• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      推薦系統(tǒng)

      • 基于用戶反饋和對(duì)話歷史的對(duì)話式推薦技術(shù)研究
        仁杰關(guān)鍵詞:推薦系統(tǒng);對(duì)話式推薦;強(qiáng)化學(xué)習(xí);圖表示學(xué)習(xí)0 引言(Introduction)隨著互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展,人們逐漸從信息匱乏的時(shí)代走入了信息過(guò)載的時(shí)代,因此如何應(yīng)對(duì)信息過(guò)載問(wèn)題成為一個(gè)迫切需要解決的問(wèn)題。推薦系統(tǒng)的出現(xiàn)有效地緩解了這一問(wèn)題。然而,傳統(tǒng)的推薦方法在處理新用戶冷啟動(dòng)和充分利用用戶反饋問(wèn)題時(shí)仍面臨挑戰(zhàn)。相較之下,對(duì)話式推薦系統(tǒng)(Conversational Recommender System, CRS)通過(guò)與用戶直接交互收集“顯式反饋

        軟件工程 2024年1期2024-01-29

      • 短視頻推薦方法與模型研究
        短視頻推薦是推薦系統(tǒng)中的一個(gè)重要領(lǐng)域,其目標(biāo)是根據(jù)用戶的興趣和偏好,為用戶推薦個(gè)性化的短視頻內(nèi)容,該研究具有重要的理論和實(shí)踐意義。該文旨在對(duì)短視頻推薦方法進(jìn)行綜述和研究,通過(guò)分析比較不同推薦方法,深入探討和研究不同方法的優(yōu)缺點(diǎn),進(jìn)行模型優(yōu)化與設(shè)計(jì)。該研究可以為短視頻推薦系統(tǒng)的設(shè)計(jì)和優(yōu)化提供指導(dǎo)和參考,為短視頻推薦系統(tǒng)的改進(jìn)和優(yōu)化提供有力支持,提高用戶的滿意度和體驗(yàn)。關(guān)鍵詞:短視頻;推薦系統(tǒng);深度學(xué)習(xí)中圖分類號(hào):TP37? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào)

        電腦知識(shí)與技術(shù) 2023年34期2024-01-24

      • 基于協(xié)同過(guò)濾知識(shí)圖譜的圖書推薦
        為了緩解圖書推薦系統(tǒng)準(zhǔn)確率低、可解釋性差和數(shù)據(jù)稀疏等問(wèn)題,本文將圖書評(píng)分和圖書標(biāo)簽數(shù)據(jù)相結(jié)合,實(shí)現(xiàn)圖書的精準(zhǔn)推薦。首先通過(guò)圖書與圖書標(biāo)簽之間的關(guān)系構(gòu)建圖書知識(shí)圖譜,提取出圖書與圖書之間的關(guān)系,通過(guò)前文提到的算法模型計(jì)算推測(cè)出讀者的讀書偏好,還可以利用圖書和讀者之間的交互信息,通過(guò)協(xié)同過(guò)濾算法計(jì)算出讀者偏好,綜合上述兩種方法得到推薦列表進(jìn)行最終的TopK推薦。關(guān)鍵詞:圖書;推薦系統(tǒng);協(xié)同過(guò)濾;知識(shí)圖譜1概述進(jìn)入21世紀(jì)以來(lái),互聯(lián)網(wǎng)技術(shù)的快速發(fā)展、計(jì)算能力的快

        科技風(fēng) 2023年36期2024-01-07

      • 基于圖神經(jīng)網(wǎng)絡(luò)的注意力因子分解機(jī)推薦系統(tǒng)
        ? 要:針對(duì)推薦系統(tǒng)中的數(shù)據(jù)稀疏問(wèn)題,提出一種基于圖神經(jīng)網(wǎng)絡(luò)的注意力因子分解機(jī)模型,利用注意力因子分解機(jī)對(duì)用戶和項(xiàng)目中不同鄰域的特征信息進(jìn)行二階交互,注意力機(jī)制可以對(duì)二階交互進(jìn)行權(quán)重參數(shù)的重分配,一定程度上緩解了數(shù)據(jù)的稀疏性問(wèn)題,提高了推薦系統(tǒng)的性能。在4個(gè)不同數(shù)據(jù)集上的評(píng)分預(yù)測(cè)實(shí)驗(yàn)表明,該文所提算法的均方根誤差(RMSE)相較于目前比較優(yōu)秀的算法分別提升了2.2%、4.3%、10.6%、2.6%。關(guān)鍵詞:圖神經(jīng)網(wǎng)絡(luò);因子分解機(jī);評(píng)分預(yù)測(cè);推薦系統(tǒng)中圖分類

        現(xiàn)代信息科技 2023年15期2023-09-18

      • 個(gè)性化跨域推薦系統(tǒng)中的用戶隱私保護(hù)研究綜述
        性化;跨域;推薦系統(tǒng);用戶隱私保護(hù)一、引言隨著社會(huì)信息產(chǎn)業(yè)的發(fā)展,電影、音樂(lè)、網(wǎng)購(gòu)等行業(yè)的交易量不斷增長(zhǎng)。相比之下,個(gè)人很難體驗(yàn)到一個(gè)又一個(gè)龐大的產(chǎn)品和服務(wù)。為了實(shí)現(xiàn)產(chǎn)品的精準(zhǔn)銷售,提高個(gè)人服務(wù)質(zhì)量,需要有一個(gè)好的算法來(lái)給出個(gè)人推薦。推薦方法的準(zhǔn)確性不僅決定了個(gè)人的生活體驗(yàn),也決定了商業(yè)效益。但同時(shí),在個(gè)性化的推薦中,重點(diǎn)做好用戶隱私的保護(hù)工作,就成為個(gè)性化推薦系統(tǒng)研發(fā)和升級(jí)中必須考量的問(wèn)題。結(jié)合既有的推薦系統(tǒng)用戶隱私保護(hù)現(xiàn)狀來(lái)看,仍舊存在一些漏洞,導(dǎo)致用

        中國(guó)新通信 2023年13期2023-09-17

      • 電子商務(wù)推薦系統(tǒng)公平性研究進(jìn)展
        的快速發(fā)展,推薦系統(tǒng)作為大數(shù)據(jù)環(huán)境下解決“信息過(guò)載”問(wèn)題的有效工具已廣為使用。受數(shù)據(jù)、算法、人為干預(yù)等因素的影響,推薦系統(tǒng)可能會(huì)為具有某些屬性的消費(fèi)群體提供不公平的推薦結(jié)果從而導(dǎo)致各種問(wèn)題。近年來(lái),研究者們提出各種解決推薦系統(tǒng)公平性問(wèn)題的方法。文章總結(jié)了近幾年的研究成果,從兩個(gè)方面總結(jié)歸納了造成電子商務(wù)推薦系統(tǒng)公平性問(wèn)題的主要原因,并給出五種主要的解決方案;介紹了當(dāng)前可供研究的數(shù)據(jù)集及工具,也對(duì)電子商務(wù)推薦系統(tǒng)公平性研究尚存的問(wèn)題及未來(lái)的研究方向進(jìn)行了探討

        現(xiàn)代信息科技 2023年14期2023-09-06

      • 基于改進(jìn)的深度興趣網(wǎng)絡(luò)推薦系統(tǒng)研究
        ? 要:針對(duì)推薦系統(tǒng)中用戶興趣度標(biāo)簽消失問(wèn)題,在排序?qū)犹岢鲆环N改進(jìn)的深度興趣網(wǎng)絡(luò)模型。首先,將深度興趣網(wǎng)絡(luò)模型應(yīng)用于視頻推薦領(lǐng)域,并在改進(jìn)的模型中加入平衡因子,有效地解決了在訓(xùn)練過(guò)程中用戶興趣度標(biāo)簽消失問(wèn)題。其次針對(duì)推薦系統(tǒng)整體召回率問(wèn)題,在召回層提出一種混合推薦模型。使用Item2vec模型和貝葉斯個(gè)性化排序模型組合成一種混合推薦模型。實(shí)驗(yàn)結(jié)果顯示:改進(jìn)后的深度興趣網(wǎng)絡(luò)和混合模型應(yīng)用在視頻推薦系統(tǒng)中很好地提高了推薦效果。關(guān)鍵詞:深度興趣網(wǎng)絡(luò);混合模型;I

