完全图高阶关系驱动的链接预测

图卷积网络(graph convolutional network,GCN)因其在处理图数据方面的独特优势而被广泛应用于推荐系统中,它通过利用图中节点之间的依赖关系传播节点属性信息,极大地提高了节点表示的准确度从而提升推荐性能.然而现有基于GCN的推荐方法仍因过平滑问题而难以进行更深层的建模,从而限制了用户与项目间高阶关系的表达.为此,提出了一种基于项目间关系的完全图高阶关系驱动的链接预测(link prediction driven by high-order relations in complete graph,LinkCG)方法.LinkCG通过用户-项目交互图与项目间隐式关联关系全局图组成的异构图预测用户到项目的链接,跳过了中间的用户节点直接利用完全图建模每个用户历史交互的项目间的局部隐式关联关系,获得项目间的高阶关系从而缓解数据稀疏性问题;此外,不同于基于节点嵌入的推荐方法,LinkCG通过赋予项目间的链接权重来表示项目间关系的紧密程度,并根据紧密程度进行链接预测,优化了模型的训练过程.在3个公开数据集上的实验结果表明,LinkCG作为只包含2个超参数的非深度学习模型,与一些先进的基于深度学习的基线方法相比提供了更好的性能.在社交关系数据上的应用进一步表明LinkCG能够从用户历史交互项目中获取足够丰富的用户偏好信息.

融合上下文信息的图神经网络推荐模型研究

传统推荐算法缺少对图结构的隐含信息及上下文信息的利用,从而可能降低推荐效果。为提高传统推荐算法的推荐效果,提出基于图神经网络的推荐模型。该模型基于图的高阶连通性理论,使用图神经网络挖掘用户-物品二部图中的隐含信息,并由一阶扩展到多阶,从而获取更精确的嵌入式表示和推荐效果;在更新过程中考虑上下文信息,有利于理解上下文间的交互关系。并将该模型在Yelp-OS、Yelp-NC和Amazon-book数据集上进行实验,实验结果表明,在HR(Hit Ratio)和NDCG(Normalized Discounted Cumulative Gain)指标上均优于相关对比算法,证明该算法可优化推荐效果,提升推荐质量。

基于着色模体的用户偏好学习和推荐方法

为充分挖掘和利用异质信息网络中的结构和关联信息,提出一种基于异质图的推荐模型。引入着色模体,其作为异质网络中反复出现的高阶结构,可用于表达网络中有意义的用户行为或关联模式,通过构建基于模体的邻接矩阵发现异质网络中节点间的高阶语义关联信息,利用图神经网络及注意力机制学习高效的用户(项目)节点表示,实现用户偏好学习和推荐。实验结果表明,在3个重要评价指标上,该算法优于主流的推荐方法。

结合图注意力机制的知识图谱推荐算法

由于传统推荐算法存在数据稀疏性和冷启动问题,并且将物品作为单独的个体,没有考虑到物品之间存在的关系。为了解决这些问题,考虑引入知识图谱这一辅助信息。但现有的基于路径以及基于嵌入的知识图谱推荐算法没有考虑不同实体对于用户的重要性不同,导致重要性更低的实体对推荐结果的影响反而更大。针对这类局限性,文中提出了一种结合图注意力机制的知识图谱推荐系统,该推荐系统首先使用图嵌入方法生成用户和项目的初始表示,然后在表示传播时采用注意力机制区分不同邻居实体的重要性,通过权值加和来生成用户和项目的向量表示,最后预测层生成用户和项目的最终表示,并根据最终表示预测用户和项目交互的概率。在两个公开数据集Amazon-book和Last-fm上与其他算法进行对比实验,实验结果表明,该模型在指标recall,ndcg,precision,HR上均有提高,证明其能有效提高推荐的准确度。

图卷积网络中各传播层的权重分析实验研究

图卷积网络(GCNs)在协同推荐领域取得了巨大的成功,与其他算法相比,它的性能得到了大幅度的提升。研究表明,其算法成功的关键在于它的高阶连通性以及邻域聚合:先通过二部图来表示用户与项目的交互,然后通过图的信息传播、聚合等操作学习有效的用户和项目嵌入表示,最后基于学习到的表示,实现准确的推荐。为了进一步提高性能,轻量化图卷积(LightGCN)改进了GCNs算法中不必要的特征变换和非线性激活步骤,通过对各传播层组合权重的深入研究和对比实验发现:默认的平均权重并不能很好地发挥图卷积的性能,而应该将较大的权重分配给高阶传播层。

