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
3
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
利用混合Plackett-Luce模型的不完整序数偏好预测
1
作者
郑升旻
付晓东
《计算机应用》
CSCD
北大核心
2024年第10期3105-3113,共9页
聚合不同用户的偏好时,基于序数偏好可以解决不同用户评价准则不一致问题。但用户因为候选项目过多、沟通成本高等原因不能提供完整序数偏好,影响了在线服务信誉度量、群体决策等场景中聚合结果的可靠性和准确性,而现有的预测方法未充...
聚合不同用户的偏好时,基于序数偏好可以解决不同用户评价准则不一致问题。但用户因为候选项目过多、沟通成本高等原因不能提供完整序数偏好,影响了在线服务信誉度量、群体决策等场景中聚合结果的可靠性和准确性,而现有的预测方法未充分考虑用户群体偏好分布的多样性。针对这一问题,提出一种利用混合Plackett-Luce(PL)模型的不完整序数偏好预测(MixPLPP)方法。首先基于用户现有偏好采样完整拓展排序,其次使用采样的完整排序学习混合PL模型,再次设计基于后验概率最大化的模型选择策略为用户选择模型,最后利用所选模型预测用户完整偏好。在公开数据集Movielens上的实验结果表明,所提方法的预测准确率和Kendall秩相关系数(Kendall CC),相较于向量相似度排序(VSRank)算法提升了5.0%和9.2%;相较于基于确定性的偏好补全(CPC)提升了1.5%和3.5%;相较于BayesMallows-4提升了0.9%和2.2%。实验结果验证了所提方法具有良好的预测能力,在多个数据集上的预测效果都更好。
展开更多
关键词
不完整序数偏好
偏好预测
成对比较
排序模型
混合Plackett-Luce模型
在线阅读
下载PDF
职称材料
用户群体满意度最大化的Top-k在线服务评价
被引量：
3
2
作者
赵时海
付晓东
+3 位作者
岳昆
刘骊
冯勇
刘利军
《软件学报》
EI
CSCD
北大核心
2021年第11期3388-3403,共16页
考虑用户评价准则不一致的在线服务评价通常以服务的完整排序作为评价结果,而不是选择出使用户群体满意度最大的Top-k在线服务集合,使评价结果难以满足Top-k在线服务评价场景的合理性和公平性需求.为此,提出了一种用户群体满意度最大化...
考虑用户评价准则不一致的在线服务评价通常以服务的完整排序作为评价结果,而不是选择出使用户群体满意度最大的Top-k在线服务集合,使评价结果难以满足Top-k在线服务评价场景的合理性和公平性需求.为此,提出了一种用户群体满意度最大化的Top-k在线服务评价方法.该方法首先定义用户群体满意度指标,以衡量选择的k个在线服务的合理性;其次,考虑用户评价准则不一致及用户偏好信息不完整的情况,采用Borda规则将用户对在线服务的偏好关系构造为用户-服务满意度矩阵;然后借鉴Monroe比例代表思想,将Top-k在线服务评价问题建模为寻找最大化用户群体满意度的在线服务集合的优化问题;最后采用贪心算法对该优化问题进行求解,将得到的在线服务集合作为Top-k评价结果.通过理论分析和实验验证了该方法的合理性和有效性.理论分析表明,该方法满足Top-k在线服务评价所需的比例代表性和公平性.同时,实验结果也表明,该方法能够在合理的时间内获得接近用户群体满意度理想上界的评价结果,可以有效地辅助用户群体做出正确的服务选择决策.另外,该方法还可以在用户偏好不完整的情况下实现Top-k在线服务评价.
展开更多
关键词
在线服务
Top-k在线服务评价
用户偏好
Monroe规则
贪心算法
在线阅读
下载PDF
职称材料
融合人格特征的概率推荐模型
被引量：
2
3
作者
沈铁孙龙
付晓东
+2 位作者
岳昆
刘骊
刘利军
《计算机科学与探索》
CSCD
北大核心
2023年第1期251-262,共12页
以模型为基础的协同过滤推荐算法需分析提取“用户-项目”特征矩阵以进行用户推荐。用户特征不同直接导致用户偏好不同,但以模型为基础的协同过滤推荐算法仅考虑分析提取影响项目特征的关键因素而未考虑分析提取影响用户特征的重要因素...
