共查询到20条相似文献,搜索用时 0 毫秒
1.
随着电影、电视剧、综艺节目等产业的飞速发展,近年来新兴的OTT服务(Over-the-top media services)平台给用户提供高清的流媒体播放服务,例如:爱奇艺、腾讯视频、Netflix、Hulu等.事实上,随着新用户数增多、新增流媒体数量不断庞大,用户评分逐渐矩阵成为高维矩阵,而用户评分数又不到总数的1%,传统的流媒体推荐系统因为评分稀疏性逐渐显得乏力.文章介绍了一种基于协同过滤,同时结合用户画像的方法来优化推荐系统.对于新用户,系统利用用户画像进行建模,计算用户间的相似度;对于新的流媒体视频,系统利用平台内已有的应用分类标签来初始化未知评分,然后使用协同推荐算法来反馈用户的偏好.实验结果表明该系统卓有成效,同时也提升了平台的满意度. 相似文献
2.
为解决推荐算法中数据稀疏的问题,利用知识图谱中的语义信息,更加准确地构建用户画像。以DBpedia中电影知识图谱为例,提出将自动编码器的网络结构与基于知识图谱的语义信息结合,赋予隐藏层中的神经元电影主题意义,从用户的观影历史中,得到每个用户对相关主题的偏好程度,完善用户画像的构建,运用协同过滤算法进行推荐。对比实验结果表明,该算法在准确率、召回率等推荐性能指标方面有着良好的表现。 相似文献
3.
4.
推荐系统对筛选有效信息和提高信息获取效率具有重大的意义。传统的推荐系统会面临数据稀松和冷启动等问题。利用外部评分和物品内涵知识相结合,提出一种基于循环知识图谱和协同过滤的电影推荐模型——RKGE-CF。在充分考虑物品、用户、评分之间的相关性后,利用基于物品和用户的协同过滤进行Top-K推荐;将物品的外部附加数据和用户偏好数据加入知识图谱,提取实体相互之间的依赖关系,构建用户和物品之间的交互信息,以便揭示实体与关系之间的语义,帮助理解用户兴趣;将多种推荐结果按不同方法融合进行对比;模型训练时使用多组不同的负样本作为对比,以优化模型;最后利用真实电影数Movielens和IMDB映射连接成新数据集进行测试。实验结果证明该模型对于推荐效果的准确率有显著的提升,同时能更好地解释推荐背后的原因。 相似文献
5.
基于用户层次信息的协同推荐算法 总被引:7,自引:0,他引:7
在个性化信息推荐服务中,协同推荐作为一种基本的信息过滤方法得到广泛的应用,它根据和目标用户具有相似行为的用户对资源的评价来进行推荐。但是,我们的研究发现,协同推荐算法所获得的相似用户群和实际用户的概念层次没有关系,这和我们的直觉是矛盾的,这驱使我们在协同推荐算法中考虑进用户的分类信息。实验结果表明,这样的方法是有效的,它和传统协同过滤相比具有更高的推荐精度。 相似文献
6.
7.
针对协同过滤算法在推荐电影过程中只能考虑电影外部评论而不能考虑电影内部的相似度关系,提出构建知识图谱辅助计算电影内部相似度。已有的电影数据可能是不完整的,因此采用知识图谱推理补全缺失的电影知识。基于TransE模型的知识图谱无法有效描述电影间的片名、演员、导演等复杂的多关系。首先采用改进的TransHR模型表示出电影信息之间的多关系,提升关系表示的准确率;然后通过用户评分矩阵计算电影间相似度;最后将2种相似度融合并应用于矩阵分解的推荐技术中。对比实验结果表明,该算法在召回率、准确率、平均绝对误差MAE等指标上都有所提升。 相似文献
8.
基于序列化的推荐算法在多个领域取得了不错的效果,但仍存在一些问题,如没有考虑所有项与项之间的关系,推荐准确度会大大降低。因此提出一种基于知识图谱和用户长短期偏好(KG-ULSP)的个性化景点推荐方法。通过引入知识图谱,使用网络表示学习方法,学习景点的特征向量表示,使得具有相似结构和相似属性的景点在低维特征空间中的距离比较近,以此表示他们的高级语义特征。然后利用门控循环单元GRU对已学习到的景点特征向量进行序列化信息建模,进一步抽取景点的访问序列特征。另外,考虑到用户偏好可能随时间发生变化,KG-ULSP模型同时学习用户的长期偏好和短期偏好,最终预测并返回用户可能感兴趣的推荐列表。通过在真实旅游数据上的实验,验证了所提方法的有效性。 相似文献
9.
随着人们生活水平的提高,人们逐渐追求对精神的享受,于是对旅游的需求便日益增多.但是如今市场上的旅游APP推荐地点都是千篇一律,只根据人气地点或者网红打卡地等流量地方进行推荐.基于LSTM搭建情感分析分类的深度模型,通过知识图谱将人和地点联系在一起,建立每个用户的画像,根据推荐算法把旅游景点推荐给其他用户. 相似文献
10.
推荐系统广泛应用于实际生活中多个场景,比如熟知的音乐、旅游、新闻、书籍、购物等,虽然个性化推荐已经有越来越多的研究和落地,但是传统的基于协同过滤的推荐系统和基于内容推荐系统仍然面临着诸多数据稀疏,冷启动的问题,而利用知识图谱作为辅助信息可以缓解上述问题,一方面可以提高推荐的准确性,一方面也为推荐系统提供了可解释性。基于KG的推荐系统主要包括基于Embedding方法和基于路径的方法,论文通过联合上述的方法,分析典型的DKN模型并做出训练模型的优化,得出基于KG联合的学习推荐模型无论是推荐准确性还是可解释性都优于传统的协同过滤推荐模型。 相似文献
11.
