基于类别相似性优化偏好的个性化学习资源推荐算法

由于部分学科数据在网络中的获取难度较高,个性化学习资源推荐可能面临数据稀疏问题,仅考虑资源的类内学习偏好相似性,忽略了类间相似性,从而导致资源推荐的准确性偏低。基于此,提出基于类别相似性优化偏好的个性化学习资源推荐方法。通过学习者的学习偏好数据构建学习者的偏好模型,获取对各个知识点的反馈和评价,进而确定知识点的难易度。针对知识点难易度因素,利用学生的学习行为数据分析获得资源特征量和操作资源特征量,计算知识点的投入程度和难易度系数。基于这些信息,制订个性化学习资源推荐策略,并通过类别相似性和启发式思想进行优化,生成优化后的个性化学习资源推荐结果,以提高推荐准确性和可靠性。实验结果表明,所提方法的推荐效果较好,推荐点击率较高,具有一定的应用价值。

采用类别相似度聚合的关联文本分类方法

针对基于关联规则的分类方法在分类时仅考虑规则的置信度并使用规则修剪技术,导致分类器的分类精度难以进一步提高的问题,提出了一种基于类别相似度聚合的关联文本分类方法.该方法采用修改的χ2统计技术提取各类别的特征词;为保证规则匹配的精度和速度,使用CR-tree存储分类规则,并给出了CR-tree的构建与匹配算法;采用向量内积来计算文本类别分量与类别标志向量的相似度,进而使用规则置信度和类别相似度的聚合值作为文本分类的依据.基于实际网络文本的实验表明,该方法仅需提取30个特征词,分类结果的微平均值即可达到92.42%,优于未经剪枝的ARC-BC分类器及KNN、Bayes分类器;在分类耗时方面,该方法与未经剪枝的ARC-BC分类器持平,表明该方法引入的相似度与聚合值的计算开销在可接受的范围内.

基于项目类别相似性的协同过滤推荐算法

随着电子商务站点用户和商品项数量的不断增长,用户评分数据稀疏性问题成为基于项目的协同过滤推荐算法的瓶颈;文章提出了项目类别相似性的计算方法,并将项目类别相似性与传统的项目评分相似性进行加权组合,得到项目综合相似性,从而在提高最近邻居项目搜寻准确度的同时也缓解了数据稀疏性问题;实验结果表明,该算法能有效提高推荐质量。

基于启发式聚类模型和类别相似度的协同过滤推荐算法

基于k-近邻的协同过滤推荐算法对于邻居数量k的确定过于主观,并且推荐时以k-近邻均值加权推荐不够准确.针对这两个问题,本文首先引入并改进最大最小距离聚类算法,进而设计启发式聚类模型将用户进行不规定类别数的自由聚类划分,目标用户所在类的用户为邻居用户,客观确定邻居数量;然后在推荐时定义类别相似度,针对性地建立目标用户未评分和评分项目的潜在类别关系,改进k-近邻均值加权算法.实验结果表明,该算法提高了推荐准确度(约0.035MAE).

品牌延伸中的主题和类别相似性:消费情境的影响

目前市场上存在大量主题和类别相似的品牌延伸。其中,类别延伸与母品牌核心产品在内部特征上具有共性,而主题延伸可通过时间、空间或功能与母品牌核心产品联系在一起。了解消费者对品牌延伸的评价,对营销和品牌管理者而言具有十分重要的意义。将最近心理学文献中的相似性理论引入品牌延伸框架,考察不同消费情境下品牌延伸与母品牌间契合度对品牌延伸评价的影响,并在第三方网络平台上进行实验发现,情境条件(无约束/列举共性)与相似性类型(主题相似/类别相似)对消费者品牌延伸态度具有显著交互效应。同时,有关消费者对品牌延伸新奇感的分析表明,不同情境条件下消费者信息加工流畅性的差异是产生上述交互效应的内在原因。这些发现为品牌延伸领域关注契合度的研究提供了一个崭新而简洁的框架,对企业在营销实践中利用主题与类别相似信息加工条件的差异也具有一定现实意义。

基于项目类别和兴趣度的协同过滤推荐算法

用户评分数据极端稀疏情况下,传统相似性度量方法存在弊端,导致推荐系统的推荐质量急剧下降.针对上述问题,提出一种基于项目类别和兴趣度的协同过滤推荐算法.在该算法中,首先通过计算项目之间的类别距离,构造项目类别相似性矩阵;然后采用兴趣度分析不同项目之间的相关程度;最后结合项目类别信息和项目间的兴趣度,使用改进的条件概率方法作为衡量项目间相似性的标准.实验结果表明,该算法可以有效缓解用户评分数据稀疏带来的不良影响,提高预测准确率和推荐质量.

基于项目综合相似度的协同过滤算法

提出了一种基于项目综合相似度的协同过滤算法。综合相似度是项目相似度和类别相似度进行加权,加权方式是从热能学中协同计算燃烧传热量的高温辐射换热综合发射率ε公式比拟得出,两者均是计算综合系数,在计算综合系数中可以通用。实验结果表明,在推荐不同的前N个项目的实验中,用新方法得到的准确率高于传统方法;在固定推荐数目改变最近邻的实验中,用新方法得到的准确率高于传统方法,因此可以得出结论:基于项目综合相似度的协同过滤算法可以提高计算准确性,提高推荐质量。