以模型为基础的协同过滤推荐算法需分析提取“用户-项目”特征矩阵以进行用户推荐。用户特征不同直接导致用户偏好不同,但以模型为基础的协同过滤推荐算法仅考虑分析提取影响项目特征的关键因素而未考虑分析提取影响用户特征的重要因素,这类传统模型往往将用户潜在特征向量随机初始化,并赋予一个假定的正态分布,导致这些推荐系统模型中没有任何一项数据变化可以对用户潜在特征建模结果产生直接影响。另外基于用户的推荐系统模型往往将用户的评论、评分的信息直接近似作为用户特征,传统推荐系统中这些数据引用方式和这些数据本身不足以支撑获取用户的本质特征。这些特征的近似也不能满足个性化推荐的需求。针对现有推荐算法所面临的没有分析提取用户本质特征以及项目本质特征提取不充分进而推荐结果难以体现用户个性的问题,提出一种融合人格特征的推荐模型。首先根据推荐平台中用户的非结构化评论文本信息,将人格特征作为用户特征的直接影响因素,设计一个神经网络模型计算评论用户的BIG FIVE人格得分,并将人格得分向量化作为用户特征;然后通过项目的评论文本信息获得项目特征;设计人格感知的协同学习框架,定义损失函数获取用户、项目的特征向量;最后根据用户、项目表征结果对目标用户进行推荐。在3个数据集上进行了全面的实验验证,结果表明算法在预测准确率、F1值、AUC指标等方面表现优于对比算法,通过人格建模,能够为用户推荐更符合其偏好的项目。
展开更多
关键词
人格识别
语义分析
推荐系统
协同学习
概率矩阵分解
在线阅读
下载PDF
职称材料
题名
利用混合Plackett-Luce模型的不完整序数偏好预测
1
作者
郑升旻
付晓东
机构
昆明理工大学
信息工程与自动化学院
云南省
计算机
应用
技术
重点
实验室
(
昆明理工大学
)
出处
《计算机应用》
CSCD
北大核心
2024年第10期3105-3113,共9页
基金
国家自然科学基金资助项目(61962030)
云南省中青年学术和技术带头人后备人才培养计划项目(202005AC160036)。
文摘
聚合不同用户的偏好时,基于序数偏好可以解决不同用户评价准则不一致问题。但用户因为候选项目过多、沟通成本高等原因不能提供完整序数偏好,影响了在线服务信誉度量、群体决策等场景中聚合结果的可靠性和准确性,而现有的预测方法未充分考虑用户群体偏好分布的多样性。针对这一问题,提出一种利用混合Plackett-Luce(PL)模型的不完整序数偏好预测(MixPLPP)方法。首先基于用户现有偏好采样完整拓展排序,其次使用采样的完整排序学习混合PL模型,再次设计基于后验概率最大化的模型选择策略为用户选择模型,最后利用所选模型预测用户完整偏好。在公开数据集Movielens上的实验结果表明,所提方法的预测准确率和Kendall秩相关系数(Kendall CC),相较于向量相似度排序(VSRank)算法提升了5.0%和9.2%;相较于基于确定性的偏好补全(CPC)提升了1.5%和3.5%;相较于BayesMallows-4提升了0.9%和2.2%。实验结果验证了所提方法具有良好的预测能力,在多个数据集上的预测效果都更好。
关键词
不完整序数偏好
偏好预测
成对比较
排序模型
混合Plackett-Luce模型
Keywords
incomplete ordinal preference
preference prediction
pairwise comparison
ranking model
mixture of Plackett-Luce(PL)models
分类号
TP274 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
用户群体满意度最大化的Top-k在线服务评价
被引量：
3
2
作者
赵时海
付晓东
岳昆
刘骊
冯勇
刘利军
机构
昆明理工大学
信息工程与自动化学院
云南省
计算机
应用
技术
重点
实验室
(
昆明理工大学
)
云南
大学
信息学院
出处
《软件学报》
EI
CSCD
北大核心
2021年第11期3388-3403,共16页
基金
国家自然科学基金(61962030,61862036,61860318)
NSFC-云南联合基金(U1802271)
+1 种基金
云南省基础研究计划(2019FJ011)
云南省中青年学术和技术带头人后备人才培养计划(202005AC160036)。
文摘
考虑用户评价准则不一致的在线服务评价通常以服务的完整排序作为评价结果,而不是选择出使用户群体满意度最大的Top-k在线服务集合,使评价结果难以满足Top-k在线服务评价场景的合理性和公平性需求.为此,提出了一种用户群体满意度最大化的Top-k在线服务评价方法.该方法首先定义用户群体满意度指标,以衡量选择的k个在线服务的合理性;其次,考虑用户评价准则不一致及用户偏好信息不完整的情况,采用Borda规则将用户对在线服务的偏好关系构造为用户-服务满意度矩阵;然后借鉴Monroe比例代表思想,将Top-k在线服务评价问题建模为寻找最大化用户群体满意度的在线服务集合的优化问题;最后采用贪心算法对该优化问题进行求解,将得到的在线服务集合作为Top-k评价结果.通过理论分析和实验验证了该方法的合理性和有效性.理论分析表明,该方法满足Top-k在线服务评价所需的比例代表性和公平性.同时,实验结果也表明,该方法能够在合理的时间内获得接近用户群体满意度理想上界的评价结果,可以有效地辅助用户群体做出正确的服务选择决策.另外,该方法还可以在用户偏好不完整的情况下实现Top-k在线服务评价.
