-
题名基于潜在因子模型的跨领域信息推荐算法
被引量：6
- 1
-
-
作者
高升
任思婷
郭军
-
机构
北京邮电大学
-
出处
《电信科学》
北大核心
2015年第7期75-79,85,共6页
-
基金
国家自然科学基金资助项目(No.61300080
No.61273217)
教育部-中国移动科研基金资助项目(No.MCM20130310)~~
-
文摘
互联网环境下,不同领域中多源异构信息对象的交互融合使用户面临大数据环境下的信息选择困境,传统的信息推荐算法已很难适应跨领域的信息推荐服务。综合分析了不同领域内用户对信息对象的评价数据,基于潜在因子模型抽取了不同领域中某一用户聚类集合对某一信息对象聚类集合评分模式的跨领域共性特征和单领域个性特征,进而通过传递、共享跨域共性特征信息的方式缓解了目标领域的数据稀疏性问题,提高了跨域信息推荐的准确度。
-
关键词
跨领域信息推荐
潜在因子模型
用户评价模式
-
Keywords
cross-domain recommendation, latent factor model, user rating pattern
-
分类号
TP393.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于潜在因子模型在子空间上的缺失值注意力聚类算法
- 2
-
-
作者
王啸飞
鲍胜利
陈炯环
-
机构
中国科学院成都计算机应用研究所
中国科学院大学
-
出处
《计算机应用》
CSCD
北大核心
2023年第12期3772-3778,共7页
-
基金
中国科学院西部青年学者项目(RRJZ2021003)。
-
文摘
针对传统聚类算法在对缺失样本进行数据填充过程中存在样本相似度难度量且填充数据质量差的问题,提出一种基于潜在因子模型(LFM)在子空间上的缺失值注意力聚类算法。首先,通过LFM将原始数据空间映射到低维子空间,降低样本的稀疏程度;其次,通过分解原空间得到的特征矩阵构建不同特征间的注意力权重图,优化子空间样本间的相似度计算方式,使样本相似度的计算更准确、泛化性更好;最后,为了降低样本相似度计算过程中过高的时间复杂度,设计一种多指针的注意力权重图进行优化。在4个按比例随机缺失的数据集上进行实验。在Hand-digits数据集上,相较于面向高维特征缺失数据的K近邻插补子空间聚类(KISC)算法,在数据缺失比例为10%的情况下,所提算法的聚类准确度(ACC)提高了2.33个百分点,归一化互信息(NMI)提高了2.77个百分点,在数据缺失比例为20%的情况下,所提算法的ACC提高了0.39个百分点,NMI提高了1.33个百分点,验证了所提算法的有效性。
-
关键词
潜在因子模型
缺失值
注意力机制
聚类算法
子空间
-
Keywords
Latent Factor Model(LFM)
missing value
attention mechanism
clustering algorithm
subspace
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
-
题名融合多方面潜在特征和神经网络的推荐模型
被引量：2
- 3
-
-
作者
郑诚
付娴
董露露
-
机构
安徽大学计算机科学与技术学院
安徽广播电视大学教务处
-
出处
《小型微型计算机系统》
CSCD
北大核心
2022年第1期35-41,共7页
-
基金
安徽省高校自然科学重点项目(KJ2019A0968)资助。
-
文摘
目前,潜在因子模型被广泛用于推荐,现有的方法大多利用用户与项目之间的交互信息来学习潜在特征,然而,用户和项目的潜在特征可能是来自多个方面.同时,考虑到神经结构可以替代矩阵分解中内积的形式,模拟用户和项目之间的交互,本文提出了一种融合多方面潜在特征和神经网络的推荐模型.首先,将推荐系统建模为包含丰富语义的异构信息网络,然后利用元路径和异构skip-gram模型提取并学习不同方面的潜在特征;其次,结合注意力机制将这些特征向量加权融合;最后,将得到的用户和项目的全局向量表示送入到神经网络中以实现评分预测.本文模型在movielens数据集和豆瓣电影数据集上进行了实验,结果表明,该算法相比于传统仅基于单一方面的算法和不采用神经结构的算法具有更低的平均绝对误差和均方误差.