        現(xiàn)代信息科技 2023年12期2023-08-21

      • 基于Pairwise策略優(yōu)化的雙塔召回算法模型研究
        率。關(guān)鍵詞:推薦系統(tǒng);召回;雙塔模型;負(fù)樣本;Pairwise一、背景介紹推薦系統(tǒng)的技術(shù)階段一般包括召回、排序和重排序。其中,召回模型是推薦系統(tǒng)的核心技術(shù)之一。推薦系統(tǒng)可以被看作一個(gè)用于人與物的匹配系統(tǒng)。其最終目的是通過(guò)實(shí)現(xiàn)千人千面,將最符合用戶興趣的物品展示給用戶,并按照用戶偏好對(duì)每個(gè)物品進(jìn)行匹配分值排序。為了實(shí)現(xiàn)這一目的,可以將推薦系統(tǒng)抽象為如下的框架:用戶請(qǐng)求推薦引擎時(shí),使用一個(gè)排序算法將所有的物品與該用戶計(jì)算出一個(gè)匹配分值,然后按照該分值從高到低在

        中國(guó)新通信 2023年11期2023-08-10

      • 融合相似用戶、物品的矩陣分解推薦算法研究
        呂昊宸摘要:推薦系統(tǒng)中傳統(tǒng)的協(xié)同過(guò)濾算法和基于矩陣分解的推薦算法都單獨(dú)地進(jìn)行相關(guān)推薦,但兩種方法獨(dú)立運(yùn)行,都存在一定的不足,導(dǎo)致推薦質(zhì)量不佳。為了進(jìn)一步提升推薦算法性能來(lái)提高推薦準(zhǔn)確度,文章提出一種融合相似用戶、物品的矩陣分解推薦算法,在矩陣分解模型的基礎(chǔ)上,結(jié)合協(xié)同過(guò)濾思想來(lái)挖掘目標(biāo)用戶的個(gè)性化候選物品推薦。文章采用MoviesLens數(shù)據(jù)集進(jìn)行模型訓(xùn)練并評(píng)估其性能,與原有的方法相比,推薦準(zhǔn)確度獲得了進(jìn)一步提升。關(guān)鍵詞:推薦系統(tǒng);協(xié)調(diào)過(guò)濾;矩陣分解中圖分

        無(wú)線互聯(lián)科技 2023年8期2023-06-26

      • 消費(fèi)者異質(zhì)性對(duì)推薦系統(tǒng)的影響研究與仿真
        要:現(xiàn)有商品推薦系統(tǒng)的研究大多通過(guò)改進(jìn)推薦算法以提升推薦效果。很少有研究從消費(fèi)者視角,探究當(dāng)面對(duì)同一推薦系統(tǒng),消費(fèi)者異質(zhì)性對(duì)推薦效果的影響。基于深度強(qiáng)化學(xué)習(xí)算法,構(gòu)建細(xì)粒度感知消費(fèi)者行為的推薦系統(tǒng);從消費(fèi)者屬性和行為模型兩個(gè)角度刻畫消費(fèi)者異質(zhì)性;基于多Agent技術(shù)組合推薦系統(tǒng)Agent與消費(fèi)者Agent,構(gòu)建商品推薦仿真模型。仿真結(jié)果表明,消費(fèi)者異質(zhì)性對(duì)企業(yè)利潤(rùn)、消費(fèi)者滿意度、點(diǎn)擊率均能產(chǎn)生較大影響。關(guān)鍵詞:推薦系統(tǒng); 消費(fèi)者異質(zhì)性; 多Agent技術(shù);

        電腦知識(shí)與技術(shù) 2023年13期2023-06-25

      • 基于經(jīng)典名方煎法的中藥復(fù)方煎煮方案推薦系統(tǒng)研究
        開(kāi)發(fā)煎煮方案推薦系統(tǒng)。系統(tǒng)實(shí)現(xiàn)中藥復(fù)方煎煮方案推薦,并完成數(shù)據(jù)信息無(wú)縫接入、檢索、批量管理、統(tǒng)計(jì)分析、方劑相似度計(jì)算等。系統(tǒng)不僅提供了經(jīng)典名方的檢索統(tǒng)計(jì)等功能,而且為患者提供了中藥復(fù)方科學(xué)煎煮推薦服務(wù)。關(guān)鍵詞:煎煮信息模型;煎煮方案推薦;推薦系統(tǒng)中圖分類號(hào):TP311? ? 文獻(xiàn)標(biāo)識(shí)碼:A? 文章編號(hào):2096-4706(2023)05-0098-05Research on the Recommendation System of Decoction Sc

        現(xiàn)代信息科技 2023年5期2023-06-22

      • 基于用戶畫像的課程學(xué)習(xí)視頻推薦系統(tǒng)研究與設(shè)計(jì)
        程學(xué)習(xí)視頻的推薦系統(tǒng)。由于線上學(xué)習(xí)資源冗雜繁多,且缺乏規(guī)范化構(gòu)建和系統(tǒng)化管理,學(xué)習(xí)者難以精準(zhǔn)獲取滿足其個(gè)性化需求的課程學(xué)習(xí)視頻。文章通過(guò)數(shù)據(jù)挖掘技術(shù)獲取用戶數(shù)據(jù)后構(gòu)建用戶畫像并進(jìn)行相似用戶群體識(shí)別,再利用推薦算法實(shí)現(xiàn)課程學(xué)習(xí)視頻與用戶之間的精準(zhǔn)匹配。實(shí)驗(yàn)結(jié)果表明,該文推薦系統(tǒng)可以有效解決人們?cè)谶x擇學(xué)習(xí)資源時(shí)產(chǎn)生的“信息迷航”和“信息過(guò)載”等問(wèn)題,能夠有效滿足用戶個(gè)性化學(xué)習(xí)需求并為用戶提供個(gè)性化學(xué)習(xí)路線。關(guān)鍵詞:課程學(xué)習(xí)視頻;用戶畫像;個(gè)性化推薦;推薦系統(tǒng)

        現(xiàn)代信息科技 2023年9期2023-06-21

      • 商品推薦系統(tǒng)中的效用估計(jì)
        度,通常希望推薦系統(tǒng)的推薦產(chǎn)品能使商家的收益最大化。在以期望收益最大化為目標(biāo)的產(chǎn)品組合優(yōu)化模型中,商品效用是必不可少的參數(shù)。論文主要探究推薦系統(tǒng)中商品效用的估計(jì)方法,通過(guò)評(píng)估由商品效用計(jì)算得到的商品被點(diǎn)擊概率,來(lái)驗(yàn)證效用估計(jì)的準(zhǔn)確性。通過(guò)數(shù)值試驗(yàn),將單值排序模型預(yù)估的點(diǎn)擊概率與通過(guò)MNL模型估計(jì)商品效用計(jì)算的點(diǎn)擊概率進(jìn)行對(duì)比,結(jié)果證明MNL模型估計(jì)的商品效用具備與單值排序模型相當(dāng)?shù)臏?zhǔn)確率。此外,論文進(jìn)一步構(gòu)建了神經(jīng)網(wǎng)絡(luò)模型估計(jì)商品效用,并且另外構(gòu)建了一個(gè)直

        上海管理科學(xué) 2023年2期2023-06-21

      • 基于社區(qū)結(jié)構(gòu)的推薦系統(tǒng)中冷啟動(dòng)問(wèn)題研究
        ? 要:由于推薦系統(tǒng)中數(shù)據(jù)稀疏性和冷啟動(dòng)問(wèn)題日益嚴(yán)重,傳統(tǒng)的算法無(wú)法有效地解決這些問(wèn)題,現(xiàn)有的改進(jìn)算法由于穩(wěn)定性差,仍然需要預(yù)先確定具體的參數(shù)。文章提出了一種基于社區(qū)結(jié)構(gòu)的冷啟動(dòng)算法以改善推薦系統(tǒng)中的冷啟動(dòng)問(wèn)題,通過(guò)計(jì)算用戶和項(xiàng)目節(jié)點(diǎn)的相似度投影二分網(wǎng)絡(luò),利用改進(jìn)的Louvain算法對(duì)投影單模式網(wǎng)絡(luò)進(jìn)行社區(qū)檢測(cè),使新記錄更新到社區(qū),然后進(jìn)行對(duì)用戶社區(qū)組推薦。與其他冷啟動(dòng)算法相比,該算法在推薦準(zhǔn)確率和運(yùn)行效率有明顯提升。關(guān)鍵詞:社區(qū)檢測(cè);冷啟動(dòng);二分投影網(wǎng)絡(luò)

