[目的/意义]农业场景下的知识服务具有周期性长、活动时间长的特点。传统推荐模型无法有效挖掘农业场景下的基于农时的隐藏信息。针对上述问题,提出一种融合时间感知和增强过滤的农业知识个性化推荐模型(Time-aware and Filter-enhanced...[目的/意义]农业场景下的知识服务具有周期性长、活动时间长的特点。传统推荐模型无法有效挖掘农业场景下的基于农时的隐藏信息。针对上述问题,提出一种融合时间感知和增强过滤的农业知识个性化推荐模型(Time-aware and Filter-enhanced Sequential Recommendation Model for Agriculture Knowledge,TiFSA)。[方法]首先,基于时间感知的位置嵌入方法,将农户交互的时间信息与位置嵌入相结合,帮助学习农业情境下基于农时的项目相关性。其次,在时间感知位置嵌入的基础上,引入滤波器过滤算法,自适应地衰减农户情境数据中的噪声。最后,引入时间信息的多头自注意力网络,实现对时间、项目和特征的统一建模,对农户随时间变化的偏好特征进行情境表示,从而为用户提供可靠的推荐结果。[结果和讨论]根据“全国农业知识智能服务云平台”中的用户交互序列数据集进行实验。结果表明,该模型在农业数据集上的命中率为45.79%,归一化折损累计增益为53.52%;与近几年性能最佳的模型Ti-SASRec相比分别提升16.19%和14.02%。[结论]该模型能够有效捕获农业领域的用户情境特征和建模农户的动态偏好,具有更好的推荐性能。展开更多
随着用户和词条数量的增长,"用户-词条"评分矩阵变得极其稀疏,导致基于相似度计算的推荐算法精度降低.提出一种基于用户短期兴趣时序性变化的评分矩阵进行预填充.由于MediaWiki社区用户群之间的信任呈动态变化,定义了追随率...随着用户和词条数量的增长,"用户-词条"评分矩阵变得极其稀疏,导致基于相似度计算的推荐算法精度降低.提出一种基于用户短期兴趣时序性变化的评分矩阵进行预填充.由于MediaWiki社区用户群之间的信任呈动态变化,定义了追随率反映同一时间窗内具有相似兴趣的用户对知识推荐的参考性.最后设计实验,确定时间窗长度T的最优参数,通过比较CFBDT(Collaborative filtering based on dynarnic trust)算法与3类现有算法的效果,验证其可行性.展开更多
文摘[目的/意义]农业场景下的知识服务具有周期性长、活动时间长的特点。传统推荐模型无法有效挖掘农业场景下的基于农时的隐藏信息。针对上述问题,提出一种融合时间感知和增强过滤的农业知识个性化推荐模型(Time-aware and Filter-enhanced Sequential Recommendation Model for Agriculture Knowledge,TiFSA)。[方法]首先,基于时间感知的位置嵌入方法,将农户交互的时间信息与位置嵌入相结合,帮助学习农业情境下基于农时的项目相关性。其次,在时间感知位置嵌入的基础上,引入滤波器过滤算法,自适应地衰减农户情境数据中的噪声。最后,引入时间信息的多头自注意力网络,实现对时间、项目和特征的统一建模,对农户随时间变化的偏好特征进行情境表示,从而为用户提供可靠的推荐结果。[结果和讨论]根据“全国农业知识智能服务云平台”中的用户交互序列数据集进行实验。结果表明,该模型在农业数据集上的命中率为45.79%,归一化折损累计增益为53.52%;与近几年性能最佳的模型Ti-SASRec相比分别提升16.19%和14.02%。[结论]该模型能够有效捕获农业领域的用户情境特征和建模农户的动态偏好,具有更好的推荐性能。
文摘随着用户和词条数量的增长,"用户-词条"评分矩阵变得极其稀疏,导致基于相似度计算的推荐算法精度降低.提出一种基于用户短期兴趣时序性变化的评分矩阵进行预填充.由于MediaWiki社区用户群之间的信任呈动态变化,定义了追随率反映同一时间窗内具有相似兴趣的用户对知识推荐的参考性.最后设计实验,确定时间窗长度T的最优参数,通过比较CFBDT(Collaborative filtering based on dynarnic trust)算法与3类现有算法的效果,验证其可行性.
