基于评分矩阵与评论文本融合的混合推荐模型

推荐系统已在电子商务中迅速推广应用,其带来的数据稀疏性增加了评分预测的不准确因素。提出了一种将评分和评论文本相融合的混合推荐模型(MRB),将用户偏好影响因子引入用户评分预测模型(UBP)中,将项目-时间因子引入项目评分预测模型(IBP)中,通过推荐结果平均绝对误差(MAE)实验验证,当近邻数为50时,该模型明显优于传统的模型。

基于评分矩阵的电力企业配网施工风险评估系统设计

传统的评估系统难以量化施工风险参数,导致系统的风险评估结果与真实值相差较大,因此提出并设计基于评分矩阵的电力企业配网施工风险评估系统。设计A/D转换器电路,加强传输信号的转换工作;通过设计风险识别程序获得风险指标,利用评分矩阵处理高维、低秩等状态不一的数据,量化施工风险参数,结合缺陷指数和安全性衰减指数,构建风险评估模型,完成对电力企业配网施工风险的评估工作。实验结果表明方法的脆弱性值、重要度值以及综合风险值与标准值更贴近,评估效果更好。

融合评分矩阵与评论文本的商品推荐模型

随着电子商务的迅速发展和Web上信息的不断增长,推荐系统成为有效帮助用户做出决策的重要智能软件之一.基于评分数据的矩阵分解推荐模型被广泛研究和应用,但数据稀疏性问题影响了该模型的推荐质量.另一方面推荐系统中用户撰写的评论文本可以反映用户的兴趣偏好,有研究工作提出了相应的文本分析及观点挖掘方法来缓解评分数据的稀疏性.评分矩阵分解模型与评论文本挖掘模型的融合有助于提高推荐质量,因此该文首先提出了一种融合评分数值和评论文本的推荐模型DTMF(Double Topics with Matrix Factorization),将用户评论集和商品评论集各自的潜在主题向量分别与传统矩阵分解的用户潜在因子向量和商品潜在因子向量建立正向映射关系,然后通过添加潜在主题为预测评分引导项进一步优化DTMF模型提出了DTMF+模型.在两组公开数据集上,以推荐结果的均方误差(MSE)为评估指标进行了实验验证.实验结果表明本文提出的DTMF和DTMF+两个模型整体上优于仅融入商品评论集的HFT(Hidden Factors as Topics)(item)模型,在子类数据上预测误差最大分别降低了3.68%和7.31%.该文最后探讨了有用性评论排序问题来增强推荐结果的可解释性.

基于评分矩阵与评论文本的深度推荐模型

基于评分矩阵的矩阵分解模型被广泛研究与应用,但是数据稀疏性问题严重制约了该模型的推荐效果.基于评论文本的推荐模型能够从文本信息中刻画用户偏好和商品特征,有效缓解了评分数据的稀疏性,但忽略了评分矩阵中用户和商品的潜在因子.为了进一步提高推荐质量,融合评分矩阵和评论文本的推荐模型被相继提出,但其仅仅局限在浅层线性特征层面,而且用户特征与商品的高级抽象特征未被充分挖掘,因此本文提出深度学习模型DeepCLFM(Deep Collaborative Latent Factor Model).该模型基于预训练的BERT模型,结合双向GRU和注意力机制从用户评论和商品评论中提取用户和商品的深层非线性特征向量,并根据用户和商品的编号映射出用户和商品的潜在隐向量.为了充分融合深层非线性特征和隐特征,DeepCLFM将用户和商品的深层特征向量与潜在隐向量以一、二阶特征项的方式产生深度特征项来预测出用户对商品的评分.在5组公开数据集上,以推荐结果的均方误差MSE作为评估指标进行对比实验,结果表明DeepCLFM的预测误差比多个优秀的基准算法更低,且平均预测误差最大降低了6.402%.

融合评分矩阵和评论文本的深度神经网络推荐模型

针对个性化推荐中用户评分矩阵数据集稀疏,用户和项目描述信息未充分利用的问题,提出融合评分矩阵和评论文本的深度神经网络推荐模型(deep neural network recommendation model,DeepRec)。首先将通过数据预处理得到的用户偏好特征和项目属性特征的文本集合分别输入到卷积神经网络进行训练,得到用户和项目的深层次非线性特征,同时将评分矩阵输入多层感知机得到用户偏好隐表示,并对两种模型提取的用户偏好隐表示进行融合;其次利用多层感知机建模用户和项目隐表示对用户进行个性化推荐;最后基于三组数据集以均方根误差为评估指标进行对比实验。结果表明DeepRec的预测误差更低,有效提高了推荐的精准度。

