期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于生成对抗网络的评分可信推荐模型
1
作者
王永
王淞立
邓江洲
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2024年第3期396-403,共8页
现有的基于深度学习的推荐模型主要致力于提升推荐系统的准确性。然而,除了推荐准确性外,模型的推荐可靠性也备受关注。该文提出一种基于生成对抗网络的评分可信推荐模型来评估预测结果的有效性,以实现推荐准确性与可靠性间的权衡。该...
现有的基于深度学习的推荐模型主要致力于提升推荐系统的准确性。然而,除了推荐准确性外,模型的推荐可靠性也备受关注。该文提出一种基于生成对抗网络的评分可信推荐模型来评估预测结果的有效性,以实现推荐准确性与可靠性间的权衡。该模型仅利用用户显式评分信息获取预测评分的可信度,并根据设定的可靠性阈值筛选出具有高可信度的预测评分,以保证推荐项目的可靠性。此外,为了提高模型的预测效果并确保训练的公平性,设计了正样本填充策略来缓解评分可靠性矩阵中的数据不均衡问题。在3个真实数据集上的实验结果表明,该模型在Recall和NDCG指标上均优于所选的对比方法,有效提高了推荐系统的性能。
展开更多
关键词
生成对抗网络
填充策略
可靠性
推荐系统
在线阅读
下载PDF
职称材料
融合注意力机制的残差神经协同过滤推荐模型
2
作者
王永
李行健
邓江洲
《运筹与管理》
CSSCI
CSCD
北大核心
2024年第10期201-208,共8页
基于深度学习的推荐模型由于能够较充分地发掘数据中蕴含的低阶与高阶特征,展现出良好的应用潜力。由于推荐领域的数据非常稀疏且各用户的数据差异很大,在使用深度学习模型捕捉数据的高阶特征时很容易出现梯度异常的问题。同时,在融合...
基于深度学习的推荐模型由于能够较充分地发掘数据中蕴含的低阶与高阶特征,展现出良好的应用潜力。由于推荐领域的数据非常稀疏且各用户的数据差异很大,在使用深度学习模型捕捉数据的高阶特征时很容易出现梯度异常的问题。同时,在融合数据的高阶特征和低阶特征时,当前的研究鲜有考虑用户的个性化偏好。为了解决上述问题,本文将残差的概念引入基于深度学习的推荐算法中,提出了一种融合注意力机制的残差神经协同过滤模型。该模型首先利用多层神经网络来提取用户和项目间的高阶特征,然后借助残差结构来传递低阶特征,防止梯度消失问题。同时,本文模型借助注意力机制来融合高阶特征与低阶特征,为不同用户分配不同的特征权重,以便更充分地反映用户的个性化偏好,提升推荐质量。在三个真实数据集上的实验显示,本文模型在各个推荐指标上均优于当前主要的同类型方法,有效提高了推荐系统的性能,具有良好的应用潜力。
展开更多
关键词
推荐算法
残差
注意力机制
协同过滤
在线阅读
下载PDF
职称材料
题名
基于生成对抗网络的评分可信推荐模型
1
作者
王永
王淞立
邓江洲
机构
重庆邮电大学电子商务与现代物流重点实验室
出处
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2024年第3期396-403,共8页
基金
国家自然科学基金(62272077,72301050)
重庆市自然科学面上基金(cstc2021jcyj-msxmX0557)
重庆市教育委员会科学技术研究项目(KJQN202300605)。
文摘
现有的基于深度学习的推荐模型主要致力于提升推荐系统的准确性。然而,除了推荐准确性外,模型的推荐可靠性也备受关注。该文提出一种基于生成对抗网络的评分可信推荐模型来评估预测结果的有效性,以实现推荐准确性与可靠性间的权衡。该模型仅利用用户显式评分信息获取预测评分的可信度,并根据设定的可靠性阈值筛选出具有高可信度的预测评分,以保证推荐项目的可靠性。此外,为了提高模型的预测效果并确保训练的公平性,设计了正样本填充策略来缓解评分可靠性矩阵中的数据不均衡问题。在3个真实数据集上的实验结果表明,该模型在Recall和NDCG指标上均优于所选的对比方法,有效提高了推荐系统的性能。
关键词
生成对抗网络
填充策略
可靠性
推荐系统
Keywords
generative adversarial networks
filling strategy
reliability
recommender systems
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
融合注意力机制的残差神经协同过滤推荐模型
2
作者
王永
李行健
邓江洲
机构
重庆邮电大学经济管理学院
出处
《运筹与管理》
CSSCI
CSCD
北大核心
2024年第10期201-208,共8页
基金
国家自然科学基金资助项目(62272077,72301050)
教育部人文社科规划基金项目(20YJAZH102)
重庆市自然科学基金面上项目(cstc2021jcyj-msxmX0557)。
文摘
基于深度学习的推荐模型由于能够较充分地发掘数据中蕴含的低阶与高阶特征,展现出良好的应用潜力。由于推荐领域的数据非常稀疏且各用户的数据差异很大,在使用深度学习模型捕捉数据的高阶特征时很容易出现梯度异常的问题。同时,在融合数据的高阶特征和低阶特征时,当前的研究鲜有考虑用户的个性化偏好。为了解决上述问题,本文将残差的概念引入基于深度学习的推荐算法中,提出了一种融合注意力机制的残差神经协同过滤模型。该模型首先利用多层神经网络来提取用户和项目间的高阶特征,然后借助残差结构来传递低阶特征,防止梯度消失问题。同时,本文模型借助注意力机制来融合高阶特征与低阶特征,为不同用户分配不同的特征权重,以便更充分地反映用户的个性化偏好,提升推荐质量。在三个真实数据集上的实验显示,本文模型在各个推荐指标上均优于当前主要的同类型方法,有效提高了推荐系统的性能,具有良好的应用潜力。
关键词
推荐算法
残差
注意力机制
协同过滤
Keywords
recommended algorithm
residual
attention mechanism
collaborative filtering
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于生成对抗网络的评分可信推荐模型
王永
王淞立
邓江洲
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
融合注意力机制的残差神经协同过滤推荐模型
王永
李行健
邓江洲
《运筹与管理》
CSSCI
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