-
关键词
潜在因子模型
异构信息网络
元路径
多方面特征
推荐系统
-
Keywords
latent factor model
heterogeneous information network
meta-path
aspect-level feature
recommendation system
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于卷积神经网络交互的用户属性偏好建模的推荐模型
被引量：2
- 4
-
-
作者
潘仁志
钱付兰
赵姝
张燕平
-
机构
安徽大学计算机科学与技术学院
计算智能与信号处理教育部重点实验室(安徽大学)
信息材料和智能感知安徽省实验室(安徽大学)
-
出处
《计算机应用》
CSCD
北大核心
2022年第2期404-411,共8页
-
基金
安徽省自然科学基金资助项目(1808085MF175)。
-
文摘
潜在因子模型(LFM)以其优异的性能在推荐领域得到了广泛应用。在LFM中除了使用交互数据以外,辅助信息也被引入用于解决数据稀疏的问题,从而提升推荐的性能。然而,大多数LFM仍然存在一些问题:第一,LFM在对用户进行建模时,忽略了用户如何根据其特征偏好对项目作出决策;第二,采用内积的特征交互假设特征维度之间是相互独立的,而没有考虑到特征维度之间的关联。针对上述问题,提出一种新的推荐模型:基于卷积神经网络(CNN)交互的用户属性偏好建模的推荐模型(UAMC)。该模型首先获得用户的一般偏好、用户属性和项目嵌入,然后将用户属性和项目嵌入进行交互,以探索用户不同的属性对不同项目的偏好;接着将交互过的用户偏好属性送入CNN层来探索不同偏好属性的不同维度的关联,从而得到用户的属性偏好向量;接着使用注意力机制结合用户的一般偏好和CNN层得到的属性偏好,从而获得用户的向量表示;最后采用点积来计算用户对项目的评分。在Movielens-100K、Movielens-1M和Book-crossing这三个真实的数据集上进行了实验。实验结果表明,所提模型在均方根误差(RMSE)上与稀疏数据预测的神经网络分解机(NFM)模型相比分别降低了1.75%、2.78%和0.25%,验证了在LFM的评分预测推荐中,UAMC在提升推荐精度上的有效性。
-
关键词
潜在因子模型
用户偏好
用户属性偏好
卷积神经网络
特征交互
注意力机制
-
Keywords
Latent Factor Model(LFM)
user preference
user attribute preference
Convolutional Neural Network(CNN)
feature interaction
attention mechanism
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于先验知识的非负矩阵半可解释三因子分解算法
被引量：1
- 5
-
-
作者
陈露
张晓霞
于洪
-
机构
计算智能重庆市重点实验室(重庆邮电大学)
重庆邮电大学计算机科学与技术学院
-
出处
《计算机应用》
CSCD
北大核心
2022年第3期671-675,共5页
-
基金
国家重点研发计划项目(2019YFB2103000)
国家自然科学基金资助项目(61936001)
+1 种基金
重庆市自然科学基金资助项目(cstc2020jcyj-msxmX0737)
重庆市教委科学技术研究青年项目(KJQN201900638)。
-
文摘
非负矩阵三因子分解是潜在因子模型中的重要组成部分,由于能将原始数据矩阵分解为三个相互约束的潜因子矩阵,被广泛应用于推荐系统、迁移学习等研究领域,但目前还没有非负矩阵三因子分解的可解释性方面的研究工作。鉴于此,将用户评论文本信息当作先验知识,设计了一种基于先验知识的非负矩阵半可解释三因子分解(PE-NMTF)算法。首先利用情感分析技术提取用户评论文本信息的情感极性偏好;然后更改了非负矩阵三因子分解算法的目标函数和更新公式,巧妙地将先验知识嵌入到算法中;最后在推荐系统冷启动任务的Yelp和Amazon数据集以及图像零次识别任务的AwA和CUB数据集上与非负矩阵分解、非负矩阵三因子分解算法做了大量对比实验,实验结果表明所提算法在均方根误差(RMSE)、归一化折损累计增益(NDCG)、归一化互信息(NMI)和准确率(ACC)上都表现优异,且利用先验知识进行非负矩阵三因子分解的解释具有可行性和有效性。
-
关键词
非负矩阵三因子分解
推荐系统
可解释机器学习
先验知识
潜在因子模型
-
Keywords
non-negative matrix tri-factorization
recommender system