        現(xiàn)代信息科技 2023年1期2023-06-21

      • 基于大數(shù)據(jù)平臺(tái)的推薦系統(tǒng)研究與實(shí)現(xiàn)
        要:個(gè)性化推薦系統(tǒng)作為人工智能一個(gè)落地場(chǎng)景,在社交平臺(tái)、電商、生活服務(wù)等領(lǐng)域有著廣泛的應(yīng)用。為了把優(yōu)選的商品提供給有需要的客戶,對(duì)用戶行為進(jìn)行數(shù)據(jù)采集、數(shù)據(jù)清洗與存儲(chǔ)、用戶物品推薦建模、模型評(píng)估等內(nèi)容進(jìn)行了研究。數(shù)據(jù)采集通過(guò)客戶端頁(yè)面埋點(diǎn)技術(shù)來(lái)記錄用戶瀏覽、點(diǎn)擊、關(guān)注等行為以及頁(yè)面停留時(shí)長(zhǎng)等數(shù)據(jù),通過(guò)flume、kafka、hive、spark等大數(shù)據(jù)相關(guān)組件與技術(shù)完成數(shù)據(jù)采集、ETL相關(guān)操作,將用戶評(píng)分表、物物余弦相似度等數(shù)據(jù)通過(guò)ALS、item-ba

        現(xiàn)代信息科技 2023年1期2023-06-21

      • 基于推薦系統(tǒng)的網(wǎng)上書城的研究進(jìn)展綜述
        森超關(guān)鍵詞:推薦系統(tǒng);網(wǎng)上書城;互聯(lián)網(wǎng)中圖分類號(hào):TP311 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2023)02-0063-031 引言在書籍線上銷售發(fā)展的二十年里,從前10年起步階段占據(jù)線上銷售主要份額的兩大電商當(dāng)當(dāng)和亞馬遜,到近10年隨著京東、天貓等電商的加入,以及進(jìn)行傳統(tǒng)線下圖書售賣的國(guó)營(yíng)新華書店和民營(yíng)渠道開(kāi)始增添線上業(yè)務(wù),線上書籍銷售的總額及占比逐年增長(zhǎng)。2015年的線上銷售金額占書籍總銷售金額的45%,2016年線上銷售金額占比超過(guò)50%

        電腦知識(shí)與技術(shù) 2023年2期2023-05-30

      • 數(shù)據(jù)稀疏背景下基于協(xié)同過(guò)濾的推薦算法綜述
        夢(mèng)婷關(guān)鍵詞:推薦系統(tǒng);協(xié)同過(guò)濾;數(shù)據(jù)稀疏;相似度1引言隨著移動(dòng)互聯(lián)網(wǎng)的迅速發(fā)展,人們獲取大量信息十分便捷。與此同時(shí),如何從海量信息中高效篩選出所需內(nèi)容變得十分困難。推薦系統(tǒng)能夠在用戶需求不明確或是信息量過(guò)大時(shí),根據(jù)用戶的行為判斷其興趣,提供個(gè)性化的信息以滿足用戶需求。另外,為提高轉(zhuǎn)化率,推薦系統(tǒng)還能主動(dòng)將有效信息推送至目標(biāo)用戶。因此,推薦系統(tǒng)既是引導(dǎo)用戶獲取需要信息的助手,又是公司驅(qū)動(dòng)業(yè)務(wù)發(fā)展的重要?jiǎng)恿Α?span id="j5i0abt0b" class="hl">推薦系統(tǒng)最早被應(yīng)用于電子商務(wù)網(wǎng)站,通常是根據(jù)用戶的訂

        計(jì)算機(jī)應(yīng)用文摘 2023年9期2023-05-30

      • 數(shù)據(jù)稀疏背景下基于協(xié)同過(guò)濾的推薦算法綜述
        夢(mèng)婷關(guān)鍵詞:推薦系統(tǒng);協(xié)同過(guò)濾;數(shù)據(jù)稀疏;相似度1引言隨著移動(dòng)互聯(lián)網(wǎng)的迅速發(fā)展,人們獲取大量信息十分便捷。與此同時(shí),如何從海量信息中高效篩選出所需內(nèi)容變得十分困難。推薦系統(tǒng)能夠在用戶需求不明確或是信息量過(guò)大時(shí),根據(jù)用戶的行為判斷其興趣,提供個(gè)性化的信息以滿足用戶需求。另外,為提高轉(zhuǎn)化率,推薦系統(tǒng)還能主動(dòng)將有效信息推送至目標(biāo)用戶。因此,推薦系統(tǒng)既是引導(dǎo)用戶獲取需要信息的助手,又是公司驅(qū)動(dòng)業(yè)務(wù)發(fā)展的重要?jiǎng)恿Α?span id="j5i0abt0b" class="hl">推薦系統(tǒng)最早被應(yīng)用于電子商務(wù)網(wǎng)站,通常是根據(jù)用戶的訂

        計(jì)算機(jī)應(yīng)用文摘·觸控 2023年9期2023-05-10

      • 一個(gè)資訊推薦系統(tǒng)評(píng)測(cè)方案的設(shè)計(jì)
        宜霞關(guān)鍵詞:推薦系統(tǒng);模型離線實(shí)驗(yàn);A/B Test在線實(shí)驗(yàn)0 引言在互聯(lián)網(wǎng)信息爆炸式增長(zhǎng)的今天,人們通過(guò)多種渠道隨時(shí)隨地能接收到各種類型的新聞資訊信息,呈現(xiàn)給所有用戶一樣資訊內(nèi)容的方式已經(jīng)不適應(yīng)于當(dāng)前時(shí)代,發(fā)展個(gè)性化推薦是提升內(nèi)容消費(fèi)用戶體驗(yàn)和業(yè)務(wù)指標(biāo)的重要手段,面對(duì)浩如煙海的信息,如何更加精準(zhǔn)地將用戶感興趣的資訊推薦給用戶,提高用戶黏度,做到“千人千面”的推薦,這就需要研發(fā)團(tuán)隊(duì)提高推薦系統(tǒng)的效果[1]。但是與傳統(tǒng)評(píng)測(cè)有所不同,推薦系統(tǒng)采用的不是傳統(tǒng)意義

        電腦知識(shí)與技術(shù) 2023年9期2023-05-08

      • 基于二叉樹結(jié)構(gòu)采樣預(yù)估的召回模型框架
        :在廣告或者推薦系統(tǒng)的召回階段,通常會(huì)包含百萬(wàn)到億級(jí)別的候選集,采樣和預(yù)估就成為很重要的問(wèn)題;傳統(tǒng)的召回模型會(huì)做隨機(jī)負(fù)采樣,這種方法采樣的數(shù)據(jù)分布和整體樣本分布可能存在不一致,影響模型訓(xùn)練效果,在預(yù)估服務(wù)時(shí)線上infer性能也是嚴(yán)峻的考驗(yàn);針對(duì)這兩個(gè)問(wèn)題,我們提出了基于樹結(jié)構(gòu)的采樣預(yù)估服務(wù),把全量候選集通過(guò)層次聚類構(gòu)建到一顆二叉樹中,所有物料掛在的樹的葉子結(jié)點(diǎn),通過(guò)二叉樹采樣可能無(wú)偏的來(lái)到所有物料,并且線上infer時(shí)間復(fù)雜度從O(n)降低到O(log(n

