期刊导航
期刊开放获取
cqvip
退出
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
4
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
FastGR:一种基于神经协同过滤的群组推荐算法
被引量：
2
1
作者
尚文倩
曹原
《南京师范大学学报（工程技术版）》
CAS
2022年第2期29-34,47,共7页
群组推荐问题的关键在于如何对组内各成员不同的偏好进行融合来适应所有成员的需求.基于神经协同过滤框架和注意力机制的群组推荐算法从数据中动态地学习融合策略,相较于传统基于预定义策略的方法明显提升了推荐效果,但模型训练及推理...
群组推荐问题的关键在于如何对组内各成员不同的偏好进行融合来适应所有成员的需求.基于神经协同过滤框架和注意力机制的群组推荐算法从数据中动态地学习融合策略,相较于传统基于预定义策略的方法明显提升了推荐效果,但模型训练及推理时间较长.本文在此基础上重构了群组偏好融合模块,引入卷积神经网络来提取群组成员的特征,从而实现偏好融合:在公开数据集上的实验表明,本文算法比现有的算法具有更优的精度,训练速度提高了14倍.
展开更多
关键词
群组
推荐
算法
卷积神经网络
深度学习
偏好融合
神经协同过滤
下载PDF
职称材料
基于注意力机制的神经网络贝叶斯群组推荐算法
被引量：
2
2
作者
李诗文
潘善亮
《计算机应用与软件》
北大核心
2020年第5期287-292,共6页
针对群组推荐算法中矩阵稀疏和群组偏好融合问题,提出一种基于注意力机制的神经网络贝叶斯群组推荐算法(ANBGR)。利用群组和项目的交互记录,生成群组对于正项目和负项目的偏好三元组,然后将群组中的用户和项目映射到高维空间,生成用户...
针对群组推荐算法中矩阵稀疏和群组偏好融合问题,提出一种基于注意力机制的神经网络贝叶斯群组推荐算法(ANBGR)。利用群组和项目的交互记录,生成群组对于正项目和负项目的偏好三元组,然后将群组中的用户和项目映射到高维空间,生成用户和项目的潜在矩阵信息。注意力模型使用不同权重下用户偏好聚合和用户偏好交互的策略,隐藏层使用多层感知机网络结构生成群组非线性高维特征。最终基于贝叶斯理论优化算法实现群组对于项目的偏好预测,实验结果表明,该方法相对于对比实验算法有更好的推荐结果。
展开更多
关键词
群组
推荐
算法
注意力模型
贝叶斯排序
算法
下载PDF
职称材料
基于注意力机制的神经网络贝叶斯群组推荐算法
被引量：
1
3
作者
杨远奇
《数字技术与应用》
2020年第8期118-120,共3页
目前基于注意力机制的神经网络推荐算法,如历史反馈信息的推荐系统作为深度学习推荐领域的重点课题,研究的是用户偏好学习同等影响,假设完整表达有效用户偏好特征,将注意力机制融入到深度学习推荐算法中,提出在历史反馈信息中强化注意力...
目前基于注意力机制的神经网络推荐算法,如历史反馈信息的推荐系统作为深度学习推荐领域的重点课题,研究的是用户偏好学习同等影响,假设完整表达有效用户偏好特征,将注意力机制融入到深度学习推荐算法中,提出在历史反馈信息中强化注意力,基于注意力机制的推荐算法,输入网络中群组成员的个性化偏好,得到用户历史特征表示,利用多层神经网络对用户项目交互矩阵进行重塑,采用协同过滤的方法,得出用户反馈信息之间的依赖信息,突出用户个性化特征。这种基于深度学习和注意力机制的推荐算法,经过实验证明,对历史交互信息的耦合关系予以论证,得出深度学习推荐方法下注意力机制的推算效果。
展开更多
关键词
注意力机制
神经网络
群组
推荐
算法
下载PDF
职称材料
基于多属性评分隐表征学习的群组推荐算法
被引量：
1
4
作者
张纯金
郭盛辉
+2 位作者
纪淑娟
杨伟
伊磊
《数据分析与知识发现》
CSSCI
CSCD
北大核心
2020年第12期120-135,共16页
【目的】克服个体用户表征学习受个体用户评分稀疏性影响严重的问题,提高推荐算法的准确率和反应速度。【方法】提出一种基于神经网络的多属性评分隐表征学习方法,并应用该方法从用户群组和项目两个维度学习多属性评分的隐表征,最后分...