推荐系统可以在海量的数据信息中获取用户偏好,从而更好地实现个性化推荐,提高用户体检,以及解决互联网中的信息过载问题,但推荐系统仍然存在冷启动和数据稀疏问题。知识图谱作为一种拥有大量实体和丰富语义关系的结构化知识库,不但能够提高推荐系统的准确性,还能够为推荐项目提供可解释性,从而增强用户对推荐系统的信任度,为解决推荐系统中存在的一系列关键问题提供了新方法、新思路。首先针对知识图谱推荐系统进行研究与分析,以应用领域为分类依据将知识图谱推荐系统分为多领域知识图谱推荐系统和特定领域知识图谱推荐系统,同时根据这些知识图谱推荐方法的特点进一步分类,对每类方法进行定量分析和定性分析;之后列举出知识图谱推荐系统在应用领域中常用的数据集,对数据集的规模和特点进行概述;最后对知识图谱推荐系统未来的研究方向进行展望和总结。 相似文献
12.
互补产品推荐旨在为用户提供经常一起购买的产品,以满足共同的需求。现有的互补产品推荐方法大多考虑对产品的内容特性(视觉和文本内容)建模,而没有考虑用户购买产品的偏好。为此设计了一种融合用户偏好的互补产品推荐模型(complementary product recommendation models that integrate user preferences, CPRUP)。该模型首先计算产品之间图像和文本特征的互补关系;然后将知识图谱与注意力机制相结合,基于n-hop邻居挖掘用户历史购买产品之间的相关性,提出一种基于知识图谱的用户表征来提取用户对互补产品的偏好;最后基于神经网络实现互补关系与用户偏好的共同学习。使用Amazon数据集进行实验,提出的CPRUP模型与次优基线模型相比,ACC提升了5%,precision提升了4%,表明CPRUP模型可以更准确地为用户推荐互补产品。 相似文献
13.
在缺乏用户交互互补项目方面数据的情况下,将用户对项目的偏好融合到只考虑项目关系的互补项目推荐中,提高推荐模型的性能。提出一种基于知识图谱的互补项目推荐方法,在用户历史交互项目集中推测用户交互的互补项目,基于知识图谱提取用户对互补项目的偏好,利用图像与文本学习项目之间的互补关系,最后基于神经网络实现二者的共同学习。提出的方法在Amazon数据集上与次优的基线方法相比,ACC提升了7%,precision提升了3%,这说明提出的方法性能优异。该算法共同学习用户对项目的偏好与项目之间的互补关系,提升了推荐性能。 相似文献
14.
15.
在线编程评测系统(Online Judge, OJ)是一种被广泛应用于计算机编程教学与竞赛的代码测评系统。用户在规模庞大的题库中寻找适合当前学习阶段的题目时,往往会感到迷茫。如何为用户推荐合适的题目和规划学习路径,是在线编程测评系统研发中的一个重要研究课题。传统推荐算法存在可解释性和准确性难以兼顾的问题。文中提出了基于知识图谱与协同过滤混合策略的在线评测系统推荐模型(A Hybrid Programming Task Recommendation Model Based on Knowledge Graph and Collaborative Filtering, HKGCF)。该模型通过推荐与用户当前知识和技能掌握程度相匹配的题目,来帮助用户提升学习效果。文中设计和实现了该模型,并将其集成到了北京航空航天大学在线编程测评系统中,以适应OJ平台特有的交互形式。线上测试和离线测试实验的结果表明,提出的HKGCF模型在准确率和可解释性方面均优于典型传统算法。 相似文献
16.
17.
为满足用户需求,以用户为中心,解决用户关注度不断变化、数据稀疏性、优化时间和空间效率等问题,提出基于用户关注度的个性化新闻推荐系统。推荐系统引入个人兴趣和场景兴趣来描述用户关注度,使用雅克比度量用户相似性,对相似度加权求和预测用户关注度,从而提供给用户经过排序的新闻推荐列表。实验结果表明,推荐系统有效地提高了推荐精准度和覆盖度,改善了系统可扩展性和自动更新能力,具有良好的推荐效果。 相似文献
18.
针对推荐系统存在的数据稀疏问题,传统的协同过滤方法无法捕捉辅助信息之间的相关性,从而降低了推荐的准确度,文中提出KGE-CF模型,引入了知识图谱作为辅助信息,利用知识图谱中多源结构性的数据来缓解数据稀疏问题.KGE-CF结合多层感知机捕获高阶非线性特征的能力,能够学习出用户与项目更深层次的交互信息,从而提升推荐质量.首先,KGE-CF模型将用户的历史交互项目与知识图谱中的实体进行映射,并且利用知识图谱的翻译模型进行训练,得到实体嵌入向量与关系向量,并依据"兴趣迁移"思想进一步学习出更为丰富的用户向量;然后,模型将学习得到的用户向量与项目向量拼接,作为多层感知机的输入,捕捉用户与项目之间的高阶特征信息;最后,通过一个sigmoid函数得到用户对候选项目的偏好程度.通过在真实数据集上的实验,证明了提出的KGE-CF模型在点击率预测和top-k两种推荐场景下均优于其他方法. 相似文献
19.