        中國(guó)新通信 2022年16期2022-11-22

      • 基于策略記憶的深度強(qiáng)化學(xué)習(xí)序列推薦算法研究
        杜軍威摘要:推薦系統(tǒng)旨在從用戶-項(xiàng)目的交互中進(jìn)行建模,為用戶推薦感興趣的內(nèi)容,從而提高用戶體驗(yàn).然而大多數(shù)用戶-項(xiàng)目的序列并不總是順序相關(guān)的,而是有更靈活的順序甚至存在噪聲.為解決這一問(wèn)題,提出一種基于策略記憶的深度強(qiáng)化學(xué)習(xí)序列推薦算法,該算法將用戶的歷史交互存入記憶網(wǎng)絡(luò),使用一個(gè)策略網(wǎng)絡(luò)將用戶當(dāng)前的行為模式更細(xì)致地劃分為短期偏好、長(zhǎng)期偏好以及全局偏好,并引入注意力機(jī)制,生成相應(yīng)的用戶記憶向量,利用深度強(qiáng)化學(xué)習(xí)算法識(shí)別對(duì)未來(lái)收益較大的項(xiàng)目.在用戶和項(xiàng)目的交

        湖南大學(xué)學(xué)報(bào)·自然科學(xué)版 2022年8期2022-11-14

      • 基于時(shí)間權(quán)重因子的隱私保護(hù)推薦算法
        變化的,若對(duì)推薦系統(tǒng)中所有時(shí)間段的數(shù)據(jù)均采用同等程度的隱私保護(hù),容易引入不必要的噪聲,降低數(shù)據(jù)效用.為此,提出一種基于時(shí)間權(quán)重因子的差分隱私保護(hù)推薦算法.首先,設(shè)計(jì)時(shí)間權(quán)重因子,用于衡量數(shù)據(jù)重要性.然后,根據(jù)時(shí)間權(quán)重因子劃分隱私預(yù)算,對(duì)不同時(shí)間段的數(shù)據(jù)施加不同強(qiáng)度的隱私保護(hù).在此基礎(chǔ)上,構(gòu)建基于差分隱私的概率矩陣分解模型,用于完成個(gè)性化推薦.實(shí)驗(yàn)結(jié)果表明,該算法在滿足隱私保護(hù)的條件下,能夠更有效地保留數(shù)據(jù)效用,提高推薦結(jié)果的準(zhǔn)確性.關(guān)鍵詞:推薦系統(tǒng);矩陣分

        湖南大學(xué)學(xué)報(bào)·自然科學(xué)版 2022年8期2022-11-14

      • 基于Spark的電影推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
        ark的電影推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn),針對(duì)個(gè)性化推薦系統(tǒng)更新取得極大的改變,使得本文所設(shè)計(jì)的個(gè)性化推薦算法具有重要的意義。關(guān)鍵詞:Spark;推薦系統(tǒng);互聯(lián)網(wǎng);個(gè)性化一、Spark概述Spark一般通常指Apache Spark ,作為計(jì)算機(jī)通用計(jì)算引擎主要應(yīng)用于海量的數(shù)據(jù)處理,與Hadoop相似都是美國(guó)加州大學(xué)伯克利分校開(kāi)源的通用并行框架,其與Hadoop MapReduce 相比而言,更多的繼承了Hadoop所存在的優(yōu)點(diǎn),如優(yōu)化了HDFS再次之前存在的不足,

        客聯(lián) 2022年11期2022-07-06

      • 基于互信息的魯棒跨域推薦系統(tǒng)
        的出現(xiàn),跨域推薦系統(tǒng)已經(jīng)成為解決推薦系統(tǒng)冷啟動(dòng)問(wèn)題的關(guān)鍵。然而,現(xiàn)有的跨域推薦系統(tǒng)都假設(shè)其訓(xùn)練數(shù)據(jù)中不存在任何的錯(cuò)誤標(biāo)注,但是在現(xiàn)實(shí)情況下,該假設(shè)很難得到滿足,這就導(dǎo)致了跨域推薦系統(tǒng)在相當(dāng)多的真實(shí)推薦場(chǎng)景下的表現(xiàn)很難令人滿意。為了減少現(xiàn)實(shí)情況下錯(cuò)誤標(biāo)注對(duì)跨域推薦系統(tǒng)的影響,提高真實(shí)推薦場(chǎng)景下跨域推薦系統(tǒng)推薦結(jié)果的準(zhǔn)確性,本文提出了一種基于互信息的魯棒跨域推薦系統(tǒng),該推薦系統(tǒng)由域分離網(wǎng)絡(luò)和互信息魯棒風(fēng)險(xiǎn)兩個(gè)模塊構(gòu)成。域分離網(wǎng)絡(luò)模塊很好地解決了源域與目標(biāo)域差異

        貴州大學(xué)學(xué)報(bào)(自然科學(xué)版) 2022年4期2022-07-06

      • 一種便捷式的智能菜譜推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
        攜式智能菜譜推薦系統(tǒng)。該系統(tǒng)主要包括智能推薦模塊、智能語(yǔ)音模塊以及用戶管理模塊。智能推薦系統(tǒng)會(huì)通過(guò)用戶的瀏覽記錄及其口味偏好,向用戶推薦菜譜。極大程度上便利了用戶動(dòng)手制作的過(guò)程,在提高用戶的生活質(zhì)量上具有很強(qiáng)的應(yīng)用價(jià)值。關(guān)鍵詞:智能菜譜;Android平臺(tái);推薦系統(tǒng)中圖分類號(hào):TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2022)11-0055-031 引言隨著社會(huì)的發(fā)展,快節(jié)奏的生活席卷全國(guó),在大中城市的人們加班開(kāi)始增多,時(shí)間緊張,

        電腦知識(shí)與技術(shù) 2022年11期2022-05-31

      • 基于協(xié)同過(guò)濾的美食店鋪推薦算法
        :協(xié)同過(guò)濾;推薦系統(tǒng);混合算法;美食店鋪;美食推薦中圖分類號(hào):TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2022)30-0051-03開(kāi)放科學(xué)(資源服務(wù))標(biāo)識(shí)碼(OSID):1 引言如今,隨叫隨到的外賣服務(wù)非常流行。食客可以瀏覽在線餐廳市場(chǎng),選擇餐廳并預(yù)訂他們喜歡的食物或飲料。但是面對(duì)網(wǎng)絡(luò)數(shù)據(jù)的爆炸增長(zhǎng),使得用戶難以在海量的數(shù)據(jù)中快速地找到適合自己的美食,具有一定的盲目性。通過(guò)對(duì)現(xiàn)有美食App的調(diào)查發(fā)現(xiàn),美食數(shù)據(jù)排行過(guò)于籠統(tǒng),不能有

        電腦知識(shí)與技術(shù) 2022年30期2022-05-30

      • 基于深度學(xué)習(xí)的推薦系統(tǒng)研究
        解決的問(wèn)題。推薦系統(tǒng)是解決這一問(wèn)題的有效途徑,而如何把深度學(xué)習(xí)這項(xiàng)技術(shù)融入推薦系統(tǒng),是目前的研究熱點(diǎn)。文章分析了傳統(tǒng)的推薦系統(tǒng)存在的問(wèn)題,提出了相應(yīng)的解決方法和對(duì)策,使系統(tǒng)模型與用戶的需求結(jié)合更加緊密,用戶的滿意度得到進(jìn)一步提升,并對(duì)基于深度學(xué)習(xí)的推薦系統(tǒng)的未來(lái)發(fā)展趨勢(shì)進(jìn)行了闡述?!娟P(guān)鍵詞】推薦系統(tǒng);深度學(xué)習(xí);神經(jīng)網(wǎng)絡(luò);多源異構(gòu)數(shù)據(jù);上下文推薦【中圖分類號(hào)】TP391.3 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】1674-0688(2022)02-0034-03

