CN114510645A - 一种基于提取有效多目标群组来解决长尾推荐问题的方法 - Google Patents
一种基于提取有效多目标群组来解决长尾推荐问题的方法 Download PDFInfo
- Publication number
- CN114510645A CN114510645A CN202210363831.XA CN202210363831A CN114510645A CN 114510645 A CN114510645 A CN 114510645A CN 202210363831 A CN202210363831 A CN 202210363831A CN 114510645 A CN114510645 A CN 114510645A
- Authority
- CN
- China
- Prior art keywords
- user
- long
- tail
- recommendation
- items
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000000605 extraction Methods 0.000 title claims description 8
- 230000006870 function Effects 0.000 claims description 40
- 238000005457 optimization Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 5
- 230000008685 targeting Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010295 mobile communication Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于提取有效多目标群组来解决长尾推荐问题的方法,S1:获取历史评分数据集:S2:基于修正的余弦距离与欧氏距离构建用户二维加权相似度:S3:基于多目标优化器的重新排序模型寻找最佳的相似用户群组进行推荐。本发明充分挖掘了用户偏好,不仅仅是关注整体推荐的准确率,还考虑了长尾项目的准确率和覆盖率。
Description
技术领域
本发明涉及推荐决策系统技术领域,可用于商品推荐、行为决策、风险预警等领域。具体涉及一种基于提取有效多目标群组来解决长尾推荐问题的方法。
背景技术
在商品推荐、决策支持、风险预警等领域,如果存在大量的候选项时,如何选择合适的行为是一个难点,需要使用推荐系统。大多数传统推荐算法往往追求较高的推荐准确率,这导致热门选项的推荐率甚至超过了其实际受欢迎程度,而非热门选项的资源利用率和销售潜力则被忽略,这就是典型的长尾问题。例如,长尾商品往往代表了一些用户的个性化需求,而对于推荐算法来说,是否能够帮助系统挖掘出长尾商品也成为衡量的标准之一。近年来,人们提出了许多方法来解决长尾问题,包括多目标优化、图模型、聚类以及引入神经网络框架的深度学习方法。与传统的过于注重推荐的准确性而忽略长尾推荐能力的协同过滤算法相比,近年来的一些方法对长尾覆盖率有所提高,但进一步提高仍有挑战。在多目标优化中,增加目标函数会导致迭代次数多,训练速度慢,且难以调整多个目标之间的关系。在与神经网络相结合的协同过滤模型中,调整模型结构不可避免地会导致复杂模型下样本训练的难度和时间复杂度增加。而且,这两种方法在面对小样本数据时都不可避免地会遇到难以训练的问题。
发明内容
针对现有技术中存在的不足,本发明的目的在于提供一种基于提取有效多目标群组来解决长尾推荐问题的方法。本发明在用户决策偏好基础上,不仅仅是关注整体推荐的准确率,还考虑了长尾项目的准确率和覆盖率。
为解决上述技术问题,本发明通过下述技术方案实现:
一种基于提取有效多目标群组来解决长尾推荐问题的方法,包括以下步骤:
S1:获取历史评分数据集,提取出其中的用户评分记录,计算项目出现在用户评分记录中的频率,构建用户-项目评分矩阵,统计每个项目的评分次数,将长尾项目定义为:项目的评分次数低于用户对项目评分次数平均值的项目;
S2:构建用户二维加权相似度,并在每个用户的相似用户列表中按照二维加权相似度进行降序排序;
S3:基于多目标优化器的重新排序模型寻找最佳的相似用户群组进行推荐:
根据二维加权相似度降序排序后选定k个相似用户添加到列表中,将用户群组列表作为初始种群对象;
提出并选择流行度函数和长尾关注度函数作为多目标优化问题的目标函数,得到多目标优化方程组,从而构建多目标优化模型;
对多目标优化模型进行运算,在运算达到指定的迭代次数后,得到一组最优的pareto解即最优相似用户群组,利用这组解为目标用户生成推荐列表进行推荐。