【目的】克服个体用户表征学习受个体用户评分稀疏性影响严重的问题,提高推荐算法的准确率和反应速度。【方法】提出一种基于神经网络的多属性评分隐表征学习方法,并应用该方法从用户群组和项目两个维度学习多属性评分的隐表征,最后分别通过用户群组偏好匹配和项目吸引力计算实现两个群组推荐。【结果】基于TripAdvisor数据集的实验结果表明:本文算法的准确率、时间性能优于典型的多属性推荐算法和群组推荐算法;准确率略差于个体推荐算法,但在线和离线运行时间较个性化推荐算法分别至少降低30%和50%;用户群组的隐表征学习相比项目的隐表征学习对推荐性能的提高作用更明显。【局限】由于真实群组数据难以获取,仅基于某种聚类算法生成虚拟群组,因此群组较理想化。虚拟群组的偏好比真实群组的偏好可能更易聚合。【结论】基于神经网络学习群组用户的隐表征(即聚合群组用户的偏好)和项目的隐表征,可以有效提高群组推荐算法和多属性推荐算法的准确率和召回率,效果非常接近最新的个性化推荐算法。
展开更多
关键词
群组
推荐
算法
多属性评分
隐表征学习
评分矩阵
神经网络
原文传递
题名
FastGR:一种基于神经协同过滤的群组推荐算法
被引量：
2
1
作者
尚文倩
曹原
机构
中国传媒大学媒体融合与传播国家重点实验室
中国传媒大学计算机与网络空间安全学院
出处
《南京师范大学学报（工程技术版）》
CAS
2022年第2期29-34,47,共7页
基金
国家重点研发计划项目(2018YFB0803701-1)
中国传媒大学中央高校基本科研业务费专项资金项目.
文摘
群组推荐问题的关键在于如何对组内各成员不同的偏好进行融合来适应所有成员的需求.基于神经协同过滤框架和注意力机制的群组推荐算法从数据中动态地学习融合策略,相较于传统基于预定义策略的方法明显提升了推荐效果,但模型训练及推理时间较长.本文在此基础上重构了群组偏好融合模块,引入卷积神经网络来提取群组成员的特征,从而实现偏好融合:在公开数据集上的实验表明,本文算法比现有的算法具有更优的精度,训练速度提高了14倍.
关键词
群组
推荐
算法
卷积神经网络
深度学习
偏好融合
神经协同过滤
Keywords
group recommendation
convolutional neural network
deep learning
preference fusion
neural collaborative filtering
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
基于注意力机制的神经网络贝叶斯群组推荐算法
被引量：
2
2
作者
李诗文
潘善亮
机构
宁波大学信息科学与工程学院
出处
《计算机应用与软件》
北大核心
2020年第5期287-292,共6页
基金
浙江省公益性技术应用研究计划项目(2017C33001)。
文摘
针对群组推荐算法中矩阵稀疏和群组偏好融合问题,提出一种基于注意力机制的神经网络贝叶斯群组推荐算法(ANBGR)。利用群组和项目的交互记录,生成群组对于正项目和负项目的偏好三元组,然后将群组中的用户和项目映射到高维空间,生成用户和项目的潜在矩阵信息。注意力模型使用不同权重下用户偏好聚合和用户偏好交互的策略,隐藏层使用多层感知机网络结构生成群组非线性高维特征。最终基于贝叶斯理论优化算法实现群组对于项目的偏好预测,实验结果表明,该方法相对于对比实验算法有更好的推荐结果。
关键词
群组
推荐
算法
注意力模型
贝叶斯排序
算法
Keywords
Group recommendation algorithm
Attention model
Bayesian sorting algorithm
分类号
TP3 [自动化与计算机技术—计算机科学与技术]
下载PDF
职称材料
题名
基于注意力机制的神经网络贝叶斯群组推荐算法
被引量：
1
3
作者
杨远奇
机构
集美大学诚毅学院
出处
《数字技术与应用》
2020年第8期118-120,共3页
基金
2018年福建省中青年教师教育科研项目,项目名称:基于混合推荐算法的互动教学平台研究(JT180881),项目负责人:杨远奇。