        企業(yè)科技與發(fā)展 2022年2期2022-05-12

      • 基于專家協(xié)同過(guò)濾與混合策略的推薦算法
        歡的物品,而推薦系統(tǒng)能有效處理該問(wèn)題。文章針對(duì)推薦系統(tǒng)中存在常見(jiàn)的噪聲用戶和冷啟動(dòng)問(wèn)題,提出了基于專家用戶協(xié)同過(guò)濾和奇異值分解(SVD)的混合推薦算法。先對(duì)用戶進(jìn)行專家用戶人工篩選降噪,再利用SVD算法分解后填充專家評(píng)分矩陣,同時(shí)在計(jì)算用戶與專家的相似度時(shí)加入時(shí)間權(quán)重,最終選擇最優(yōu)項(xiàng)目進(jìn)行推薦。最后使用MovieLens數(shù)據(jù)集將本文算法與傳統(tǒng)算法進(jìn)行實(shí)驗(yàn)分析對(duì)比,證明了該算法的有效性。關(guān)鍵詞:推薦系統(tǒng);專家用戶;SVD;冷啟動(dòng);噪聲用戶;混合推薦算法中圖分

        電腦知識(shí)與技術(shù) 2022年9期2022-05-10

      • 基于知識(shí)的推薦系統(tǒng)綜述
        基于知識(shí); 推薦系統(tǒng); 領(lǐng)域知識(shí); 應(yīng)用場(chǎng)景中圖分類號(hào):G350? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A? ? ?文章編號(hào):1006-8228(2022)04-13-04A review of knowledge-based recommendation systemsLiu Yuanchen(School of Information Management, Central China Normal University, Wuhan, Hubei 43007

        計(jì)算機(jī)時(shí)代 2022年4期2022-04-12

      • 基于自適應(yīng)布谷鳥聚類搜索的推薦系統(tǒng)算法的研究
        胡安明摘要:推薦系統(tǒng)本質(zhì)是一種信息檢索技術(shù),能根據(jù)用戶喜好在海量數(shù)據(jù)中檢索出合適數(shù)據(jù)推薦給用戶,傳統(tǒng)推薦系統(tǒng)一般使用協(xié)同過(guò)濾推薦算法,協(xié)同過(guò)濾推薦算法主要通過(guò)挖掘用戶的歷史行為數(shù)據(jù)進(jìn)行推薦,但傳統(tǒng)推薦算法存在著稀疏矩陣、冷啟動(dòng)、實(shí)時(shí)性等問(wèn)題困擾[1];因此,本文提出一種基于自適應(yīng)布谷鳥聚類搜索的改進(jìn)推薦系統(tǒng)算法,首先對(duì)推薦數(shù)據(jù)進(jìn)行聚類處理,然后利用布谷鳥算法較強(qiáng)的全局搜索能力,提升推薦系統(tǒng)的準(zhǔn)確度,實(shí)驗(yàn)結(jié)果表明,引入自適應(yīng)布谷鳥聚類搜索能對(duì)傳統(tǒng)協(xié)同過(guò)濾算法

        電腦知識(shí)與技術(shù) 2022年6期2022-04-09

      • 個(gè)性化推薦系統(tǒng)在高職計(jì)算機(jī)通識(shí)課教學(xué)中的應(yīng)用探究
        詞:個(gè)性化;推薦系統(tǒng);高職院校;計(jì)算機(jī)中圖分類號(hào):G642 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2022)36-0157-031 引言計(jì)算機(jī)已廣泛應(yīng)用在各行各業(yè),并與相關(guān)生產(chǎn)活動(dòng)進(jìn)行了高度的融合,使社會(huì)的生產(chǎn)效率得到了極大的提升,這也對(duì)當(dāng)代大學(xué)生的計(jì)算機(jī)水平提出了更高的要求,因此計(jì)算機(jī)通識(shí)課成了關(guān)鍵的必修課之一[1-3]。高職院校傳統(tǒng)的教學(xué)方法是以教師為中心,以線下課堂為主,講課內(nèi)容固定單一,學(xué)生被動(dòng)接受。高職學(xué)生普遍缺乏學(xué)習(xí)的積極性、創(chuàng)新思維和適

        電腦知識(shí)與技術(shù) 2022年36期2022-02-22

      • 算法競(jìng)賽題目推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
        ;算法競(jìng)賽;推薦系統(tǒng)中圖分類號(hào):TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2022)34-0054-031 引言隨著“互聯(lián)網(wǎng)+教育”模式的快速發(fā)展,以程序在線評(píng)測(cè)技術(shù)為基礎(chǔ)而構(gòu)建的在線編程學(xué)習(xí)平臺(tái)在計(jì)算機(jī)教育領(lǐng)域得到了廣泛的應(yīng)用。目前,很多高校和教育機(jī)構(gòu)根據(jù)自己的實(shí)際需求開(kāi)發(fā)了各自的在線評(píng)測(cè)系統(tǒng),如國(guó)內(nèi)外的比較著名的ACM訓(xùn)練平臺(tái)HDUOJ、ZOJ、POJ、Codeforces、UVA、TopCoder、AtCoder等,還有???、

        電腦知識(shí)與技術(shù) 2022年34期2022-02-20

      • 語(yǔ)法試題個(gè)性化推薦系統(tǒng)的研究
        高試題個(gè)性化推薦系統(tǒng)對(duì)語(yǔ)法試題推薦的有效性,定義了韓語(yǔ)語(yǔ)法點(diǎn)矩陣、得分模型、潛在學(xué)習(xí)特征向量等,建立了學(xué)習(xí)態(tài)勢(shì)算法,設(shè)計(jì)了試題智能推薦的整體框架。該系統(tǒng)以學(xué)習(xí)者的態(tài)勢(shì)計(jì)算為基礎(chǔ),對(duì)學(xué)習(xí)者語(yǔ)法學(xué)習(xí)能力估算,再進(jìn)行試題推薦。通過(guò)兩組學(xué)習(xí)者對(duì)比,根據(jù)系統(tǒng)的平均使用時(shí)間、成績(jī)提高率、答卷正確率和試題推薦精準(zhǔn)率等指標(biāo)進(jìn)行評(píng)估,結(jié)果顯示,該推薦系統(tǒng)對(duì)學(xué)習(xí)者有顯著的助學(xué)效果。關(guān)鍵詞: 試題; 推薦系統(tǒng); 語(yǔ)法; 學(xué)習(xí)態(tài)勢(shì); 框架中圖分類號(hào):TP399? ? ? ? ?

        計(jì)算機(jī)時(shí)代 2021年12期2021-12-28

      • 基于BasicSVD算法的在線課程管理推薦系統(tǒng)設(shè)計(jì)
        在線課程管理推薦系統(tǒng),其目的在于簡(jiǎn)化修讀學(xué)分的自我管理流程,結(jié)合學(xué)校中的課程大數(shù)據(jù)以及學(xué)生選課情況做出學(xué)分管理和課程個(gè)性化推薦。關(guān)鍵詞:學(xué)分管理;課程管理;推薦系統(tǒng);BasicSVD;個(gè)性化中圖分類號(hào):TP391 ? ? ?文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2021)31-0073-03Design of Online Course Management Recommendation System Based on BasicSVD Algori

        電腦知識(shí)與技術(shù) 2021年31期2021-12-18

      • 推薦系統(tǒng)綜述
        偉摘 要: 推薦系統(tǒng)是信息過(guò)濾系統(tǒng)領(lǐng)域的一個(gè)重要研究方向。隨著信息技術(shù)的發(fā)展,推薦系統(tǒng)在提升用戶體驗(yàn)和增加企業(yè)效益等方面發(fā)揮著越來(lái)越重要的作用。主流的推薦系統(tǒng)大多基于矩陣分解模型和深度學(xué)習(xí)模型,近年來(lái)又提出了基于記憶網(wǎng)絡(luò)和集成學(xué)習(xí)的推薦系統(tǒng)為用戶精確地推薦物品。本文將對(duì)基于矩陣分解、基于深度學(xué)習(xí)、基于記憶網(wǎng)絡(luò)和基于集成學(xué)習(xí)的推薦系統(tǒng)進(jìn)行分析和總結(jié),展望未來(lái)的研究方向。關(guān)鍵詞: 推薦系統(tǒng); 矩陣分解; 神經(jīng)網(wǎng)絡(luò); 記憶網(wǎng)絡(luò); 集成學(xué)習(xí)文章編號(hào): 2095-2