针对用户评分记录,根据评分降序排序后划分出长尾项目集,在长尾项目集中根据项目评分次数降序排序后,按照替换比例将列表中评分较低的热门项目替换为排序后的长尾项目集中评分较好的用户感兴趣的项目,从而得到重新构建的用户-项目评分矩阵;
所述修正过的余弦相似度公式为:
综合考虑推荐的有效性,所述替换比例优化公式为:
所述多目标优化方程组为:
其中,表示其中一个目标函数以长尾关注度函数的负值为优化方向,
表示另一个目标函数以流行度函数的正值为优化方向,构建和的方程组,
表示多目标优化要能够让两个目标函数都达到最小值,即增加对长尾的关注,降低整体的
流行度。
进一步的:所述步骤S3中,融入Non dominated sorting genetic algorithm -II算法进行运算,加入群组的概念,将种群对象初始化为N个不同的相似用户群组,每个种群都是个群组向量,将寻找最优相似用户群组转化为求解pareto最优解。
本发明的第二个目的在于,提供一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述中任一所述的方法。
本发明的第三个目的在于,提供一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上述中任一所述的方法。
本发明与现有技术相比,具有以下优点及有益效果:
本发明通过构建二维加权相似度充分探索用户偏好以挖掘更多的可能感兴趣的长尾项目,并结合基于多目标优化器的重新排序模型寻找最佳的相似用户群组进行推荐,考虑了长尾项目的准确率和覆盖率,而不是仅仅关注整体推荐的准确率,本发明在预测精度和覆盖率指标上同其他方法相比效果提升明。
附图说明
图1是本发明基于提取有效的多目标群组来解决长尾推荐问题的推荐方法的推荐模型示意图;
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合具体实施例对本发明的优选实施方案进行描述,但是应当理解,附图仅用于示例性说明,不能理解为对本发明的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本发明的限制。
下面结合附图和实施例对本发明作进一步的说明,但并不作为对本发明限制的依据。
如图1至图3所示,一种基于提取有效多目标群组来解决长尾推荐问题的方法,包括如下步骤:
S1:获取历史评分数据集,提取出其中的用户评分记录,
在本发明中历史评分数据集可以采用公开的Movielens 1M数据集与Yahoo 数据集;
读取数据集,获取用户评分记录以及项目评分记录;
计算项目出现在用户评分记录中的频率,统计每个项目的评分次数,将长尾项目定义为: 项目的评分次数低于用户对项目评分次数平均值的项目;
S2:构建用户二维加权相似度,并在每个用户的相似用户列表中按照二维加权相似度进行降序排序;
针对用户评分记录,根据评分降序排序后划分出长尾项目集,在长尾项目集中根据项目评分次数降序排序后,按照替换比例将列表中评分较低的热门项目替换为排序后的长尾项目集中评分较好的用户感兴趣的项目,从而得到重新构建的用户-项目评分矩阵;
设置替换比例旨在通过替换用户-项目列表中的热门项,使得产生一个新的用户-项目列表,根据两个列表进行推荐能够关注到更多的长尾项而不只会过多的关注热门项,但是比例的优化需要考虑到最终推荐的覆盖率和准确率,衡量推荐的新颖性,设置过高或过低的比例都会导致低效益的推荐;
为二维相似距离分配了夹角角度的权重,对权重进行优化(优化的过程
为通过随机分配多组夹角权重进行综合性试验),根据优化后的权重,按照二维相似距离对
用户进行排序;当权重越接近0时,二维加权相似度与原始的用户相似度越相似,更容
易推荐出热门项目从而忽视了长尾项目,反之当权重越接近90时,二维加权相似度与替换
后的用户相似度越相似,更容易推荐出长尾项目但降低了推荐的准确率;
S3:基于多目标优化器的重新排序模型寻找最佳的相似用户群组进行推荐:
提出相似用户群组的概念,即根据二维加权相似度降序排序后选定k个相似用户添加到列表中,将用户群组列表作为初始种群对象,对比单一的种群向量增加了多目标优化后求解的多样性;
所述多目标优化方程组为:
其中,表示其中一个目标函数以长尾关注度函数的负值为优化方向,
表示另一个目标函数以流行度函数的正值为优化方向,构建和的方程组,
表示多目标优化要能够让两个目标函数都达到最小值,即增加对长尾的关注,降低整体的
流行度。
融入Non dominated sorting genetic algorithm -II算法(即一个快速和精英机制的多目标遗传算法),加入群组的概念,将种群对象初始化为N个不同的相似用户群,每个种群都是个群组向量;
将寻找最优相似用户群组转化为求解pareto 最优解,同时考虑了整体的准确率和覆盖率;
非支配排序与拥挤距离计算,选择支配等级高且拥挤距离大的个体进入下一代;
求解最优二维相似用户群的过程如下:
算法:求解最优二维相似用户群
1. 从用户集中生成候选集 S。
