推荐反馈论文-何瑾琳,刘学军,徐新艳,毛宇佳

导读:本文包含了推荐反馈论文开题报告文献综述及选题提纲参考文献，主要关键词:node2vec,推荐系统,神经网络,深度学习

推荐反馈论文文献综述

何瑾琳,刘学军,徐新艳,毛宇佳^[1]（2019）在《融合node2vec和深度神经网络的隐式反馈推荐模型》一文中研究指出利用隐式反馈信息实现个性化推荐是实用且具有挑战性的研究课题。对如何有效结合辅助信息来解决数据稀疏问题从而实现高效推荐的问题进行了研究,提出了一种融合node2vec和深度神经网络的隐式反馈推荐模型。该模型采用一种嵌入元数据的深度神经网络框架(Deep Neural Network Framework with Embedded Meta-data,Meta-DNN),首先将用户和项目的one-hot向量进行低维映射,再嵌入元数据信息,并结合node2vec的二阶随机游走方法学习网络中的邻居节点,使得相邻节点具有相似的节点表示,同时通过增强相邻用户和项目的平滑度来缓解数据稀疏性;最后使用深度神经网络进一步学习用户对项目的偏好,进而为用户产生推荐。其中,还引入了流行度参数对未知项目进行非平均抽样,优化隐式反馈负采样策略。在Gowalla和MovieLens-1M两个数据集上的实验表明,所提方法可以明显提高系统的预测性能和推荐质量。(本文来源于《计算机科学》期刊2019年06期）

郭秋君^[2]（2019）在《基于用户行为反馈的推荐算法的研究》一文中研究指出随着计算机技术的不断发展,每天都有海量的信息持续更新和增加,面对互联网上纷杂的数据,人们通常难以从其中找到自己真正需要的信息资源,推荐算法因此被提出。推荐算法能够根据用户以往的行为及评分预测出用户偏好,针对当前用户生成一个独一无二的推荐列表,主动引导用户对信息的发现。目前大部分的推荐算法利用的都是用户的显式反馈(比如评分),但这些显式反馈收集难度大且真实性无法保证。实际上,探究用户对物品的兴趣还可以依靠存在Web日志中的大量隐式反馈。就电商平台而言,用户从搜索到下单必然产生许多中间数据——点击、浏览、关注、收藏、加购等等,这些行为数据在未被用户察觉的情况下收集,能够真实可靠地反映用户兴趣,且这些行为数据能够实时更新,因此基于用户行为的推荐算法具有重要的研究价值。本文对推荐算法国内外发展现状、常用数据集以及测评指标进行了充分的调研,并分析了现有研究成果的不足,开展了如下工作:(1)要利用行为数据进行推荐,首先要建立起用户行为与用户兴趣间的联系,将用户行为量化表示,这需要对用户行为进行深入理解与分析,准确挖掘行为和兴趣间的隐含关系。一般的算法都是直接人为地给用户行为赋予分数,这种方法十分粗糙,可解释性差,造成行为模型不能够准确表示用户兴趣度。因此,本文提出了一种能准确衡量用户兴趣度的用户行为模型。该模型充分分析了行为产生的动机,利用主观G1法和客观熵值法两种方式给行为赋权,并结合时间因素对模型造成的影响,提高了模型的准确性,为如何利用行为数据提供了新的解决思路。实验结果表明,用户行为模型降低了人为赋权所导致的误差,提高了的推荐结果准确性。(2)基于用户行为的推荐算法受平台或数据集的限制一般都是离线定期更新,但在现实生活中用户兴趣每时每刻都在发生改变,因此体现着用户兴趣的行为模型也应该不断变化,这对算法的时间复杂度提出了更高的要求。内在兴趣的变化影响着外在行为的表达,因此系统收集到的反馈也在实时更新着,因此我们将利用这些源源不断的反馈修正模型,利用矩阵分解达到模型的动态更新,并在此基础上提出了一种基于用户行为反馈的推荐算法。实验结果表明,该算法能够有效提高模型的更新速度,也进一步提高了推荐结果的准确性。(本文来源于《北京交通大学》期刊2019-06-01）