基于聚类数的评分矩阵恢复算法

评分矩阵(rating matrix)的特点是高维、稀疏、低秩,对其研究的主要方法是低秩矩阵恢复。对这些算法而言,不同评分矩阵的秩,会得到不同的恢复精度。但目前没有理论来研究评分矩阵秩的估计,从而影响了这些算法的应用。从理论上分析了用户聚类数与评分矩阵秩的关系,给出用户聚类数的计算方法,并在此基础上提出一种基于聚类数的秩1矩阵恢复(Clusters Number Rank-1 Matrix Completion,CN-R1MC)算法来恢复评分矩阵。通过在多个推荐系统数据集上的实验证明:用户聚类数能较好地近似评分矩阵的秩,这对提高评分矩阵的恢复精度有重要的作用。所提出的算法有较好的应用价值。

一种基于相同评分矩阵的协同过滤补值算法

针对协同过滤中面临的数据稀疏问题,提出了相同评分矩阵的概念和一种基于相同评分矩阵的协同过滤补值算法。通过补值过程中实时维护的相同评分矩阵中体现的相似性关系,高效地填补缺失数据。实验结果表明,该算法有效地解决了数据稀疏性问题,提高了协同过滤的推荐质量。

融合评论文本和评分矩阵的电影推荐算法研究

针对电影推荐领域评论文本信息在传统推荐中未被充分利用,推荐准确度不高的问题,提出一种融合评论文本和评分矩阵的电影推荐算法.首先通过基于自注意力机制的双向门控循环单元神经网络对电影的高质量评论文本进行建模,提取评论文本中的特征,构建电影评论特征矩阵.同时使用隐语义模型对用户评分矩阵进行分解,得到用户潜在兴趣矩阵和电影潜在特征矩阵.最后通过改进的DeepFM融合电影评论特征矩阵和电影潜在特征矩阵得到电影综合得分并形成推荐列表,以达到推荐的目的.实验结果表明,与其他几种电影推荐算法相比,在AUC、F-Score、RMSE上平均提升分别约7.37%、9.32%、8.23%,最高提升分别为11.60%、15.22%、12.79%.

融合评分矩阵和评论文本的深度学习推荐模型

用户对项目评分数据的稀疏性是影响推荐质量的主要因素之一,提出了融合评分数据和评论文本的深度学习模型,通过引入辅助信息缓解评分数据稀疏性的影响。利用评论文本可以获取用户的偏好信息和项目特征,而评分数据中又包含了用户和项目之间的潜在关联。现有的融合模型对评分数据的处理大多数都是采用矩阵分解方法,为了更好地利用评分数据中的有效信息,文中利用卷积神经网络处理评论文本,并引入注意力机制提取评论信息中具有代表性的评论,从而更好地表征用户偏好和项目特征。利用深度神经网络处理评分数据提取其中的深度特征,将特征进行融合来预测出用户对项目的评分。文中在Amazon数据集上进行验证,以均方误差MSE作为评价指标,结果表明所提出的模型优于多个优秀的基线模型。

融合评分与评论的深度评分预测模型

近年来,基于评论推荐模型的出现有效缓解了传统推荐算法存在的数据稀疏性问题.该类模型主要利用文本中丰富的语义信息更好地捕捉用户的偏好特征以及物品的属性特征,以补充更多的相关信息,提高推荐性能.文本特征的提取往往存在语义信息提取不精准的问题,导致推荐效果不理想.本文提出了融合评分与评论的深度评分预测模型(Deep Model combining Rating and Review,DMRR).一方面,该模型融合了评分数据与评论信息,利用评分矩阵引入物品可推荐度与用户偏好程度,使评论文本特征得到增强.另一方面,该模型有效结合了CNN与GRU进行文本信息特征提取,考虑了文本之间密切的依赖关系,以克服传统文本特征提取方法忽略上下文关系的不足.在Amazon上的4个子数据集和Yelp数据集的实验结果表明,该方法与已有的相关算法相比较,均有效地提高了评分预测准确性.

基于融合文本与评分的多头注意力推荐算法

基于协同过滤模型一直被数据的稀疏性问题限制了推荐效果,诸多研究利用深度模型去挖掘评论文本中的抽象特征,但却忽略协同过滤中矩阵分解的隐向量特征。为解决上述问题,文中提出一种融合文本与评分的多头注意力推荐算法模型MTS,将矩阵分解的隐向量特征作为多头注意力的key与CNN抽取的评论特征相结合,并计算用户与物品的相似矩阵,提取用户物品间的相互关联,最终输入FM实现特征融合并预测评分。实验表明,该模型与多个代表模型相比MAE都有较大提升,MAE的误差最大降低了22.17%。