判断是否达到迭代次数,如果没有,返回3,否则终止迭代。
在运算达到指定的迭代次数后,得到一组最优的pareto解,即找到算法最相似的用户群,利用这组解为目标用户生成推荐列表进行推荐。
将上述步骤S1至S3所提出的模型(MDOS)及算法与其他各种方法NSGA-II-RS、CF(UserCF and ItemCF)和 LFM(MF)进行评估对比,验证长尾挖掘能力是否有所提升。即:将替换比例设置为0.8,选取1000个具有代表性因素的用户作为训练用户集,选取300个测试用户进行指标评价。在第一组实验中,通过控制相似用户组的数量来比较整体准确率和覆盖率。在另一组实验中,只测试了长尾项目,关注测试集上推荐的长尾项目的命中率。两组算法均通过调整不同N值,以探索不同N值对推荐效果的影响。当设置 LFM 模型的参数时,学习率和正则化参数均设置为0.05,负采样正负比设置为 30,隐式语义数为 50。由于 LFM的最优值需要多次迭代,将迭代次数设置为 150,其他迭代次数设置为 100。对于评估的指标主要有:
Precision(精度):评估系统推荐的项目的整体准确性;
Coverage(覆盖率):评估系统推荐项目的整体覆盖率;
长尾精度(Ltp):通过优化,提升了推荐的整体准确率和覆盖率,但这并不能绝对证明长尾项目被有效推荐,即使覆盖率的增加也可能仅仅意味着推荐项目的种类增加。因此,在精度的基础上,定义长尾精度(Ltp)来评估长尾推荐的准确性;
Popularity(流行度):除了长尾精度(Ltp),推荐列表的平均流行度也可用来比较长尾推荐能力。如果人气越低,推荐越多的长尾单品;
将实验结果汇总,第一组实验结果如表1所示。算法的精度高于Movielens数据集上的其他算法,但略低于CF。这是因为CF更喜欢专注于提高精度,更偏向于同时对多个目标进行优化。它略低于Yahoo中的LFM,因为Yahoo的数据稀疏,特征不集中,在有限的迭代次数内没有达到最佳效果。当N的值增加到80时,甚至会出现由于项目样本少而导致全覆盖的问题。但是,Coverage在两个数据集上的表现都优于其他算法,并且随着N的增加,改善程度越大,这表明算法在挖掘长尾项目和提高多样性方面发挥了重要作用;
第二组实验结果如图2和图3所示,显然,N值的变化也会影响实验的性能。结合第一组实验中覆盖率随N值增加的规律,传统的CF和LFM没有表现出Ltp的效果(注:即使覆盖率增加,也只能证明推荐的物品更多,并不能体现推荐的长尾能力)。而且本发明算法在Ltp中优于传统方法,并且随着N值的增加,它优于NSGA-II-RS,并可以解决长尾问题。这说明随着覆盖率的增加,长尾的准确率也在提高,推荐长尾的能力也更强。比起流行度,MDOS的推荐平均流行度比其他算法要略低,这也说明本发明的算法(MDOS)在长尾推荐上发挥了一定作用。
表1 精度和覆盖率的实验结果
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明的设施可借助软件加必需的通用硬件平台的方式来实现。本发明的实施例可以使用现有的处理器来实现,或者由被用于此目的或其他目的用于适当系统的专用处理器来实现,或者由硬接线系统来实现。本发明的实施例还包括非暂态计算机可读存储介质,其包括用于承载或具有存储在其上的机器可执行指令或数据结构的机器可读介质;这种机器可读介质可以是可由通用或专用计算机或具有处理器的其他机器访问的任何可用介质。举例来说,这种机器可读介质可以包括RAM、ROM、EPROM、EEPROM、CD-ROM或其他光盘存储器、磁盘存储器或其他磁存储设备,或任何其他可用于以机器可执行指令或数据结构的形式携带或存储所需的程序代码,并可被由通用或专用计算机或其它带有处理器的机器访问的介质。当信息通过网络或其他通信连接(硬接线、无线或硬接线或无线的组合)传输或提供给机器时,该连接也被视为机器可读介质。
依据本发明的描述及附图,本领域技术人员很容易制造或使用本发明的一种基于提取有效多目标群组来解决长尾推荐问题的方法,并且能够产生本发明所记载的积极效果。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (7)
1.一种基于提取有效多目标群组来解决长尾推荐问题的方法,其特征在于:包括以下步骤:
S1:获取历史评分数据集,提取出其中的用户评分记录,计算项目出现在用户评分记录中的频率,构建用户-项目评分矩阵,统计每个项目的评分次数,将长尾项目定义为:项目的评分次数低于用户对项目评分次数平均值的项目;
S2:构建用户二维加权相似度,并在每个用户的相似用户列表中按照二维加权相似度进行降序排序;
S3:基于多目标优化器的重新排序模型寻找最佳的相似用户群组进行推荐:
根据二维加权相似度降序排序后选定k个相似用户添加到列表中,将用户群组列表作为初始种群对象;
提出并选择流行度函数和长尾关注度函数作为多目标优化问题的目标函数,得到多目标优化方程组,从而构建多目标优化模型;