        智能計(jì)算機(jī)與應(yīng)用 2021年7期2021-12-07

      • 基于序列特征提取的個(gè)性化推薦
        序列的推薦是推薦系統(tǒng)研究的熱點(diǎn),序列中包含許多重要信息,如物品的點(diǎn)擊規(guī)律和用戶的興趣,有效利用序列信息是提高推薦準(zhǔn)確率的關(guān)鍵。為了有效提取序列信息,提出了ACRec推薦系統(tǒng)模型,利用多頭自注意力機(jī)制和卷積神經(jīng)網(wǎng)絡(luò)從動(dòng)態(tài)和靜態(tài)兩個(gè)方面提取序列信息,并利用矩陣分解增強(qiáng)模型中用戶與序列的語(yǔ)義關(guān)系。在MovieLen-1M和Video_Games兩大公開(kāi)數(shù)據(jù)集上實(shí)驗(yàn)證明,相比于其他基線模型,ACRec提高了推薦的準(zhǔn)確率,Hit@10分別提高了1.03%和18.4%

        智能計(jì)算機(jī)與應(yīng)用 2021年7期2021-12-07

      • 基于序列特征提取的個(gè)性化推薦
        序列的推薦是推薦系統(tǒng)研究的熱點(diǎn),序列中包含許多重要信息,如物品的點(diǎn)擊規(guī)律和用戶的興趣,有效利用序列信息是提高推薦準(zhǔn)確率的關(guān)鍵。為了有效提取序列信息,提出了ACRec推薦系統(tǒng)模型,利用多頭自注意力機(jī)制和卷積神經(jīng)網(wǎng)絡(luò)從動(dòng)態(tài)和靜態(tài)兩個(gè)方面提取序列信息,并利用矩陣分解增強(qiáng)模型中用戶與序列的語(yǔ)義關(guān)系。在MovieLen-1M和Video_Games兩大公開(kāi)數(shù)據(jù)集上實(shí)驗(yàn)證明,相比于其他基線模型,ACRec提高了推薦的準(zhǔn)確率,Hit@10分別提高了1.03%和18.4%

        智能計(jì)算機(jī)與應(yīng)用 2021年7期2021-12-07

      • 基于用戶效用的隱式反饋推薦系統(tǒng)研究
        用的隱式反饋推薦系統(tǒng),在不干擾客戶購(gòu)物的情況下,為客戶提供合適的商品。論文首先采用隱式數(shù)據(jù),設(shè)計(jì)出商品效用值,然后根據(jù)用戶的付出成本,計(jì)算出用戶的收益值,最后把收益值最大的商品作為推薦品。經(jīng)過(guò)測(cè)試集的計(jì)算,模型準(zhǔn)確率為90.2%。【Abstract】Online product advertisements flood e-commerce users like an "information explosion", which reduces users

        中小企業(yè)管理與科技·下旬刊 2021年11期2021-11-23

      • 基于注意力機(jī)制的圖神經(jīng)網(wǎng)絡(luò)的電商知識(shí)圖譜推薦
        圖卷積網(wǎng)絡(luò);推薦系統(tǒng);可解釋性引言海量商品數(shù)據(jù)的推薦在電商系統(tǒng)中是一項(xiàng)復(fù)雜的任務(wù),商品數(shù)據(jù)的積累使得信息的篩選變得十分困難,用戶難以在短時(shí)間里從龐大的商品庫(kù)中找到最適合的商品,而個(gè)性化推薦算法的運(yùn)用就是為了解決這個(gè)問(wèn)題。推薦算法能從用戶行為和商品數(shù)據(jù)中挖掘到有用的信息,幫助用戶更精準(zhǔn)地找到自己需要的商品。推薦算法還能學(xué)習(xí)記錄到用戶的歷史行為,作為推薦數(shù)據(jù)的補(bǔ)充。目前在電商推薦系統(tǒng)中,協(xié)同過(guò)濾是一種經(jīng)典的技術(shù),其思想可以理解為相似的用戶往往青睞同一種類型的商

        科技信息·學(xué)術(shù)版 2021年26期2021-11-18

      • 精準(zhǔn)動(dòng)態(tài)信息推薦算法在智慧校園中的應(yīng)用
        ;信息冗余;推薦系統(tǒng);協(xié)同過(guò)濾1引言當(dāng)前,教育環(huán)境復(fù)雜,教育信息化和智慧化必需兼顧環(huán)境多樣性、受眾復(fù)雜性、需求變化性等因素,借助移動(dòng)通信技術(shù)與人工智能技術(shù)發(fā)展新型教育對(duì)位于戰(zhàn)略興國(guó)的重要基礎(chǔ)化建設(shè)。智慧化教育必須打破原來(lái)數(shù)字教育資源建設(shè)的傳統(tǒng)觀念和思想壁壘,除了包涵傳統(tǒng)的教育課件之外,其主體應(yīng)當(dāng)是伴隨著教學(xué)過(guò)程中產(chǎn)生的大數(shù)據(jù)以及伴隨對(duì)關(guān)于教育所有因素分析產(chǎn)生的相關(guān)數(shù)據(jù)內(nèi)容及其衍生信息。因此如何有效的獲取眾多信息中的關(guān)鍵有效信息成為系統(tǒng)能否生存、教育成本、學(xué)

        快樂(lè)學(xué)習(xí)報(bào)·教師周刊 2021年15期2021-11-11

      • 基于智慧校園的智能推薦系統(tǒng)的應(yīng)用研究
        需要的。智能推薦系統(tǒng)對(duì)當(dāng)前智能推薦的主要方式以及推薦算法進(jìn)行了研究,通過(guò)對(duì)系統(tǒng)的設(shè)計(jì)與分析,運(yùn)用H5技術(shù)中的WebSocket技術(shù)實(shí)現(xiàn)了管理平臺(tái)和移動(dòng)客戶端應(yīng)用程序,給用戶帶來(lái)了便捷、精準(zhǔn)獲取信息的服務(wù)體驗(yàn)。關(guān)鍵詞:信息推送;智能推薦;推薦系統(tǒng);個(gè)性化;智慧校園中圖分類號(hào):TP391.3? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):2096-4706(2021)08-0153-03Application Research of Intelligent Recomm

        現(xiàn)代信息科技 2021年8期2021-11-03

      • 融入用戶長(zhǎng)短期興趣的推薦算法多樣性優(yōu)化
        多樣性; 推薦系統(tǒng)中圖分類號(hào):TP391? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A? ? ?文章編號(hào):1006-8228(2021)10-44-05Diversity optimization of recommendation algorithm integratinguser's long-short-term interestXia Ruiling1, Li Guoping2, Wang Guozhong2(1. College of Electrical

        計(jì)算機(jī)時(shí)代 2021年10期2021-10-24

      • 一種基于長(zhǎng)短期偏好序列的推薦模型
        系。關(guān)鍵詞:推薦系統(tǒng);自注意力機(jī)制;序列推薦1.引言隨著互聯(lián)網(wǎng)的發(fā)展,數(shù)據(jù)變得越來(lái)越多,如何從如此之多的數(shù)據(jù)中選擇有效的信息,成為用戶當(dāng)前需要考慮的一個(gè)重大問(wèn)題,而推薦系統(tǒng)的誕生就是為了解決此類信息過(guò)載的問(wèn)題[1]and EvaluationsarXiv preprint arXiv:1905.01997a

        商業(yè)2.0-市場(chǎng)與監(jiān)管 2021年11期2021-10-14

      • NEG-MF:一種針對(duì)推薦系統(tǒng)的矩陣分解圖嵌入模型
        圖嵌入; 推薦系統(tǒng); 負(fù)采樣中圖分類號(hào):TP311? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A? ? ?文章編號(hào):1006-8228(2021)09-06-04Abstract: The traditional matrix factorization graph embedding model does not consider a large number of unknown relationships, so that its performance fa