interpretable machine learning
prior knowledge
latent factor model
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于LFM矩阵分解的推荐算法优化研究
被引量：20
- 6
-
-
作者
陈晔
刘志强
-
机构
南京航空航天大学经济与管理学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2019年第2期116-120,167,共6页
-
基金
国家自然科学基金(No.71471087)
-
文摘
在推荐系统中,基于矩阵分解的推荐算法是目前的研究热点之一,然而普通矩阵分解算法的推荐精确度偏低,为了改善该问题,以矩阵分解算法中的潜在因子模型(LFM)优化为研究对象,分析LFM中两种基础推荐算法在寻优速率与推荐精度上的不足,然后提出两种改进算法:带冲量的批量学习算法和混合学习算法,最后通过实验数据测试,对比了不同算法的推荐效果,结果证明改进算法的性能更优。
-
关键词
矩阵分解
潜在因子模型
推荐算法
带冲量的批量学习算法
混合学习算法
-
Keywords
matrix factorization
Latent Factor Model(LFM)
recommendation algorithm
batch learning algorithm with momentum
mixed learning algorithm
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
-
题名基于异构社交网络信息和内容信息的事件推荐
被引量：14
- 7
-
-
作者
尚燕敏
曹亚男
刘燕兵
-
机构
中国科学院信息工程研究所
-
出处
《软件学报》
EI
CSCD
北大核心
2020年第4期1212-1224,共13页
-
基金
国家自然科学基金(61602466,61403369)
国家重点研发计划(2016YFB0801300)。
-
文摘
基于事件的社交网络使得事件推荐受到越来越多的关注.不同于其他推荐问题(如电影推荐等),事件推荐具有3类不同信息:用户构成的异构社交网络关系信息(在线社交网络和离线社交网络)、用户/事件的内容信息、用户对事件的隐式反馈信息.如何有效融合这些信息进行事件推荐是该领域学者普遍关注的问题.提出一种新的混合事件推荐方法CHS-BPR,该方法以贝叶斯潜在因子模型为基本框架来处理用户对事件的隐式反馈信息,同时考虑用户/事件的内容信息和用户之间的异构社交网络信息,首次实现了同时使用3种信息来做事件推荐,并以真实数据集验证了所提方法的有效性.
-
关键词
事件推荐
异构社交网络
内容信息
正则项
贝叶斯潜在因子模型
-
Keywords
event recommendation
heterogenous social network
content information
regularization
Bayesian latent factor model
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
-
题名一种用于网络用户行为聚类的标签自动生成方法
被引量：4
- 8
-
-
作者
毕猛
邵中
徐剑
-
机构
沈阳工业大学软件学院
东北大学软件学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2020年第10期81-87,共7页
-
基金
国家自然科学基金(61872069)
中央高校基本科研业务费专项资金(N2017012)。
-
文摘
针对目前多数聚类算法需要事先确定网络用户行为数据规模以及生成的簇标签缺乏明确语义的问题,提出一种用于网络用户行为聚类分析的簇标签自动生成方法。应用潜在因子模型和矩阵分解方法对原始网络用户行为数据补充缺失值,根据网络用户行为数据的属性特征进行用户行为聚类并在聚类过程中增加行为特征,同时利用行为特征信息产生簇标签以提高网络用户行为的聚类准确性。在Last.fm、Movielens和CiteULike数据集上的实验结果表明,该方法无需事先确定网络用户行为数据规模,并且可在保证较高聚类准确率的前提下自动生成语义更明确的簇标签。
-
关键词
用户行为
聚类
潜在因子模型
矩阵分解
标签
-
Keywords
user behavior
clustering
Latent Factor Model(LFM)
matrix decomposition
label
-
分类号
TP309
[自动化与计算机技术—计算机系统结构]
-