对多目标优化模型进行运算,在运算达到指定的迭代次数后,得到一组最优的pareto解即最优相似用户群组,利用这组解为目标用户生成推荐列表进行推荐。
针对用户评分记录,根据评分降序排序后划分出长尾项目集,在长尾项目集中根据项目评分次数降序排序后,按照替换比例将列表中评分较低的热门项目替换为排序后的长尾项目集中评分较好的用户感兴趣的项目,从而得到重新构建的用户-项目评分矩阵;
所述修正过的余弦相似度公式为:
综合考虑推荐的有效性,所述替换比例优化公式为:
所述多目标优化方程组为:
5.根据权利要求1所述的一种基于提取有效多目标群组来解决长尾推荐问题的方法,其特征在于:所述步骤S3中,融入Non dominated sorting genetic algorithm -II算法进行运算,加入群组的概念,将种群对象初始化为N个不同的相似用户群组,每个种群都是个群组向量,将寻找最优相似用户群组转化为求解pareto最优解。
6.一种电子设备,其特征在于:包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
7.一种计算机可读介质,其上存储有计算机程序,其特征在于:该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210363831.XA CN114510645B (zh) | 2022-04-08 | 2022-04-08 | 一种基于提取有效多目标群组来解决长尾推荐问题的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210363831.XA CN114510645B (zh) | 2022-04-08 | 2022-04-08 | 一种基于提取有效多目标群组来解决长尾推荐问题的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114510645A true CN114510645A (zh) | 2022-05-17 |
CN114510645B CN114510645B (zh) | 2022-07-15 |
Family
ID=81555270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210363831.XA Active CN114510645B (zh) | 2022-04-08 | 2022-04-08 | 一种基于提取有效多目标群组来解决长尾推荐问题的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114510645B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992155A (zh) * | 2023-09-20 | 2023-11-03 | 江西财经大学 | 一种利用nmf的不同活跃度用户长尾推荐方法与系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809243A (zh) * | 2015-05-15 | 2015-07-29 | 东南大学 | 一种基于对用户行为复合因子进行挖掘的混合推荐方法 |
CN106980646A (zh) * | 2017-02-27 | 2017-07-25 | 上海大学 | 基于流行度对用户兴趣的影响机制分析及其在推荐算法中应用的方法 |
CN107491813A (zh) * | 2017-08-29 | 2017-12-19 | 天津工业大学 | 一种基于多目标优化的长尾群组推荐方法 |
US20180232794A1 (en) * | 2017-02-14 | 2018-08-16 | Idea Labs Inc. | Method for collaboratively filtering information to predict preference given to item by user of the item and computing device using the same |
CN109597747A (zh) * | 2017-09-30 | 2019-04-09 | 南京大学 | 一种基于多目标优化算法nsga-ⅱ推荐跨项目关联缺陷报告的方法 |
CN110532471A (zh) * | 2019-08-27 | 2019-12-03 | 华侨大学 | 基于门控循环单元神经网络的主动学习协同过滤方法 |
KR20200093170A (ko) * | 2019-01-28 | 2020-08-05 | 하트미디어(주) | 온라인 마켓 시장을 위한 지능형 데이터분석 및 패턴 추출, 추천 자동화 기술을 활용한 마케팅 장치 및 방법 |
