户信息行为的复杂性。与此同时,移动终端存储成本的下降和处理性能的升级,使同一用户融合并协同多个社交媒体中的信息成为可能,越来越多的用户也倾向于通过跨社交媒体满足多元化的信息需求。用户跨社交媒体信息行为迅速流行,备受传播学、营销学、行为学、图书情报等领域学者的关注。

基于知识图谱与邻域感知注意力机制的推荐算法研究

为解决传统推荐算法在面对数据稀疏的推荐任务时产生的冷启动问题,本研究将知识图谱引入推荐算法,结合一种新的邻域感知注意力机制代替传统图注意力机制来挖掘实体间的高阶连通信息,提出了基于知识图谱和邻域感知注意力机制的推荐模型KGNPAN。得益于知识图谱可使推荐具有精准、多样和可解释的特点,该模型能够很好地缓解数据稀疏与冷启动问题。首先利用基于自对抗负采样的图嵌入方法RotatE对原有物品和用户表征的语义信息进行扩充,将实体和关系向量映射成低维嵌入向量;其次,根据协同邻居的不同类型分别应用邻域感知注意力机制聚合邻居节点信息,丰富目标节点语义,并以卷积形式递归挖掘高阶连通信息;最后对用户与项目向量应用内积操作计算交互概率,得到推荐结果。在Amazon-book和Last-FM两个公共基准数据集上进行实验,结果表明,在与CKE,BPRMF,RippleNet,KGAT,KGCN和CAKN 6个基准模型的对比中,KGNPAN相较于基准模型中结果最优的CAKN模型,在召回率(Recall)上分别提升了1.30%和1.37%,在归一化折损累计增益上(NDCG)分别提升了1.26%和1.14%,充分验证了其有效性和可解释性。

融合信息瓶颈与图卷积的跨域推荐算法

基于迁移学习的跨域推荐可以有效地学习连接源域和目标域的映射函数,但其性能仍然受到表征质量不高和负迁移问题的影响,不能有效地为冷启动用户进行推荐,为此提出了一种融合信息瓶颈与图卷积网络的跨域推荐模型(IBGC)。利用图卷积神经网络聚合有关联的用户-用户和项目-项目信息;利用注意力机制学习用户和项目偏好,以提高节点特征表示质量;考虑到两个领域的信息交互,将重叠用户进行嵌入表示的同时限制特定信息的编码,利用信息瓶颈理论设计了三种正则化器,以捕获域内和跨域用户-项目的相关性,并将不同领域的重叠用户表征对齐以解决负迁移问题。在Amazon数据集中的四对公开数据集上进行实验,实验结果表明该模型在MRR、HR@K和NDCG@K三个推荐性能指标上的表现均优于基线模型,在四对数据集上与最优对比基线模型相比,MRR平均提升34.36%,HR@10平均提升34.94%,NDCG@10平均提升36.83%,证明了IBGC模型的有效性。

基于知识图谱的煤矿风险管控人员推荐算法研究

随着智能化、信息化煤矿安全管控系统的普遍应用,迅速准确将风险分门别类地推荐给相应煤矿风险管控人员成为安全管控的问题之一。提出了一种基于知识图谱的煤矿风险管控人员推荐算法。首先对煤矿现有风险管控人员与历史风险信息属性进行研究,建立风险知识图谱,获取风险管控人员-风险信息匹配度矩阵;然后,利用用户的基本特征与知识图谱提取特征进行融合,绘制用户画像;以用户画像为主体,结合协同过滤算法进行混合推荐;基于数据集设计实施对照实验,证明该算法在准确率、召回率、误差平均绝对值上的优越性。实验结果表明,算法能够有效地在多个维度中进行推荐,实现数据的充分利用和推荐多样性,有效提升了推荐性能。

推荐算法与网络意识形态治理深度融合:应然图景、实然困境、纾解思路

推荐算法与网络意识形态治理深度融合是智能时代提升网络意识形态治理效能、助力国家治理现代化的应然之举。作为人工智能技术主要分支的推荐算法与网络意识形态治理深度融合可以取得统筹信息资源,构建治理共同体;整合意识形态,规训成员和社会;提升动员效能,降低治理成本的正向效果。但二者在融合过程中仍然存在“信息茧房”阻隔主流意识形态共识生成、算法偏见动摇主流意识形态认同建构、“后真相”语境消解主流意识形态权威等实然困境。为此,要以加强算法规制、强化各类媒体平台自律意识、培育用户算法素养等为纾解思路,切实推动智能时代网络意识形态治理朝着科学化、现代化发展。

数智时代短视频过滤推荐算法的形成机理及治理进路

【目的】本文旨在理解短视频平台用户信息获取及观念形成之动态机制,提出对过滤机制算法治理的进展途径,促进短视频内容生产高质量发展的治理策略。【方法】通过理论解构与实证分析,总结短视频过滤推荐算法的具体表征与负面效应,并从算法信息服务、平台运营机制、用户选择心理等维度分析过滤推荐算法的形成机理。【结果】在此基础上从用户维度、算法维度、平台维度提出过滤推荐算法的多元化治理进路。【结论】在过滤推荐算法的挑战下,推动短视频内容的高质量发展,一方面,应注重质量把关,加强价值引领。另一方面,应加强内容创新,提高用户社交互动性。