高山^[3]（2019）在《基于多种用户行为反馈的协同过滤推荐算法研究及在健康服务平台上的应用》一文中研究指出随着信息技术和互联网的普及和迅猛发展,各种创新性的互联网服务已发展成为与人类生产、生活的各个方面密切相关的重要组成部分。全球数据规模的井喷式激增,将现代社会推入了信息过载的新时期。面对浩如烟海的数据,人类如何能够借助智能技术和工具将自身解放出来,为其主动获取、发现并推送与个人兴趣偏好相一致的产品和服务,已经成为一个重要的研究课题。推荐系统发展至今,协同过滤技术是推荐系统中应用最成功、使用最广泛的技术之一。但是,在真实应用环境下,由于用户行为的复杂性和数据类型的不断丰富等情况,传统的协同过滤推荐技术在相似度计算的准确性、对级排序方法中相对偏好关系的有效性、隐式反馈的偏好表达不对称性以及多种类型隐式反馈的不确定性等方面仍面临诸多新的问题和挑战。本文主要针对以上问题开展研究工作,主要工作和创新成果总结为以下几个方面:1.本文提出了一种融合多种用户行为重合依赖度的协同过滤推荐算法。针对因公共评分数量偏少造成传统相似度计算方法的准确性出现偏差的问题,本文将局部评分重合度和在全体评分数据中的全局依赖度进行结合,提出了新的基于重合依赖度的相似度计算方法。同时,引入两种用户行为,探索使用不同类型的显式反馈数据对相似度的度量进行互补,提出一种融合多种用户行为重合依赖度的协同过滤推荐算法。实验结果表明,该算法可以缓解因数据稀疏性而导致的相似度度量不准确的问题,提高推荐算法的预测准确率。2.本文提出了一种基于混合类型项目集对级偏好的排序学习推荐算法。针对基于单个项目和基于单一类型项目集的对级偏好关系假设在真实应用环境中并不总是有效的问题,本文基于用户对大量未选择项目存在的潜在偏好,改进对级偏好关系假设的粒度,通过二元混合集合扩展的方式,提出了一种基于混合类型项目集对级偏好的排序学习推荐算法。实验结果表明,新提出的基于混合类型项目集的对级偏好关系在真实应用环境中更具一般性和合理性,其相应的推荐算法具有更高的推荐性能和推荐准确度。3.本文提出了一种基于多关系隐式反馈的排序学习推荐算法。针对因隐式反馈中只包含正反馈信息导致推荐模型因不能全面完整的学习表达用户整体兴趣偏好的信息而产生模型偏置的问题,本文在贝叶斯个性化排序模型仅使用用户单一类型隐式反馈的基础上,引入了用户的辅助隐式反馈数据,并结合辅助系数来区分用户对不同类型反馈中项目的偏好差异,提出了一种基于多关系隐式反馈的排序学习推荐算法。实验结果表明,该算法可以有效缓解隐式反馈的偏好表达不对称性问题,提升推荐算法的性能和准确度。4.本文提出了一种基于多关系隐式反馈置信度的排序学习推荐算法。针对多种类型隐式反馈的不确定性问题,本文在引入多种类型的辅助隐式反馈时,通过逻辑回归模型和基于树的特征选择模型来学习主反馈和辅助反馈之间的相关性和可信度,并根据置信度对多种类型辅助反馈进行筛选,提出一种基于多关系隐式反馈置信度的排序学习推荐算法。实验结果表明,该算法能够选出更有效的隐式反馈数据,准确刻画多关系隐式反馈中的用户偏好,能够有效提升推荐算法的性能和准确度。5.将本文提出的推荐算法应用于“名医网”健康服务平台,有效提升了平台的信息推荐性能。(本文来源于《郑州大学》期刊2019-05-01）