CN111695039A (zh) * | 2020-06-12 | 2020-09-22 | 江苏海洋大学 | 一种基于多目标优化的个性化推荐方法 |
US20200311159A1 (en) * | 2019-03-31 | 2020-10-01 | Td Ameritrade Ip Company, Inc. | Recommendation System for Providing Personalized and Mixed Content on a User Interface based on Content and User Similarity |
CN111753215A (zh) * | 2020-06-28 | 2020-10-09 | 海南大学 | 一种多目标推荐优化方法及可读介质 |
CN114117306A (zh) * | 2021-11-30 | 2022-03-01 | 安徽大学绿色产业创新研究院 | 一种基于本地化差分隐私保护的多目标推荐方法 |
-
2022
- 2022-04-08 CN CN202210363831.XA patent/CN114510645B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809243A (zh) * | 2015-05-15 | 2015-07-29 | 东南大学 | 一种基于对用户行为复合因子进行挖掘的混合推荐方法 |
US20180232794A1 (en) * | 2017-02-14 | 2018-08-16 | Idea Labs Inc. | Method for collaboratively filtering information to predict preference given to item by user of the item and computing device using the same |
CN106980646A (zh) * | 2017-02-27 | 2017-07-25 | 上海大学 | 基于流行度对用户兴趣的影响机制分析及其在推荐算法中应用的方法 |
CN107491813A (zh) * | 2017-08-29 | 2017-12-19 | 天津工业大学 | 一种基于多目标优化的长尾群组推荐方法 |
CN109597747A (zh) * | 2017-09-30 | 2019-04-09 | 南京大学 | 一种基于多目标优化算法nsga-ⅱ推荐跨项目关联缺陷报告的方法 |
KR20200093170A (ko) * | 2019-01-28 | 2020-08-05 | 하트미디어(주) | 온라인 마켓 시장을 위한 지능형 데이터분석 및 패턴 추출, 추천 자동화 기술을 활용한 마케팅 장치 및 방법 |
US20200311159A1 (en) * | 2019-03-31 | 2020-10-01 | Td Ameritrade Ip Company, Inc. | Recommendation System for Providing Personalized and Mixed Content on a User Interface based on Content and User Similarity |
CN110532471A (zh) * | 2019-08-27 | 2019-12-03 | 华侨大学 | 基于门控循环单元神经网络的主动学习协同过滤方法 |
CN111695039A (zh) * | 2020-06-12 | 2020-09-22 | 江苏海洋大学 | 一种基于多目标优化的个性化推荐方法 |
CN111753215A (zh) * | 2020-06-28 | 2020-10-09 | 海南大学 | 一种多目标推荐优化方法及可读介质 |
CN114117306A (zh) * | 2021-11-30 | 2022-03-01 | 安徽大学绿色产业创新研究院 | 一种基于本地化差分隐私保护的多目标推荐方法 |
Non-Patent Citations (4)
Title |
---|
SIYI LIU 等: "Long-tail Session-based Recommendation", 《ACM》 * |
YUYA SHIRAISHI 等: "Proposal on matrix-based collaborative filtering using personal values", 《IEEE》 * |
张展: "基于社交网络综合信任度和商品流行度的个性化推荐", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