基于层级循环神经网络的多分区医疗影像智能推荐算法

针对传统的医疗影像智能推荐算法未进行数据预处理和特征向量提取,导致推荐准确度低、加速比小的问题,提出基于层级循环神经网络的多分区医疗影像智能推荐算法。首先,计算得到Gini增益,获取多分区医疗影像;其次,采用等方性处理方法对医疗影像进行插值,采用高斯滤波方法滤除医疗影像中噪声,基于此去除干扰信息;最后,将去除干扰信息后医疗影像输入到层级循环神经网络模型中,训练模型中的个数、深度、内部节点的数量,确定梯度向量,获取推荐结果。

大数据背景下基于用户偏好的短视频推荐算法研究

本文从短视频用户偏好建模过程及常用推荐算法、用于短视频推荐的用户偏好预测方法、使用MAE和MSAE作为推荐效用的衡量方法等方面,介绍大数据背景下基于用户偏好的短视频推荐算法研究。通过深入挖掘用户行为数据,推荐算法可以更好地理解用户的观看喜好和行为模式,有助于提高推荐算法的准确性,并帮助平台更好地满足用户的需求。

基于知识图谱的兴趣捕捉推荐算法

知识图谱作为一种辅助信息,可以为推荐系统提供更多的上下文信息和语义关联信息,从而提高推荐的准确性和可解释性。通过将项目映射到知识图谱中,推荐系统可以将从知识图谱中学习到的外部知识注入到用户和项目的表示中,进而增强用户和项目的表示。但在学习用户偏好时,基于图神经网络的知识图谱推荐主要通过项目实体利用知识图谱中的属性信息和关系信息等知识信息。由于用户节点并不与知识图谱直接相连,这就导致不同的关系信息和属性信息在语义上和用户偏好方面是独立的,缺乏关联。这表明,基于知识图谱的推荐难以根据知识图谱中的信息来准确捕获用户的细粒度偏好。因此,针对用户细粒度兴趣难以捕捉的问题,提出了一种基于知识图谱的兴趣捕捉推荐算法。该算法利用知识图谱中的关系和属性信息来学习用户的兴趣,并增强用户和项目的嵌入表示。为了充分利用知识图谱中的关系信息,设计了关系兴趣模块以学习用户对不同关系的细粒度兴趣。该模块将每个兴趣表示为知识图谱中关系向量的组合,并利用图卷积神经网络在用户项目图和知识图谱中传递用户兴趣以学习用户和项目的嵌入表示。此外,还设计了属性兴趣模块以学习用户对不同属性的细粒度兴趣。该模块采用切分嵌入的方法为用户和项目匹配与之相似的属性,并使用与关系兴趣模块中相似的方法进行消息传播。最终,在两个基准数据集上进行实验,实验结果验证了该方法的有效性和可行性。

基于智能环境的高校图书馆图书推荐算法实证研究

随着智能技术的飞速发展,高校图书馆正逐步向智能化、个性化服务转变。本文聚焦于高校图书馆的图书推荐问题,提出了一种基于智能环境的图书推荐算法,通过聚类的方法实现图书的精准推荐。首先通过聚类算法对图书进行精确的分类,确保每一类图书都具有相似的特性和内容。随后,依据图书间的相似性,利用智能算法为新进图书进行智能推荐。这种推荐方式不仅能够帮助用户快速找到感兴趣的图书,而且能够动态调节推荐的精细程度,从而满足不同用户的需求。研究发现,本文的推荐算法在精度和效率上均展现出显著优势。尤其是在处理大规模图书数据时,本算法依然能够保持稳定的性能,为用户提供及时、准确的推荐服务。

基于知识图谱与用户兴趣的推荐算法

为了解决协同过滤推荐算法中存在的冷启动以及数据稀疏性等问题,文中引入了具有丰富语义信息和路径信息的知识图谱。基于其结构特征,将图神经网络应用于知识图谱的推荐算法得到了研究者的青睐。推荐算法的核心在于获取物品特征和用户特征,然而,该方面研究的重点在于更好地表达物品特征,而忽略了用户特征的表示。文中在知识图谱图神经网络的基础上,提出了一种基于知识图谱与用户兴趣的推荐算法。该算法通过引入一个独立的用户兴趣捕获模块,来学习用户历史信息,引入了用户兴趣,使得推荐算法在用户和物品两个方面都得到了良好表征。实验结果表明,在MovieLens数据集上,基于知识图谱与用户兴趣的推荐算法实现了数据的充分利用,具有良好的效果,对推荐准确性起到了促进作用。

基于混合推荐算法的分布式购物系统设计

数据个性化推荐缺乏、高并发处理能力不足是目前在线购物平台面临的主要问题。本文采用分布式计算平台Hadoop、使用MapReduce并行处理方法提高了其效率和可扩展性,并提出一种混合推荐算法方法,通过基于内容的推荐算法发现用户的已有兴趣,同时结合协同过滤算法建立潜在兴趣模型,将已有兴趣和潜在兴趣混合,并与候选搜索内容集进行相似度计算,从而得到推荐结果。