概率矩阵分解
概率矩阵分解的相关文献在2013年到2022年内共计114篇,主要集中在自动化技术、计算机技术、经济学、无线电电子学、电信技术
等领域,其中期刊论文78篇、会议论文3篇、专利文献45226篇;相关期刊43种,包括情报理论与实践、电子学报、计算机工程等;
相关会议2种,包括第10届全国计算机支持的协同工作学术会议暨中国计算机学会协同计算专委年度工作会议、信息系统协会中国分会第七届学术年会等;概率矩阵分解的相关文献由305位作者贡献,包括张政、徐俊、杜宣萱等。
概率矩阵分解—发文量
专利文献>
论文:45226篇
占比:99.82%
总计:45307篇
概率矩阵分解
-研究学者
- 张政
- 徐俊
- 杜宣萱
- 王刚
- 陶林康
- 刘淇
- 王建芳
- 王新华
- 蒋军
- 陈恩红
- 马文明
- 于鑫
- 何丽莉
- 何耀耀
- 倪静
- 刘彤彤
- 刘毅
- 刘永利
- 刘献忠
- 叶西宁
- 吴乐
- 夏婷婷
- 姜宇
- 孙二冬
- 孙国榟
- 宋玉龙
- 岳文静
- 张元鸣
- 张明新
- 张朋飞
- 张桂刚
- 房建东
- 曹健
- 李华康
- 李涛
- 李茹
- 李轩
- 林柏洪
- 欧阳丹彤
- 汪洋
- 熊孝全
- 王东
- 王含茹
- 王智强
- 王猛
- 王运
- 王高伟
- 田保军
- 白洪涛
- 程八一
-
-
宋玉龙;
马文明;
刘彤彤
-
-
摘要:
利用推荐系统进行群组推荐时,群组成员之间的交互关系对推荐结果有很大影响,但传统的群组推荐算法较少考虑用户信任度的重要性,致使社交关系信息不能得到充分利用。在群组融合时考虑群组内用户间的交互关系,提出一种基于用户信任度和概率矩阵的群组推荐算法。在获取用户信任度数据后,使用概率矩阵分解(PMF)算法补全信任度矩阵并进行归一化处理,得到相似度矩阵,同时在后验概率计算过程中加入用户间的信任度因素,通过极大化后验概率获得预测评分。在此基础上,对群组中用户的权重进行归一化处理,使用基于用户交互关系的权重策略融合群组成员偏好,得到最终的推荐结果。在Epinions和FilmTrust数据集上的实验结果表明,该算法可使融合结果更具群组特性,同时提高推荐结果的可靠性和可解释性,且均方根误差和命中率均优于PMF、NeuMF、RippleNet等对比算法。
-
-
韦凯欣;
宋燕
-
-
摘要:
针对大规模稀疏数据集上基于概率矩阵分解(Probabilistic Matrix Factorization,PMF)模型的缺失数据估计方法容易出现过拟合且迭代训练时间较长的问题,本文创新性地提出一种融合实例频率加权正则化(Instance-frequency-weighted Regularization,IR)和神经网络(Neural Network,NN)的概率矩阵分解(IR-NNPMF)模型。一方面,充分考虑已知数据在数据集中的不平衡分布现象,并根据潜在因子相关的实例频率对其正则化参数进行加权处理,从而提高模型的泛化能力和预测精度;另一方面,引入神经网络来缓解模型迭代训练造成的时间消耗,提高模型预测精度的同时减少模型训练时间。最后,在4个真实数据集上的实验结果证明,和带标准L;正则化和使用传统梯度下降训练算法的经典PMF模型相比,本文提出的IR-NNPMF模型能够在提高预测精度的同时大大提高模型的训练速度。
-
-
张洪为
-
-
摘要:
为解决概率矩阵分解算法未利用用户/物品的邻域结构信息问题,该文提出一种融合邻域结构信息的概率矩阵分解算法,该算法通过将概率矩阵分解与包含用户和物品邻域结构信息的图正则化项,整合到一个统一的优化问题中,以进一步提炼用户和物品的潜在因子,提高评分预测的精度.在两个真实数据集上的实验结果表明,所提算法能够实现推荐性能的显著提升.