        計(jì)算機(jī)時(shí)代 2021年9期2021-10-08

      • 基于Spark大數(shù)據(jù)處理的電影推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
        式。關(guān)鍵詞:推薦系統(tǒng);混合推薦;協(xié)同過(guò)濾;Spark;ALS;機(jī)器學(xué)習(xí)0?引言隨著網(wǎng)絡(luò)碎片化管理視頻的時(shí)代到來(lái),不斷產(chǎn)生的用戶數(shù)據(jù),促使基于用戶的智能推薦影片的系統(tǒng)的實(shí)現(xiàn)非常重要。一個(gè)完善的推薦系統(tǒng)能夠?yàn)橛脩籼峁?shí)時(shí)需要的信息,正是如此推薦系統(tǒng)面對(duì)海量產(chǎn)生的數(shù)據(jù)信息,從中快速推薦出滿足用戶喜好的物品,對(duì)于一些“選擇恐懼癥”和沒(méi)有明確需求的人是一道福音。以電影網(wǎng)站作為業(yè)務(wù)應(yīng)用場(chǎng)景,實(shí)現(xiàn)基于統(tǒng)計(jì)的推薦、基于LFM的離線推薦、基于模型的實(shí)時(shí)推薦、基于內(nèi)容的推薦等

        無(wú)線互聯(lián)科技 2021年11期2021-09-13

      • 面對(duì)智能分診的個(gè)性化推薦算法
        ;協(xié)同過(guò)濾;推薦系統(tǒng) 中國(guó)人口數(shù)量與醫(yī)療資源之間的巨大反差使得醫(yī)療資源日趨不足,短期內(nèi)增加醫(yī)療資源的總量幾乎是不可能的,因此有效整合和合理分配現(xiàn)有的醫(yī)療資源,緩解就診壓力,提升就醫(yī)質(zhì)量,有著很大的實(shí)用價(jià)值與社會(huì)意義。智能導(dǎo)診根據(jù)患者的主訴為患者自動(dòng)推薦相應(yīng)的醫(yī)院和醫(yī)生,對(duì)合理分診起著重要作用。從數(shù)據(jù)的角度看,智能導(dǎo)診是針對(duì)患者主訴和基本信息對(duì)醫(yī)院和醫(yī)生的推薦。一、相關(guān)工作分析 近年來(lái)國(guó)內(nèi)外與醫(yī)療領(lǐng)域推薦相關(guān)的研究很多,M.L6pez-Nores等[1]

        客聯(lián) 2021年2期2021-09-10

      • 基于lightGBM的聯(lián)通話費(fèi)購(gòu)推薦系統(tǒng)研究
        GBM算法的推薦系統(tǒng)。通過(guò)分析用戶行為,構(gòu)建用戶、商品的動(dòng)態(tài)特征,用協(xié)同過(guò)濾召回的基礎(chǔ)上,利用lightGBM算法做精準(zhǔn)排序,預(yù)測(cè)用戶對(duì)于商品的購(gòu)買率。經(jīng)過(guò)實(shí)際驗(yàn)證表明,推薦的召回率達(dá)到82.3%,下單轉(zhuǎn)化率為30.9%,有效提高了用戶的點(diǎn)擊付費(fèi)轉(zhuǎn)化?!娟P(guān)鍵詞】? ? 推薦系統(tǒng)? ? lightGBM? ? 特征工程? ? 集成學(xué)習(xí)一、項(xiàng)目背景聯(lián)通話費(fèi)購(gòu)商城是中國(guó)聯(lián)通提供的新型通信賬戶消費(fèi)業(yè)務(wù),是聯(lián)通用戶購(gòu)買多種會(huì)員權(quán)益的專屬商城。為用戶提供話費(fèi)計(jì)費(fèi)和第三

        中國(guó)新通信 2021年12期2021-08-27

      • 基于知識(shí)圖譜的學(xué)習(xí)評(píng)價(jià)與推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
        的學(xué)習(xí)評(píng)價(jià)與推薦系統(tǒng),提出使用學(xué)習(xí)路徑達(dá)成度來(lái)實(shí)現(xiàn)個(gè)性化的學(xué)習(xí)路徑規(guī)劃及學(xué)習(xí)資源推薦算法,闡述了系統(tǒng)總體架構(gòu)和系統(tǒng)資源本體模型的構(gòu)建方法,可以有效解決學(xué)生線上自主學(xué)習(xí)的信息過(guò)載與知識(shí)迷途問(wèn)題。關(guān)鍵詞:知識(shí)圖譜;推薦系統(tǒng);個(gè)性化學(xué)習(xí)資源中圖分類號(hào):TP399? ? ? ?文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2021)18-0001-02開(kāi)放科學(xué)(資源服務(wù))標(biāo)識(shí)碼(OSID):1引言互聯(lián)網(wǎng)+、人工智能、大數(shù)據(jù)等新型理念與技術(shù)強(qiáng)勢(shì)介入教育,教育教學(xué)環(huán)境發(fā)

        電腦知識(shí)與技術(shù) 2021年18期2021-08-18

      • 基于動(dòng)態(tài)權(quán)重的商品混合推薦系統(tǒng)
        信摘? 要:推薦系統(tǒng)已經(jīng)在日常生活中扮演著舉足輕重的角色,單一的推薦系統(tǒng)往往會(huì)存在冷啟動(dòng)、數(shù)據(jù)稀疏等問(wèn)題,該文將各推薦服務(wù)的結(jié)果通過(guò)動(dòng)態(tài)權(quán)重的方式加以調(diào)整并混合,避免單一算法帶來(lái)的問(wèn)題,提升個(gè)性化推薦效果。將大數(shù)據(jù)技術(shù)和推薦算法結(jié)合,設(shè)計(jì)并實(shí)現(xiàn)基于大數(shù)據(jù)的商品混合推薦系統(tǒng)。最后使用Amazon的數(shù)據(jù)集進(jìn)行系統(tǒng)測(cè)試,該文提出的動(dòng)態(tài)權(quán)重混合方式比傳統(tǒng)線性混合擁有更好的性能。關(guān)鍵詞:推薦系統(tǒng)? 混合推薦? 動(dòng)態(tài)權(quán)重? 個(gè)性化推薦中圖分類號(hào):TP391.3? ?

        科技資訊 2021年10期2021-07-28

      • 一種改進(jìn)的缺失數(shù)據(jù)協(xié)同過(guò)濾圖書自動(dòng)推薦模型研究
        協(xié)同過(guò)濾自動(dòng)推薦系統(tǒng),因數(shù)據(jù)缺失對(duì)圖書推薦結(jié)果產(chǎn)生影響。該文借助廣東嶺南職業(yè)技術(shù)學(xué)院圖書館50萬(wàn)條樣本數(shù)據(jù),通過(guò)對(duì)部分變量缺失數(shù)據(jù)進(jìn)行插值,設(shè)計(jì)一種改進(jìn)的缺失數(shù)據(jù)協(xié)同過(guò)濾圖書自動(dòng)推薦系統(tǒng)模型(xDeepFM-D)。試驗(yàn)結(jié)果表明,在模型訓(xùn)練150輪后,測(cè)試集總損失為0.072 8,AUC(Area Under roc Curve)為0.927 4。對(duì)比常見(jiàn)推薦系統(tǒng)模型xDeepFM、DeepFM、FM&DNN以及FM,AUC分別提升了0.17%、0.64%、

        科技資訊 2021年10期2021-07-28

      • 個(gè)性化新聞推薦系統(tǒng)中的“過(guò)濾氣泡”研究
        氣泡;新聞;推薦系統(tǒng);用戶視野中圖分類號(hào) G2 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 2096-0360(2021)05-0030-03隨著個(gè)性化推薦系統(tǒng)的發(fā)展與應(yīng)用,人們開(kāi)始擔(dān)心推薦系統(tǒng)對(duì)用戶帶來(lái)的負(fù)面作用。其中一個(gè)越來(lái)越受人關(guān)注的便是“過(guò)濾氣泡”問(wèn)題[1],即推薦系統(tǒng)是否會(huì)因?yàn)榭偸峭扑]相似內(nèi)容而使得用戶視野被窄化。如Poulain通過(guò)對(duì)音樂(lè)平臺(tái)的研究發(fā)現(xiàn)了內(nèi)容多樣性的缺失[2]。然而也有研究對(duì)該問(wèn)題進(jìn)行了否定,如moller通過(guò)數(shù)據(jù)科學(xué)實(shí)驗(yàn)更進(jìn)一步地提出推薦系統(tǒng)