郭晓晓^[4]（2019）在《基于多类型隐式反馈置信度的协同过滤推荐算法研究》一文中研究指出随着互联网和大数据技术的发展,信息过载问题日益严重。推荐系统是解决信息过载问题的有效工具,当前个性化推荐技术在电子商务平台、社交网络等领域内得到了广泛的应用。其中,学者们已经提出许多经典的基于显式反馈的协同过滤推荐算法。然而基于显式反馈的协同过滤推荐算法存在数据量少、获取方式有限和不易获取等问题,从而使得推荐性能不佳。因此为了能够更容易获取丰富的数据量,数据更多样化的基于隐式反馈的协同过滤推荐算法正逐渐成为热点。对同一用户而言,其产生的多类型隐式反馈对预测用户偏好具有不同的影响,目前大多数基于隐式反馈的协同过滤推荐算法都只是选择其中一类或是两类反馈来实现推荐,导致数据稀疏问题严重,从而使得推荐结果不够精准。若是将这些多类型隐式反馈应用到推荐算法中,可以缓解推荐系统中的数据稀疏问题。因此,本文针对基于隐式反馈的推荐方法中由于用户单一行为模式下对已有项目交互过少带来的数据稀疏问题,提出了一种基于多类型隐式反馈置信度的协同过滤推荐算法(Bayesian Personalized Ranking model with Multi-type Implicit Feedback Confidence,MTCBPR)。将用户多种行为进行互补和融合,并赋以置信度来衡量其对推荐质量的影响。通过逻辑回归和基于树的特征选择两种方法对数据集进行学习的置信度对多种类型隐式反馈进行筛选,以筛选出更有效的确定性辅助反馈,并且依据置信度来对不同类型的确定性辅助反馈的偏好表达进行量化。通过在公开数据集sobazaar上进行数据处理和实施对比实验,得到实验结果:本文所提出的MTCBPR算法在所采用的评价指标上都优于基准算法,能够进一步缓解数据稀疏问题,全面诠释用户的偏好和意愿,有效提高推荐性能。另外,为验证MTCBPR算法在其它真实数据集上的可行性,通过第叁方软件获取互联网健康服务平台上用户的多类型隐式反馈,主要包括用户的预约挂号、网上咨询名医、查找名医和访问名医个人空间这几种典型的历史行为,整理成数据集Topmd。实验结果表明,MTCBPR算法在该场景下仍具有较好的推荐效果。(本文来源于《郑州大学》期刊2019-05-01）

李红梅,刁兴春,曹建军,冯钦,张磊^[5]（2019）在《面向隐式反馈的标签感知推荐方法》一文中研究指出为进一步提高面向隐式反馈的标签感知推荐性能,针对隐式反馈数据的稀疏性问题以及标签数据的冗余、语义模糊等问题,提出了一种基于用户细粒度偏好和增量加权矩阵分解的个性化推荐方法。为缓解隐式反馈数据稀疏不平衡的影响,提出使用协同近邻用户关系从大规模未观测数据中挖掘目标用户可能感兴趣的潜在项目,即近邻用户感兴趣但目标用户未选择的项目,进而提出了用户对项目的细粒度偏好假设:观测项目>潜在项目>其他未观测项目,改进传统成对偏好假设的粗糙性。为获取更为可靠的近邻用户,利用基于深度学习的方法来抽取用户-标签的低维、抽象的深层语义特征,缓解了原始标签数据的冗余、语义模糊等对用户表征的影响。最后,基于用户的细粒度偏好提出一种增量加权矩阵分解模型,并进行快速优化求解与推荐。实验结果表明:提出的算法在多个排序推荐准确性的评价指标(Pre@5,NDCG@5,MRR)上分别提升了约9%,8%,9%,验证了所提算法的有效性。(本文来源于《计算机科学》期刊2019年04期）

翟航天,汪学明^[6]（2019）在《基于隐式反馈LDA模型的协同推荐算法研究》一文中研究指出传统基于用户和基于标签的协同过滤推荐算法仅采用用户评分显式信息进行分析,浪费掉大量的隐式反馈数据。为将隐式反馈数据加以利用,提出一种用户隐式反馈数据与资源标签相结合的协同过滤推荐算法。对资源-标签利用Gibbs Sampling算法进行采样分析,挖掘推荐系统中资源的主题并建立Latent Dirichlet Allocation (LDA)模型,将隐式反馈数据中的用户行为赋予主题标签以此获取用户标签偏好,并与资源标签计算出的资源相似度相结合,预测用户个性化偏好。在Retailrocket网站行为数据集上的实验结果表明,相较于传统基于隐式反馈和基于标签的协同过滤推荐算法,该算法能有效地解决用户标签模糊和资源主题分析存在偏差的问题,提高个性化推荐准确度。(本文来源于《计算机技术与发展》期刊2019年06期）