郑苏洋: "基于用户体验度和长尾理论的推荐算法", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992155A (zh) * | 2023-09-20 | 2023-11-03 | 江西财经大学 | 一种利用nmf的不同活跃度用户长尾推荐方法与系统 |
CN116992155B (zh) * | 2023-09-20 | 2023-12-12 | 江西财经大学 | 一种利用nmf的不同活跃度用户长尾推荐方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114510645B (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fong et al. | Accelerated PSO swarm search feature selection for data stream mining big data | |
Eroglu et al. | A novel Hybrid Genetic Local Search Algorithm for feature selection and weighting with an application in strategic decision making in innovation management | |
CN105069072B (zh) | 基于情感分析的混合用户评分信息推荐方法及其推荐装置 | |
CN112613552B (zh) | 一种结合情感类别注意力损失的卷积神经网络情感图像分类方法 | |
CN110110225B (zh) | 基于用户行为数据分析的在线教育推荐模型及构建方法 | |
Fu et al. | Deep reinforcement learning framework for category-based item recommendation | |
CN112100512A (zh) | 一种基于用户聚类和项目关联分析的协同过滤推荐方法 | |
CN107507073A (zh) | 基于信任扩展和列表级排序学习的服务推荐方法 | |
CN109710835B (zh) | 一种带有时间权重的异构信息网络推荐方法 | |
CN108596276A (zh) | 基于特征加权的朴素贝叶斯微博用户分类方法 | |
CN111729310B (zh) | 游戏道具的整理方法、装置和电子设备 | |
CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
CN107943910A (zh) | 一种基于组合算法的个性化图书推荐方法 | |
CN110717103A (zh) | 基于堆栈降噪编码器改进的协同过滤方法 | |
CN114510645B (zh) | 一种基于提取有效多目标群组来解决长尾推荐问题的方法 | |
CN111209469A (zh) | 一种个性化推荐方法、装置、计算机设备及存储介质 | |
CN115829683A (zh) | 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统 | |
Wei et al. | Online education recommendation model based on user behavior data analysis | |
CN116739794B (zh) | 基于大数据及机器学习的用户个性化方案推荐方法及系统 | |
Yang et al. | Efficient and persistent backdoor attack by boundary trigger set constructing against federated learning | |
Fan et al. | An improved quantum clustering algorithm with weighted distance based on PSO and research on the prediction of electrical power demand | |
CN110297977B (zh) | 一种面向众筹平台的个性化推荐单目标进化方法 | |
CN107423759A (zh) | 低维逐次投影寻踪聚类模型综合评价方法、装置及应用 | |
Chae et al. | Adversarial training of deep autoencoders towards recommendation tasks | |
Nikolaidis et al. | Prototype reduction based on direct weighted pruning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |