异质信息网络高阶层次化嵌入学习与推荐预测

异质信息网络是一种异质数据表示形式,如何融合异质数据复杂语义信息,是推荐系统面临的挑战之一.利用弱关系具有的丰富语义和信息传递能力,构建一种面向推荐系统的异质信息网络高阶嵌入学习框架,主要包括:初始化信息嵌入、高阶信息嵌入聚合与推荐预测3个模块.初始化信息嵌入模块首先采用基于弱关系的异质信息网络最佳信任路径筛选算法,有效地避免在全关系异质信息网络中,采样固定数量邻居造成的信息损失,其次利用新定义的基于多头图注意力的多任务共享特征重要性度量因子,筛选出节点的语义信息,并结合交互结构,有效地表征网络节点;高阶信息嵌入聚合模块通过融入弱关系及网络嵌入对知识良好的表征能力,实现高阶信息表达,并利用异质信息网络的层级传播机制,将被采样节点的特征聚合到待预测节点;推荐预测模块利用高阶信息的影响力推荐方法,实现了推荐任务.该框架具有嵌入节点类型丰富、融合共享属性和隐式交互信息等特点.最后,实验验证UI-HEHo学习框架可有效地改善评级预测的准确性,以及推荐生成的针对性、新颖性和多样性,尤其是在数据稀疏的应用场景中,具有良好的推荐效果.

基于FGx_Deep算法的深度推荐

为在推荐系统中更好挖掘用户物品特征和理解用户需求,提出FGx_Deep算法。利用FGCNN网络以原始嵌入矩阵生成新特征,对原始特征和新特征进行拼接后输入到深度因子分解机(DeepFM)算法中,构建FG_DeepFM算法;基于FG_DeepFM算法与xDeepFM算法融合,提出FGx_Deep算法,解决FG_DeepFM算法只进行隐式特征元素级交互问题,挖掘显式特征向量级交互,实现端到端训练。将该算法应用到Movielens数据集上,实验结果表明,FGx_Deep算法相较现有的推荐算法,在评分预测推荐领域和Top-N推荐领域中,都有效提升了推荐准确性和泛化性。

基于协同过滤的推荐算法研究

推荐算法是目前互联网环境下广泛使用的技术之一。其中协同过滤推荐算法是目前应用最广泛最成熟的推荐技术。文章介绍了协同过滤推荐算法的基本概念和原理,对协同过滤推荐算法的相似度计算公式和评价指标进行了归纳整理,总结分析协同过滤推荐算法存在的问题,以及目前众多学者对这些问题的解决方案,最后介绍了协同过滤推荐算法的发展方向。

大数据分析技术在农产品销售中的应用研究

随着现代信息化技术的高速发展,互联网成为农产品销售的重要模式,同时产生了海量的数据。为了有效地利用海量数据,提升农产品物流配送水平,基于大数据分析技术,提出预测、推荐和可视化方案,构建农产品销售大数据系统,分析认为,所提出的方案能够从量化和直观上进行有效的销售预测,从而提高农产品销售管理效率,降低管理成本。