程晓娜^[7]（2019）在《基于隐式反馈的个性化推荐算法研究》一文中研究指出随着互联网信息过载的日益明显,推荐系统因为能为用户自动找到感兴趣的信息而得到越来越广泛的关注。推荐算法是推荐系统的核心,对推荐算法引起广泛关注始于以Netflix电影推荐为代表的评分预测问题。而随着用户使用习惯和心理预期的变化,以视频、音乐等为代表的娱乐平台需要基于隐式反馈进行推荐,这类问题往往比显式反馈推荐更加复杂。同时,随着深度学习在图像处理和自然语言处理领域取得重大突破,有更多的学者开始投入到基于深度学习的推荐算法的研究中,且取得了一定的进展。本文研究基于隐式反馈的个性化推荐算法。提出了一种基于嵌入共享的SE-WDL融合模型,首先对用户行为记录进行不同维度的统计学特征提取,然后对于统计特征、用户和物品元属性稀疏特征、ID超稀疏特征、用户行为序列组合特征分别设计Wide模块、Deep模块、LSTM模块,并采取Deep和LSTM嵌入共享以及联合训练的方式实现属性特征、统计特征和行为序列信息的充分融合。针对现有使用的模型对于用户不同类型的隐式反馈行为没有区分度,以及用户某些重要类型的反馈行为数据稀疏导致特征重要性低,而影响推荐系统个性化性能的问题,本文着重研究了基于用户行为类型的特征嵌入(embedding),首先设计了合理的不同行为类型权重赋予方式,并实现了基于行为权重LFM的特征嵌入;然后进一步设计Attention Matching Net,将“注意力”机制引入用户行为序列分析模块,使模型自动学习不同行为类型的权重,并将用户画像融合到user embedding vector中,实现了更加合适与准确的user和item特征嵌入。将两种方式生成的嵌入特征用于召回层的协同过滤和排序层的排序模型中,在本文的实验数据集上取得了良好的效果。(本文来源于《浙江大学》期刊2019-01-16）

贺方婷^[8]（2019）在《基于用户评论反馈的推荐系统》一文中研究指出随着信息时代的来临和互联网技术的发展,网络上的信息量飞速增长。为了使用户能快速从大量信息中获取有价值信息,推荐系统应运而生。本文针对用户评论反馈进行研究,将情感分析技术与组推荐技术相融合,提出了基于用户评论反馈的推荐算法。该算法运用了一种新的计算群组内成员权重的方法,由情感值、评论的篇幅在群组的占比及评论获支持度在群组中的占比叁部分组成。此算法在可以一定程度上降低虚假评论行为对推荐系统的干扰,并提高推荐的准确度和群组内成员的满意度。(本文来源于《通讯世界》期刊2019年01期）

俞东进,陈聪,吴建华,陈耀旺^[9]（2018）在《基于隐式反馈数据的个性化游戏推荐》一文中研究指出现有推荐系统通常采用评分、评论等显式反馈数据实现个性化推荐.然而,显式反馈数据由于在实际中难以获取或因质量问题而往往变得不可用,从而导致相关推荐算法的应用范围受到很大限制.与此相反,诸如点击行为、浏览记录等隐式反馈数据在现实中大量存在.本文提出了一种面向游戏玩家的基于隐式反馈数据的游戏推荐方法.该方法综合考虑了玩家操作次数、操作时长等隐式反馈数据及其时效性,构建了基于伪评分的玩家对游戏的偏好模型,而后通过改进了的SVD++(Singular Value Decomposition++)算法实现个性化游戏推荐.在大规模真实数据集上的实验结果表明本文提出的方法具有更高的推荐精确率和召回率.(本文来源于《电子学报》期刊2018年11期）

周巧扣,倪红军^[10]（2018）在《基于多种隐式反馈数据的商品推荐算法》一文中研究指出个性化推荐是解决信息过载的有力工具,其根据用户在推荐系统中的历史行为,向用户推荐可能感兴趣的信息和商品。用户的行为记录可以分为显式反馈和隐式反馈。针对隐式反馈数据不能很好地反映用户偏好的问题,在BPR算法的基础上进行扩展,提出一种基于多种隐式反馈数据的商品推荐算法,采用更细粒度的偏序关系建立用户偏好。根据用户购买商品的次数和时间建立用户对已购买商品偏好的置信度;根据置信度建立用户对已购买商品之间的偏序关系。同时利用已购买商品间的偏序对和已购买商品与未购买商品间的偏序对训练目标模型,提高推荐算法的性能。在真实数据集上进行了仿真实验,将该算法和相关算法进行对比实验。实验表明,该算法具有更好的性能。(本文来源于《计算机应用与软件》期刊2018年10期）

推荐反馈论文-何瑾琳,刘学军,徐新艳,毛宇佳

推荐反馈论文文献综述

推荐反馈论文开题报告

推荐反馈论文参考文献

猜你喜欢