        新媒體研究 2021年5期2021-07-27

      • 中醫(yī)輔助診療推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
        中醫(yī)輔助診療推薦系統(tǒng)。方法? 以中醫(yī)歷史病案數(shù)據(jù)為基礎(chǔ),利用數(shù)據(jù)挖掘技術(shù)和度量學(xué)習(xí)技術(shù)挖掘、整理中醫(yī)診療經(jīng)驗(yàn)知識(shí),建立病案相似度計(jì)算方法,設(shè)計(jì)中醫(yī)輔助診療推薦系統(tǒng)功能框架并開(kāi)發(fā)應(yīng)用系統(tǒng)。結(jié)果? 設(shè)計(jì)并構(gòu)建了中醫(yī)輔助診療推薦系統(tǒng),在四診識(shí)別階段為醫(yī)生推薦候選癥狀,在辨證論治階段為醫(yī)生推薦診療方案,從而輔助經(jīng)驗(yàn)不足的醫(yī)生診療。結(jié)論? 該系統(tǒng)可以在臨床實(shí)踐中輔助醫(yī)生診療,從而降低中醫(yī)傳承難度、改善中醫(yī)傳承模式,更好地發(fā)展和利用中醫(yī)藥。關(guān)鍵詞:中醫(yī)輔助診療;推薦系

        中國(guó)中醫(yī)藥圖書情報(bào) 2021年3期2021-07-11

      • 人工智能在圖書館特藏文獻(xiàn)資源建設(shè)中的應(yīng)用
        于人工智能的推薦系統(tǒng)可以有效緩解信息過(guò)載,解決特藏文獻(xiàn)難發(fā)現(xiàn)、難收全的現(xiàn)實(shí)問(wèn)題。本研究通過(guò)將深度學(xué)習(xí)技術(shù)融入推薦系統(tǒng)中,構(gòu)建圖書館特藏文獻(xiàn)需求模型,設(shè)計(jì)出特藏文獻(xiàn)自動(dòng)識(shí)別系統(tǒng),通過(guò)介紹其工作流程與效果,為圖書館開(kāi)發(fā)個(gè)性化、高性能的特藏文獻(xiàn)推薦工具提供參考與借鑒。關(guān)鍵詞 深度學(xué)習(xí) 特藏文獻(xiàn) 推薦系統(tǒng) 人工智能分類號(hào) G250DOI 10.16810/j.cnki.1672-514X.2021.05.008Artificial Intelligence App

        新世紀(jì)圖書館 2021年5期2021-06-22

      • 基于個(gè)性化推薦系統(tǒng)的視頻App的設(shè)計(jì)
        ?;趥€(gè)性化推薦系統(tǒng)的視頻App,融合了多種推薦方法。首先為了解決推薦系統(tǒng)的冷啟動(dòng)問(wèn)題,采用了基于統(tǒng)計(jì)學(xué)的推薦方式,同時(shí),采用基于協(xié)同過(guò)濾的推薦算法,計(jì)算視頻和用戶間的隱藏特征,最后還有實(shí)時(shí)推薦模塊,能夠根據(jù)用戶近期的行為對(duì)推薦內(nèi)容進(jìn)行調(diào)整。關(guān)鍵詞:android應(yīng)用;推薦系統(tǒng);協(xié)同過(guò)濾;ALS算法;實(shí)時(shí)推薦中圖分類號(hào):TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2021)08-0004-03Abstract: In recent y

        電腦知識(shí)與技術(shù) 2021年8期2021-04-22

      • 基于協(xié)同過(guò)濾和標(biāo)簽的混合音樂(lè)推薦算法研究
        ,為優(yōu)化音樂(lè)推薦系統(tǒng)提供參考方法。關(guān)鍵詞:協(xié)同過(guò)濾;標(biāo)簽;音樂(lè)推薦;推薦系統(tǒng)中圖分類號(hào):TP312? ? ?文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):2096-1472(2021)-04-10-04Abstract: Traditional single recommendation algorithm cannot effectively solve the accuracy problem in music recommendation. In view of musi

        軟件工程 2021年4期2021-04-18

      • 用戶畫像技術(shù)在產(chǎn)品營(yíng)銷中的應(yīng)用
        戶畫像技術(shù)的推薦系統(tǒng)就是目前所采用的有效方法之一。本文對(duì)互聯(lián)網(wǎng)環(huán)境下在產(chǎn)品的推廣和營(yíng)銷過(guò)程中如何利用用戶畫像技術(shù),有針對(duì)性地選擇推薦系統(tǒng)算法進(jìn)行了探討和研究。關(guān)鍵詞:用戶畫像;推薦系統(tǒng);算法Abstract: With the continuous development of artificial intelligence and big data technology, the way of obtaining information is also

        電腦知識(shí)與技術(shù) 2021年5期2021-04-13

      • 基于Spark和微服務(wù)架構(gòu)的電影推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
        李險(xiǎn)貴摘要:推薦系統(tǒng)廣泛應(yīng)用于人們生活的多個(gè)領(lǐng)域,日常生活中常見(jiàn)的有電商、電影、音樂(lè)和新聞推薦等。推薦系統(tǒng)根據(jù)用戶的歷史偏好主動(dòng)推送相關(guān)的信息,節(jié)約了用戶的時(shí)間,極大地提升了用戶的體驗(yàn)。隨著大數(shù)據(jù)技術(shù)的發(fā)展成熟,數(shù)據(jù)處理的速度變得更快。該文選取MovieLens電影數(shù)據(jù)集,并基于大數(shù)據(jù)分布式處理框架Spark和交替最小二乘法ALS等算法搭建數(shù)據(jù)處理平臺(tái),然后再結(jié)合Spring Boot和Spring Cloud等搭建電影后臺(tái)服務(wù),實(shí)現(xiàn)一個(gè)基于微服務(wù)架構(gòu)的電

        電腦知識(shí)與技術(shù) 2021年5期2021-04-13

      • 推薦系統(tǒng)在檔案知識(shí)服務(wù)中的應(yīng)用研究
        :論文探討了推薦系統(tǒng)用于提高檔案知識(shí)服務(wù)主動(dòng)性、針對(duì)性與個(gè)性化中的價(jià)值問(wèn)題,并依據(jù)推薦系統(tǒng)通用模型,構(gòu)建了推薦系統(tǒng)在檔案知識(shí)服務(wù)中的應(yīng)用模式,然后列舉推薦系統(tǒng)在檔案知識(shí)服務(wù)中的典型應(yīng)用。關(guān)鍵詞:推薦系統(tǒng);處理模型;用戶需求;檔案知識(shí)服務(wù);應(yīng)用研究Abstract: The paper discusses the value of the recommendation systems in solving the bottlenecks and improv

        檔案管理 2021年2期2021-04-06

      • 層次聚類算法在實(shí)現(xiàn)高職教學(xué)推薦系統(tǒng)中的應(yīng)用
        次聚類算法 推薦系統(tǒng) 輔助教學(xué)中圖分類號(hào):G712文獻(xiàn)標(biāo)識(shí)碼:ADOI:10.16400/j.cnki.kjdk.2021.29.012Application of Hierarchical Clustering Algorithm in Realizing Higher Vocational Teaching Recommendation SystemJIANG Haifeng(Guangdong Polytechnic of Science and T

        科教導(dǎo)刊 2021年29期2021-01-13

      SHOW| 班戈县| 三河市| 光山县| 凤庆县| 宜兰县| 徐水县| 朝阳市| 孝义市| 曲水县| 普定县| 花垣县| 湖口县| 祥云县| 原阳县| 南昌县| 图木舒克市| 长宁县| 牡丹江市| 于田县| 浮梁县| 浙江省| 祁连县| 江口县| 阳新县| 通化县| 慈溪市| 民乐县| 寻乌县| 翼城县| 邹城市| 西盟| 五台县| 寿阳县| 宣城市| 类乌齐县| 博白县| 鄱阳县| 龙州县| 镇平县| 邛崃市|