期刊导航
期刊开放获取
唐山市科学技术情报研究..
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
2
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
嵌入隐式相似群的深度协同过滤算法
被引量：
2
1
作者
李振宇
李树青
《数据分析与知识发现》
CSSCI
CSCD
北大核心
2021年第11期124-134,共11页
【目的】构建能捕获局部关联和表达用户显隐式偏好的深度协同过滤模型。【方法】在显式推荐任务中嵌入利用隐式反馈查找的相似群,通过多层感知机分别同时对用户-项目、用户-相似项目群、项目-相似用户群进行建模。【结果】在MovieLens...
【目的】构建能捕获局部关联和表达用户显隐式偏好的深度协同过滤模型。【方法】在显式推荐任务中嵌入利用隐式反馈查找的相似群,通过多层感知机分别同时对用户-项目、用户-相似项目群、项目-相似用户群进行建模。【结果】在MovieLens两个数据集上的实验表明,该模型较各类协同过滤推荐算法的MAE和RMSE降低幅度分别最高达10.94%和11.79%。【局限】使模型达到最佳性能的近邻数在不同数据集存在差异,最佳近邻数的确认问题有待探索。【结论】该模型通过嵌入隐式相似群能有效弥补局限,使推荐结果更准确。
展开更多
关键词
局部关联
显隐式偏好
深度协同过滤
原文传递
融合了LSTM和PMF的推荐算法
被引量：
5
2
作者
曾安
赵恢真
《计算机工程与应用》
CSCD
北大核心
2020年第19期68-75,共8页
推荐系统是帮助用户在海量的数据中快速发掘出他们感兴趣内容的最重要的技术之一。稀疏性和冷启动是推荐系统面临的主要问题。针对稀疏性问题,已有多种推荐算法考虑利用额外的辅助信息,如评论、摘要或概要等来提高预测准确性。这些算法...
推荐系统是帮助用户在海量的数据中快速发掘出他们感兴趣内容的最重要的技术之一。稀疏性和冷启动是推荐系统面临的主要问题。针对稀疏性问题,已有多种推荐算法考虑利用额外的辅助信息,如评论、摘要或概要等来提高预测准确性。这些算法确实已经在一定程度上提高了预测准确性,但是,已有的算法大都是基于词袋模型,对这些辅助信息的理解和利用缺乏深度,留于表面。提出了一种新型的推荐系统算法:深度协同过滤算法(DCF)。DCF集成了长短期记忆网络(LSTM)和概率矩阵分解(PMF)。该算法不仅能够基于用户评分学习用户特征,而且能深度挖掘辅助信息,学习到更精确的物品特征。经过在真实数据集MovieLens100K和1M上的验证,结果表明DCF算法的根均方误差比现有算法分别降低了2.54%和3.96%。
展开更多
关键词
深度协同过滤
长短期记忆网络
概率矩阵分解
推荐系统
在线阅读
下载PDF
职称材料
题名
嵌入隐式相似群的深度协同过滤算法
被引量：
2
1
作者
李振宇
李树青
机构
南京财经大学信息工程学院
出处
《数据分析与知识发现》
CSSCI
CSCD
北大核心
2021年第11期124-134,共11页
基金
江苏省高等学校自然科学研究重大项目(项目编号:19KJA510011)的研究成果之一。
文摘
【目的】构建能捕获局部关联和表达用户显隐式偏好的深度协同过滤模型。【方法】在显式推荐任务中嵌入利用隐式反馈查找的相似群,通过多层感知机分别同时对用户-项目、用户-相似项目群、项目-相似用户群进行建模。【结果】在MovieLens两个数据集上的实验表明,该模型较各类协同过滤推荐算法的MAE和RMSE降低幅度分别最高达10.94%和11.79%。【局限】使模型达到最佳性能的近邻数在不同数据集存在差异,最佳近邻数的确认问题有待探索。【结论】该模型通过嵌入隐式相似群能有效弥补局限,使推荐结果更准确。
关键词
局部关联
显隐式偏好
深度协同过滤
Keywords
Local Relevance
Explicit and Implicit Preference
Deep Collaborative Filtering
分类号
TP391 [自动化与计算机技术—计算机应用技术]
原文传递
题名
融合了LSTM和PMF的推荐算法
被引量：
5
2
作者
曾安
赵恢真
机构
广东工业大学计算机学院
出处
《计算机工程与应用》
CSCD
北大核心
2020年第19期68-75,共8页
基金
国家自然科学基金(No.61772143,No.61300107)
广东省自然科学基金(No.S2012010010212)
+1 种基金
广州市科技计划项目(No.201601010034,No.201505031501397)
广东省大数据分析与处理重点实验室开放基金(No.201801)。
文摘
推荐系统是帮助用户在海量的数据中快速发掘出他们感兴趣内容的最重要的技术之一。稀疏性和冷启动是推荐系统面临的主要问题。针对稀疏性问题,已有多种推荐算法考虑利用额外的辅助信息,如评论、摘要或概要等来提高预测准确性。这些算法确实已经在一定程度上提高了预测准确性,但是,已有的算法大都是基于词袋模型,对这些辅助信息的理解和利用缺乏深度,留于表面。提出了一种新型的推荐系统算法:深度协同过滤算法(DCF)。DCF集成了长短期记忆网络(LSTM)和概率矩阵分解(PMF)。该算法不仅能够基于用户评分学习用户特征,而且能深度挖掘辅助信息,学习到更精确的物品特征。经过在真实数据集MovieLens100K和1M上的验证,结果表明DCF算法的根均方误差比现有算法分别降低了2.54%和3.96%。
关键词
深度协同过滤
长短期记忆网络
概率矩阵分解
推荐系统
Keywords
Deep Collaborative Filtering(DCF)
Long Short-Term Memory(LSTM)
Probability Matrix Factorization(PMF)
recommendation system
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
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
嵌入隐式相似群的深度协同过滤算法
李振宇
李树青
《数据分析与知识发现》
CSSCI
CSCD
北大核心
2021
2
原文传递
2
融合了LSTM和PMF的推荐算法
曾安
赵恢真
《计算机工程与应用》
CSCD
北大核心
2020
5
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