如何利用图书馆主页来完善图书馆的文献资源建设

该文首先指出高校图书馆目前文献资源建设过程中遇到的问题,通过对国内部分高校图书馆网站文献资源建设的调查,就推荐购买、图书馆与用户之间的沟通方式、推荐购买系统作了统计与分析,指出网络采访的优势和实施用户资源荐购的必要性,提出要充分利用网络与用户沟通,让用户积极主动参与图书馆的文献资源建设,并给出具体的解决办法。

基于图书征订目录建立图书荐购系统的技术研究

分析了建立图书荐购系统的意义 ,论述了图书荐购系统的运作模式、基于SQLServer2 0 0

基于隐马尔科夫模型(HMM)与张量分解的两阶段个性化推荐模型与应用

针对个性化推荐系统中用户偏好的进化学习与高维稀疏数据处理的问题。受隐马尔科夫模型(HMM)结构特征启发,提出了一种考虑上下文感知的两阶段用户偏好集推理策略的个性化推荐算法(HHRA算法)。通过对系统历史评分信息的处理,将用户偏好的提取过程抽象为一个HMM模型,来进行第一阶段的用户偏好集学习与推理。然后在此基础上,引入用户的实时上下文信息,构建了一种融入用户实时偏好的张量模型,并基于一种改进的高阶奇异值分解算法来处理高维稀疏的数据集,对模型进行优化求解,生成最优推荐集合。实验设计在3个具有不同特征的真实数据集上将HHRA算法与传统经典推荐算法进行对比分析,结果显示HHRA算法具有较好的适应性和推荐质量。

从同行承认到规范推荐--开放评价引发的开放科学革命与人才制度革命

为克服同行评议和文献计量法的根本缺陷,作者于15年前提出开放评价法这一替代方案。经过不断改进,迄今在实现学术评价客观化方面又有新的进展。为了突破同行承认是硬通货这一金科玉律,让非共识的原创、突破、颠覆性创新成果及时胜出,让原创人才、颠覆性创新人才及时胜出并充分发挥作用,建议用规范推荐取代通行的同行承认。这一主张基于程序公信、评价结果可重复的开放评价原则,它会使包括用户在内的外行评价成为可能,由此形成真正的学术市场和思想市场。工业革命形成经济市场实现了人类创造力的第一次大解放,让拥有商业才能者如鱼得水;开放科学革命将形成有效的学术市场和思想市场,实现人类创造力的第二次大解放,它会使拥有学术才能者如虎添翼,新型科研机构、教育机构如工业革命之后的公司企业,迅速崛起,纵横天下。率先发动和实现开放科学革命和人才制度革命的国家、地区与机构,将在吸引、保持拔尖人才方面赢得先机和优势。

点餐平台推荐系统模型设计

设计应用于自助点餐平台的推荐系统模型,将用户的协同过滤推荐应用到推荐系统中,根据获取用户的点菜频率和用户查看菜单的模式构建用户—菜品评价矩阵,在计算用户对菜品兴趣度时增加季节作为权重系数,提高菜品推荐准确性,在推荐过程中通过获取用户特征信息和给菜品打标签解决冷启动的问题,并结合关联规则实现套餐推荐.

对做好民主测评与民主推荐工作的实践与思考

民主测评、民主推荐工作应从健全制度、完善机制入手 ,注重不断扩大参评人员范围、增加评议透明度、提高参评人员素质 ,使组织部门能够了解到真实民意 ,并充分尊重民意选拔任用干部 ,从而促进民主测评、民主推荐工作科学化。

基于复杂结构数据聚类的推荐系统

针对目前推荐系统存在的不能处理结构复杂、语义丰富领域的推荐问题以及对项目空间和用户空间本质特征理解的狭窄性和简单性、稀疏性问题、可扩展性问题，研究了基于复杂结构数据聚类的推荐方法，提出了一个新颖、有效、具有高可扩展性的基于复杂结构数据聚类的混合型推荐系统HRSCCSD。该系统能同时融合用户语义、项目语义和项目协同多方面信息，极大地拓展了当前推荐系统的应用深度和广度。实验表明，所提出的推荐技术在覆盖性、准确性以及可扩展性方面均优于当前主流的推荐技术。