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%。

采用矩阵评分优选立交下穿桥设计和施工方案

<正> 随着城市交通量的急剧增长,城市出入口道路与公路平面交叉已不适应交通的需要,大部分平交口正逐步改建为立体交叉。本文简介昆明市新民航路与320国道昆明过境公路立交工程采用矩阵评分优选设计和施工合理方案的经验。昆明市新民航路在1~k+310处穿越国道320线昆明过境段。过境公路为一级公路。

基于用户属性和生成对抗网络的推荐系统

为提升推荐精度,解决传统推荐算法在用户评分向量中存在的未评分项语义模糊造成的推荐精度下降问题,提出一种基于用户属性的条件生成对抗网络的推荐方法。将用户的属性特征进行提取和编码,并作为生成对抗网络的条件,通过这种明确信号指导用户偏好的生成并进行推荐。在两个公开的电影评分数据集上进行实验,实验结果表明,所提方法可以有效改善推荐精度,在各评价指标上均优于现有方法,具有一定实用价值。

基于用户评论的情感量化评分模型研究

用户的情感倾向在推荐算法中起到非常重要的作用,本文利用设计的情感模型对用户评论进行量化计算,并利用一定的公式计算用户情感值和用户评分所占的比例,构建最终用户评分矩阵模型。经过实验证明,该模型比单纯的用户评分更能反映出用户的情感倾向。

面向移动终端的图书馆书籍智能推荐系统

针对图书馆书籍智能推荐系统流行度以及新颖度较低的缺陷,提出面向移动终端的图书馆书籍智能推荐系统。用户通过移动终端登录系统后,数据信息服务器通过移动网络接收用户需求同时发送至后台应用处理服务器,后台应用处理服务器选取内容-协同过滤推荐算法利用调和加权因子建立图书馆书籍的伪评分矩阵,采用Pearson相关系数获取活跃用户间相似度,将用户加权因子与相似度相结合获取最终推荐评分实现图书馆书籍智能推荐。系统测试结果表明,采用该系统为用户智能推荐图书馆书籍,推荐准确率高于98%,具有较高的推荐流行度以及新颖度,可满足书籍智能推荐系统的个性化需求。

融合隐式信任与属性偏好的群组推荐算法

随着互联网和推荐系统的不断发展,推荐服务的对象由单一用户扩展为群组成员,获取并融合组内成员的偏好、提升群组推荐效果成为当前推荐领域研究的热点问题.利用用户提供的多属性评分矩阵,提出一种融合隐式信任与属性偏好的群组推荐算法.首先,基于用户共同评分项目数和多属性评分相似度计算用户间的直接隐式信任,并利用信任传递机制获取用户间的间接信任,降低数据稀疏性.然后,通过计算用户各属性评分与总体评分间的距离来挖掘用户的属性偏好,在此基础上,利用注意力机制学习组内用户权重,将用户偏好聚合为群组偏好,进而结合深度学习框架对候选项目进行预测,生成最终的推荐列表.最后,四个数据集上的实验验证了提出的算法的有效性和可行性,实验结果表明,该算法的准确率、nDCG等评价指标明显优于对比算法.

图书分类推荐算法研究

为了解决传统的图书推荐系统存在的评分矩阵巨大、推荐结果不精准的问题,本文提出了一种图书分类下的推荐算法。首先对图书进行分类,然后生成各个图书类别下的评分矩阵,在数据计算规模减少的同时实现分类推荐。实验结果表明,与传统的推荐算法相比,本文算法的推荐图书种类更加丰富,推荐图书的总数量平均提升11%。

HAZOP分析在天然气长输管道站场中的应用

为了排查和分析在役天然气长输管道运行期间存在的危害因素,基于危险与可操作性分析(HAZOP)原理,对天然气长输管道站场的HAZOP分析流程进行了梳理说明,形成了针对性和操作性强的HAZOP分析方法。通过实例分析,提出了深入挖掘HAZOP分析发现的管理缺陷问题,总结了天然气长输管道站场HAZOP分析的注意事项。

基于用户的协同过滤算法的推荐效率和个性化改进

针对传统的基于用户的协同过滤算法存在的推荐效率、精度和个性化低的问题,提出一种改进方法.该方法在计算用户评分矩阵时,考虑到用户评分矩阵稀疏性,建立项目-用户的倒查表,只计算有相同评分项的用户之间的相似度,避免了传统方法中对所有用户计算两两用户相似度的庞大工作量.该方法在计算用户相似度时,考虑到项目的热门程度不同,"惩罚"了用户共同兴趣列表中的热门项目,避免了传统方法中赋予所有项目相同权值对推荐结果个性化的负面影响.本文在详细分析了改进的用户协同过滤算法的原理和优点,给出了其推荐步骤流程图.在Movielens100K和HetRec2011-movielens-2k公开数据集上,十折交叉验证的结果表明,改进后的算法节约了运行时间,提高了推荐算法的效率和个性化.