基于深度混合模型评分推荐

从用户?项目评分矩阵中学习用户对项目的个性化偏好,对于评分推荐来说至关重要。许多推荐方法如潜在因子模型,无法充分利用评分矩阵中的交互信息学到较好的个性化偏好而得到较差推荐效果。受深度学习中Wide and Deep模型应用于APP推荐启发,本文提出一种深度混合模型并命名为DeepHM用于评分推荐。与Wide and Deep模型相比,使用DeepWide和DNN部分重构Wide模型和Deep模型得到DeepHM,并且DeepWide和DNN部分共享交互信息输入。因此,DeepHM可以更有效地使用评分矩阵中的用户和项目的交互信息学到个性化偏好信息。DeepHM将评分推荐作为分类问题旨在提高推荐准确性。实验表明在公开的Movielens数据集上DeepHM算法相比现有的基于评分推荐模型具有更好的效果。

基于评论文本和融入专业度评分的跨域混合推荐

为解决基于用户评论文本的跨域推荐方法产生的评论信息稀疏性问题,提出一种基于评论文本和融入专业度评分的跨域混合推荐方法。采用注意力机制和门控机制对评论文本进行方面特征抽取,构建全局跨域方面相关矩阵进行匹配,结合评论文本中的评分信息,生成一个跨域粗矩阵以降低原始评分矩阵的稀疏度。为强调不同用户对项目评分的重要性,引入用户专业度细化聚合后用户对项目的评分。实验结果表明,该方法可以提高推荐的准确性。

基于Faculty Opinions最新推荐评分的生物医学科技论文评价指标相关性研究

目的/意义分析不同生物医学科技论文数据库中的各类评价指标,挖掘其中隐含关联。方法/过程以Faculty Opinions推荐的文献为基础,分别从Altmetric、Scopus、WOS数据平台获取各类代表性指标,运用SPSS软件进行斯皮尔曼相关性比较分析。结果/结论不同学科类别文章Faculty Opinions最新推荐评分中,RS与WSS的相关度最高,RCR与RS相关度中等,Scopus各指标均与社会计量学各指标高度相关,Scopus与WOS各指标之间的相关度较高。

在线社会网络环境下基于朋友圈的推荐

在线社交网络信息的主要作用是提高推荐系统的精度,但仅仅依靠传统的评分推荐系统(RS)是无法实现的.现在,为了更好地为用户在各活动中提供服务,许多在线社交软件支持一种称为"朋友圈"的新功能,该功能对"朋友"重新进行了定义.论文提出了一种基于朋友圈的推荐系统.该推荐系统旨在处理可用的评分数据并结合社交网络数据推断出特定类别领域的社会信任圈子.主要根据系统预测出的专业水平对圈内朋友划分不同的等级.通过对公开的数据进行验证实验,验证了本文所提出的基于朋友圈的推荐模型可以更好地利用用户的社会信任信息,从而有效地提高推荐系统的准确性.

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。