|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
摘要:社交网络推荐中,通常未依据用户兴趣变化进行用户角色动态标注,会造成推荐预测误差,并且用户评分数据稀疏造成评分预测不准确.根据以上问题,本文提出一种基于动态角色标识和张量分解的推存模型.自无,升对用户角色无差别标识问题,引入信息嫡指标度量用户兴趣多样性,对目标用户进行角色定量标识.其次,考虑到用户兴趣漂移现象,提出基于时间窗的动态角色标识方式,解决静态角色标识产生的个体评分数据无偏好差异问题,实现用户评分数据层次化处理.最后,为提高评分预测准确率,通过引入张量分解在数据维度转换和数据压缩的特性,构建基于“用户-项目-角色"张量分解的评分预测模型.同时,在张量分解的过程中,通过对数据缺失值处理,提高评分预测精度,生成目标用户推荐列表.实验表明,该方法缓解了用户无角色差异形成的预测误差问题,并能够有效改善评分数据稀疏情况下传统方法推荐精度不足的问题,提高推荐效率.
8 W* i% t5 W/ U
9 a/ c- m' l+ a4 J( ?关键词:推荐系统;动态角色标识;张量分解;社交网络;兴趣漂移;稀疏性
/ a. X* m9 I: w- X: _$ z( y( n
4 y" w3 Y9 p8 \/ B/ P9 z 随着互联网技术的迅速发展和信息规模的急剧增长,大量冗余信息干扰了用户对有用信息的选择,如何向用户提供个性化、高质量的推荐服务成为了研究的重点.对主流的协同过滤方法进行改进,准确的发现用户兴趣和兴趣的转移是个性化推荐的基础,并且缓解数据稀疏对评分预测带来的精度不足问题也是研究的关键.; T1 G6 Q P6 Z' R! @
; R; v0 }& l9 A! L* \+ P/ Y( O- n. v6 T3 K) e7 l/ q
1 T* c7 b2 v5 `0 n" E0 p
3 f/ `/ G) o; Y. z
) ?/ e# ^: D: e8 u6 v2 q9 j$ y7 }
: o4 r! U. n1 h- u8 I" A- `; p |
|
/1 
发表于 2021-5-13 09:36
收藏
淘帖
支持！
反对！