文摘
目前基于注意力机制的神经网络推荐算法,如历史反馈信息的推荐系统作为深度学习推荐领域的重点课题,研究的是用户偏好学习同等影响,假设完整表达有效用户偏好特征,将注意力机制融入到深度学习推荐算法中,提出在历史反馈信息中强化注意力,基于注意力机制的推荐算法,输入网络中群组成员的个性化偏好,得到用户历史特征表示,利用多层神经网络对用户项目交互矩阵进行重塑,采用协同过滤的方法,得出用户反馈信息之间的依赖信息,突出用户个性化特征。这种基于深度学习和注意力机制的推荐算法,经过实验证明,对历史交互信息的耦合关系予以论证,得出深度学习推荐方法下注意力机制的推算效果。
关键词
注意力机制
神经网络
群组
推荐
算法
Keywords
attention mechanism
neural network
group recommendation algorithm
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于多属性评分隐表征学习的群组推荐算法
被引量：
1
4
作者
张纯金
郭盛辉
纪淑娟
杨伟
伊磊
机构
山东科技大学网络安全与信息化办公室
山东省智慧矿山信息技术重点实验室(山东科技大学)
出处
《数据分析与知识发现》
CSSCI
CSCD
北大核心
2020年第12期120-135,共16页
基金
青岛社会科学规划研究项目“大数据背景下跨境电商中产品信息挖掘与推荐研究”(项目编号:QDSKL1801138)
国家自然科学基金项目“面向大数据流的信用攻击群体及关键人物发现方法研究”(项目编号:71772107)和国家自然科学基金项目“复杂属性网络的多视角表示学习关键技术研究”(项目编号:62072288)的研究成果之一。
文摘
【目的】克服个体用户表征学习受个体用户评分稀疏性影响严重的问题,提高推荐算法的准确率和反应速度。【方法】提出一种基于神经网络的多属性评分隐表征学习方法,并应用该方法从用户群组和项目两个维度学习多属性评分的隐表征,最后分别通过用户群组偏好匹配和项目吸引力计算实现两个群组推荐。【结果】基于TripAdvisor数据集的实验结果表明:本文算法的准确率、时间性能优于典型的多属性推荐算法和群组推荐算法;准确率略差于个体推荐算法,但在线和离线运行时间较个性化推荐算法分别至少降低30%和50%;用户群组的隐表征学习相比项目的隐表征学习对推荐性能的提高作用更明显。【局限】由于真实群组数据难以获取,仅基于某种聚类算法生成虚拟群组,因此群组较理想化。虚拟群组的偏好比真实群组的偏好可能更易聚合。【结论】基于神经网络学习群组用户的隐表征(即聚合群组用户的偏好)和项目的隐表征,可以有效提高群组推荐算法和多属性推荐算法的准确率和召回率,效果非常接近最新的个性化推荐算法。
关键词
群组
推荐
算法
多属性评分
隐表征学习
评分矩阵
神经网络
Keywords
Group Reccommendation Algorithms
Multi-attribute Ratings
Implicit Representation Learning
Rating Matrix
Nerual Network
分类号
TP393 [自动化与计算机技术—计算机应用技术]
原文传递
题名
作者
出处
发文年
被引量
操作
1
FastGR:一种基于神经协同过滤的群组推荐算法
尚文倩
曹原
《南京师范大学学报（工程技术版）》
CAS
2022
2
下载PDF
职称材料
2
基于注意力机制的神经网络贝叶斯群组推荐算法
李诗文
潘善亮
《计算机应用与软件》
北大核心
2020
2
下载PDF
职称材料
3
基于注意力机制的神经网络贝叶斯群组推荐算法
杨远奇
《数字技术与应用》
2020
1
下载PDF
职称材料
4
基于多属性评分隐表征学习的群组推荐算法
张纯金
郭盛辉
纪淑娟
杨伟
伊磊
《数据分析与知识发现》
CSSCI
CSCD
北大核心
2020
1
原文传递
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