反馈对知觉类别学习影响:研究现状与展望

类别学习是人类认识世界的一种基本认知活动,反馈是人类进行知觉类别学习不可或缺的重要部分。知觉类别学习的多系统理论为深入研究反馈影响知觉类别学习的认知神经机制提供了很好的理论框架。但是关于类别学习中的反馈问题还存在诸多不一致的结论。通过梳理相关文献,研究认为诸多结果不一致是由于不同性质的反馈作用于特定加工阶段引起的。反馈影响家族相似性类别学习的认知加工机制至少存在类别表征与类别标准形成两个不同的加工阶段,类别表征主要是对类别刺激的知觉,需要运用视觉加工形成刺激表征,而进一步发现规则或建立联结,则为类别标准形成阶段。基于这一构想,探讨反馈内容性与反馈时间性如何影响类别学习的认知加工机制将成为今后的研究主题。

基于品牌联合类型的解释策略选择对消费者评价新产品影响机理研究

企业根据品牌联合类型选择恰当而有效的解释策略获得消费者对品牌联合推出新产品的积极响应能够在提升市场竞争力中起到事半功倍的效果。既往有关消费者对通过品牌联合推出新产品反应的研究成果主要从合作品牌间的匹配性、关联度、紧密度及合作品牌各自的知名度等品牌自身因素考察品牌联合对消费者态度和行为的影响,缺乏关于联合品牌促销宣传策略选择如何影响消费者对新产品评价方面的探讨。笔者基于概念组合理论和信息加工流畅性理论,采用实验研究的方法,实证根据品牌联合类型所选择不同解释策略影响消费者对新产品评价的差异性及其内在机理。实验结果表明:对于类别相似的品牌联合,属性解释策略更有利于提升消费者对新产品的评价;对于主题相似的品牌联合,关系解释策略更有利于提升消费者对新产品的评价;在品牌联合类型与相应解释策略选择对消费者评价新产品的交互影响过程中,信息加工流畅性起到了中介作用。本文从选择解释策略揭示消费者对联合品牌响应内在机理的尝试性探讨以及得出的结论是对品牌联合理论研究的一种有益拓展,丰富了选择联合品牌解释策略和消费者评价联合品牌新产品方面的现有文献,为企业如何依据品牌联合类型选择其解释策略以及提升消费者对新产品好评等实践活动提供理论支持和管理启示。

契合度对品牌延伸评价的影响机制研究——一个信息处理决策模型

本文构建了“信息输入-信息加工-信息处理-信息输出”的信息决策模型,探讨了契合度对品牌延伸评价的影响机制。通过实证分析,结果显示:契合度与认知需要、产品涉入度的交互效应分别对品牌延伸评价具有积极影响,主题相似性与类别相似性对品牌延伸评价的有效性表现出差异化。信息处理流畅性分别在契合度与认知需要的交互效应对品牌延伸评价以及契合度与产品涉入度的交互效应对品牌延伸评价的关系中发挥了完全中介效应。

基于标签的协同过滤推荐方法研究

传统基于物品的协同过滤算法由于物品相似度矩阵稀疏,推荐准确率不高。针对这一问题,提出一种基于标签和改进杰卡德系数的协同过滤算法,进行电视节目个性化推荐。首先,爬取相关信息对原始数据进行扩充,并利用统计学方法对时间特征进行归一化处理,计算用户偏好系数;然后,统计出现次数较高的类别作为推荐类别标签,并利用改进的杰卡德系数构造标签相似度矩阵;最后,根据推荐类别标签的用户偏好系数计算节目的推荐系数。实验结果表明,基于标签的协同过滤算法可以降低稀疏矩阵对推荐准确率的影响,相比基于物品的协同过滤算法,准确率提高了5%,召回率提高了3.1%。另外,使用改进的杰卡德系数计算相似度,减少了热门标签对推荐系统的影响,进一步将准确率提高了5%,召回率提高了2.3%。

基于情感与功能契合的品牌延伸评价

品牌延伸有相关品牌延伸和不相关品牌延伸两种,而相关品牌延伸中又有主题相关和类别相似两种。本文通过采用问卷调查法,建立情感契合和功能契合对整体契合度评价的模型,研究主题相关品牌延伸和类别相似品牌延伸这两种不同的品牌延伸,是在以情感契合为链接点还是在以功能契合为链接点时,品牌延伸的契合度以及消费者的品牌延伸评价会更高。结果表明,主题相关品牌延伸在以情感契合为链接点,类别相似品牌延伸在以功能契合为链接点时,更容易被消费者接受、品牌延伸的评价更高。本文为现有的品牌延伸研究提供了新的研究框架,对促进企业提高品牌延伸评价有着重要的指导意义。

类别语义相似性监督的小样本图像识别

目的现有的深度学习模型往往需要大规模的训练数据,而小样本分类旨在识别只有少量带标签样本的目标类别。作为目前小样本学习的主流方法,基于度量的元学习方法在训练阶段大多没有使用小样本目标类的样本,导致这些模型的特征表示不能很好地泛化到目标类。为了提高基于元学习的小样本图像识别方法的泛化能力,本文提出了基于类别语义相似性监督的小样本图像识别方法。方法采用经典的词嵌入模型GloVe(global vectors for word representation)学习得到图像数据集每个类别英文名称的词嵌入向量,利用类别词嵌入向量之间的余弦距离表示类别语义相似度。通过把类别之间的语义相关性作为先验知识进行整合,在模型训练阶段引入类别之间的语义相似性度量作为额外的监督信息,训练一个更具类别样本特征约束能力和泛化能力的特征表示。结果在miniImageNet和tieredImageNet两个小样本学习基准数据集上进行了大量实验,验证提出方法的有效性。结果显示在miniImageNet数据集5-way 1-shot和5-way 5-shot设置上,提出的方法相比原型网络(prototypical networks)分类准确率分别提高1.9%和0.32%;在tieredImageNet数据集5-way 1-shot设置上,分类准确率相比原型网络提高0.33%。结论提出基于类别语义相似性监督的小样本图像识别模型,提高小样本学习方法的泛化能力,提高小样本图像识别的准确率。