高校图书馆荐购系统应用问题分析——以郑州大学图书馆为例

以郑州大学图书馆荐购系统为例,介绍其系统架构和基本工作流程,分析其使用状况和存在问题,提出提升荐购系统工作效率和服务质量的对策。

一种基于Spark时效化协同过滤推荐算法

针对传统的批量学习的基于模型的协同过滤算法对新用户(物品)更新缓慢,模型重训练成本高且扩展性不足,对噪音数据的处理有待提高,尤其是随着数据量的增长和时效性要求越来越高,挖掘其中的知识变得越来越困难等问题,对置信权重在线协同过滤算法进行改进。引入自适应软边缘,提出二阶在线优化方法处理在线协同过滤中问题的新算法(Soft Confidence Weighted Online Collaborative Filtering,SCWOCF),并在Spark流处理推荐框架下利用四组真实数据与相关算法作对比测试。实验结果表明,新算法能够及时处理用户(物品)的动态变化,并提升推荐的实时性和准确性,降低计算成本,对噪声数据健壮性更强。

基于关联度的智能荐菜系统设计与实现

设计并实现了一个基于关联度的无线智能荐菜点餐系统,该系统包括服务器、移动智能点餐终端和厨房显示终端三部分,通过顾客点餐的历史数据计算菜品之间的关联度,推测顾客对菜品的喜好,根据菜品关联度的高低实现向顾客智能推荐菜品。对比那些仅具有点菜功能的点菜宝等产品,本系统实现智能推荐菜品这一关键技术。经测试,系统能够实时地根据用户所选菜品,智能推荐出几种与之相关的菜品,在餐饮行业将具有很好的应用前景。

基于项目云的有序秩聚类在推荐系统中的应用

为进一步提高推荐系统的推荐精度,提出一种新的基于项目云的有序秩聚类协同过滤推荐算法,其中包括三大步:数据处理,有序聚类,生成推荐。该方法不仅借助定性分析思想利用项目云有效地填充了缺失数据,而且通过对项目分布的数字特征做排序、分割、聚类,在类内产生"邻居",大大缩短了计算时间。通过在MovieLens数据集上的实验表明,在平均绝对误差和预测精确度上,该算法确实优于传统推荐算法。

基于双端知识图的图注意推荐模型

针对现有图神经网络在捕获知识图谱信息并进一步用于推荐时,侧重于项目端建模所存在的问题,提出一种基于双端知识图的图注意推荐模型。该模型通过从用户端和项目端在知识图谱上挖掘相关属性来有效增强推荐。从用户端角度,通过知识图谱中实体之间的联系传播用户兴趣,沿着知识图谱中用户的历史点击项来扩展用户的潜在兴趣;从项目端角度,通过捕获知识图谱中的高阶结构和语义信息,对每个实体的邻居抽样作为接收场,通过图注意获得实体-实体交互信息,以此建模高阶邻域信息,最后使用交叉熵损失函数进行训练。结果表明,所提模型在关于电影、书籍和音乐推荐的三个数据集上,有效提高了推荐的准确性和可解释性。

订餐系统推荐模块设计

随着经济的发展,人们对饮食的要求逐渐提高,这促进了各种网上订餐系统的兴起和发展。基于此,设计了推荐模块,以提高系统的运行效率。针对网上订餐的特点,引入粒计算思想,利用粒关联规则挖掘算法探索顾客与菜品间的粒关联规则,减少推荐模块运行时间的消耗。同时,采用为菜品添加标志位的方法,避免相同菜品出现于推荐目录,提高推荐的命中率。

基于高阶特征交互的点击率预估模型的实现

传统的低阶特征模型不能充分利用大数据,从多个维度描述数据和用户。专注于高阶特征提取,结合显式和隐式特征交互的点击率预估模型可以利用好大数据的特点。使用Tensorflow框架搭建包含深度神经网络、因子压缩交互网络和多重特征自交互网络结构的模型,使用淘宝展示广告点击率预估数据集进行训练。模型采用对数损失值和ROC曲线下面积作为评价指标,与原始的LR、FM、Deep&Wide等典型模型进行比较,对数损失值降低了0.04,AUC值提高了0.05左右。

基于位置服务的分布式差分隐私推荐方法研究

随着移动互联网技术的迅速发展,传统的推荐系统已不能很好地适应基于位置的推荐服务,同时也面临隐私泄露的问题.本文针对上述问题,首先提出一种分布式隐私保护推荐框架,并利用差分隐私保护理论,设计基于分布式框架的奇异值分解推荐算法,同时利用保序加密函数实现用户请求位置的保护.理论分析和在两个真实的数据集上的实验表明,本文提出的方法不仅具有较强隐私保护能力,同时相比传统的几种推荐算法,也具有较好的推荐性能.