关键词
在线服务
Top-k在线服务评价
用户偏好
Monroe规则
贪心算法
Keywords
online service
Top-k online service evaluation
user preference
Monroe rule
greedy algorithm
分类号
TP311 [自动化与计算机技术—计算机软件与理论]
在线阅读
下载PDF
职称材料
题名
融合人格特征的概率推荐模型
被引量：
2
3
作者
沈铁孙龙
付晓东
岳昆
刘骊
刘利军
机构
云南省
计算机
应用
技术
重点
实验室
(
昆明理工大学
)
昆明理工大学
信息工程与自动化学院
云南
大学
信息学院
出处
《计算机科学与探索》
CSCD
北大核心
2023年第1期251-262,共12页
基金
国家自然科学基金地区项目(61962030,61862036)
国家自然科学基金云南联合基金项目(U1802271)
+1 种基金
云南省基础研究计划杰出青年项目(2019FJ011)
云南省中青年学术和技术带头人后备人才培养计划项目(202005AC160036)。
文摘
以模型为基础的协同过滤推荐算法需分析提取“用户-项目”特征矩阵以进行用户推荐。用户特征不同直接导致用户偏好不同,但以模型为基础的协同过滤推荐算法仅考虑分析提取影响项目特征的关键因素而未考虑分析提取影响用户特征的重要因素,这类传统模型往往将用户潜在特征向量随机初始化,并赋予一个假定的正态分布,导致这些推荐系统模型中没有任何一项数据变化可以对用户潜在特征建模结果产生直接影响。另外基于用户的推荐系统模型往往将用户的评论、评分的信息直接近似作为用户特征,传统推荐系统中这些数据引用方式和这些数据本身不足以支撑获取用户的本质特征。这些特征的近似也不能满足个性化推荐的需求。针对现有推荐算法所面临的没有分析提取用户本质特征以及项目本质特征提取不充分进而推荐结果难以体现用户个性的问题,提出一种融合人格特征的推荐模型。首先根据推荐平台中用户的非结构化评论文本信息,将人格特征作为用户特征的直接影响因素,设计一个神经网络模型计算评论用户的BIG FIVE人格得分,并将人格得分向量化作为用户特征;然后通过项目的评论文本信息获得项目特征;设计人格感知的协同学习框架,定义损失函数获取用户、项目的特征向量;最后根据用户、项目表征结果对目标用户进行推荐。在3个数据集上进行了全面的实验验证,结果表明算法在预测准确率、F1值、AUC指标等方面表现优于对比算法,通过人格建模,能够为用户推荐更符合其偏好的项目。
关键词
人格识别
语义分析
推荐系统
协同学习
概率矩阵分解
Keywords
personality recognition
semantic analysis
recommended system
collaborative learning
probabilistic matrix decomposition
分类号
TP389.1 [自动化与计算机技术—计算机系统结构]
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
利用混合Plackett-Luce模型的不完整序数偏好预测
郑升旻
付晓东
《计算机应用》
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
用户群体满意度最大化的Top-k在线服务评价
赵时海
付晓东
岳昆
刘骊
冯勇
刘利军
《软件学报》
EI
CSCD
北大核心
2021
3
在线阅读
下载PDF
职称材料
3
融合人格特征的概率推荐模型
沈铁孙龙
付晓东
岳昆
刘骊
刘利军
《计算机科学与探索》
CSCD
北大核心
2023
2
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