-
-
曲强
-
-
摘要:
在数字资源海量化时代背景下,数字资源的精准化推荐是确保数字资源高效推广的关键,本文提出了基于概率矩阵分解的数字资源推荐算法。论文构建了用户网页访问矩阵、用户资源点击矩阵、网页资源相关度矩阵,并采用梯度下降法获得了概率最高的资源作为推荐的数字资源。将提出的方法和HIN推荐、用户意图聚类推荐进行对比,结果表明基于概率矩阵分解的数字资源推荐算法性能最佳,这对数字资源的高效推广具有一定的参考价值。
-
-
詹彬;
吴晓鸰;
凌捷
-
-
摘要:
由于用户的评分数据过于稀疏,使得现有的一些基于矩阵分解的用户评分预测算法计算出的用户评分预测偏差过大,预测准确率无法进一步提升。在这个问题上,最常使用的解决办法是加入用户的社交网络数据,这些方法利用用户之间的社交信息来关联用户,根据用户好友的数据来增加用户的预测准确率。大多数情况下用户的社交网络数据不是很容易获得。在没有使用用户社交网络数据的基础上,针对推荐系统的用户评分预测中常用的概率矩阵分解模型准确性的问题,提出利用融合标签和用户聚类类别信息对原有的概率矩阵分解模型添加约束,进而减小预测结果的误差。仿真结果表明,增加用户聚类与电影标签数据能有效减小算法预测误差。
-
-
熊超;
马华
-
-
摘要:
提出一种新的个性化试题推荐方法,基于答题行为分析学生的答题风格相似度,以此作为学生的共性特征指导划分学生群组,基于模糊认知诊断框架分析学生的知识点掌握情况,通过综合考虑学生的个体学习特性和群组共性,使用概率矩阵分解方法为学生推荐试题。最后设计并实现了一个真实的个性化试题推荐系统。
-
-
郑建国;
苏成卉
-
-
摘要:
为从影片简介中获取更丰富的文本特征并考虑短文本的语义依赖性,构建一种基于卷积双向长短记忆神经网络模型(CBiLSTM)的视频文本特征表示模型.根据用户评分行为习惯的相似性和偏向性,基于受偏置约束的概率矩阵分解算法设计一种混合视频推荐算法(CBiLSTM-PMF+),实现评分预测.在真实数据集上结合IMDB数据库视频简介进行实验仿真,实验结果表明了影片文本局部特征和上下文时序特征结合进行评分预测的合理性.
-
-
廖宏建;
谢亮;
曲哲
-
-
摘要:
[目的/意义]随着MOOCs迅猛发展和普及,如何利用智能推荐技术为学习者从海量的MOOC中"寻找最佳课程"成为MOOC发展中需要解决的重要课题.[方法/过程]基于自我知觉理论和学习行为投入框架,充分利用学习行为日志和评分数据挖掘学习者之间的隐式信任关系,并通过信任传播建立MOOC社区信任网络,从而构建动态结合兴趣和隐式信任感知的混合推荐方法.为解决数据稀疏问题,提出基于信任的联合概率矩阵分解模型(TA-PMF),将课程评分矩阵、信任关系矩阵的分解相结合来挖掘用户及课程潜在特征,进而实现评分预测.[结果/结论]真实数据集测试结果表明,与显性评分值相比,学习行为投入信息对信任度构建贡献权重达到0.7;TA-PMF方法对MOOC推荐具有较好的适用性,且能在一定程度上缓解冷启动问题.
-
-
陈辉;
王锴钺
-
-
摘要:
针对传统协同过滤推荐方法中用户评分信息稀疏导致推荐准确度不高的问题,提出融合用户信任度的概率矩阵分解推荐算法.该算法综合用户间的联合评分项以及非联合评分项,利用KL散度得到用户信任度排名,使得相似用户间的特征向量更加接近,并在概率矩阵分解过程中维持这种关系.最后在MovieLens 1M和Epinions数据集上采用三种指标进行对比实验,验证了该算法在稀疏数据集上推荐效果的有效性.
-
-
李昆仑;
翟利娜;
赵佳耀;
王萌萌
-
-
摘要:
针对推荐系统中用户评分数据稀疏所导致推荐结果不精确的问题,本文尝试将用户评分、信任关系和项目评论文本信息融合在概率矩阵分解方法中以缓解评分数据稀疏性问题.首先以共同好友数目及项目流行度改进皮尔逊用户偏好相似程度并将其作为用户间的直接信任值,然后考虑用户间信任传播过程中所有路径的影响构建新的信任网络;其次通过BERT预训练(Pre-training of Deep Bidirectional Transformers for Language Understanding)模型提取项目的评论文本向量,构造项目的评论文本特征矩阵;最后基于概率矩阵分解(Probabilistic Matrix Factorization,PMF)模型融合用户的评分数据、用户的信任关系以及项目的评论文本信息进行推荐.通过不断的理论分析并在真实的Yelp数据集上进行实验验证,均表明本文算法的有效性.
-
-
GUAN Yue;
管悦;
CHEN Guoqing;
陈国青;
WEI Qiang;
卫强
- 《信息系统协会中国分会第七届学术年会》
| 2017年
-
摘要:
随着移动互联技术的飞速发展和广泛应用,推荐系统在社会生活和经济活动的各项决策过程中发挥着重要作用.然而,传统推荐算法在如今信息过载、信息更新迅速的条件下表现不够理想,特别是难以将丰富的商品图片信息进行有效处理并用于增强推荐效果.本文基于卷积神经网络(CNN)在处理图像方面的强大优势,提出了将CNN和概率矩阵分解方法相结合的协同过滤方法用于在线商品的推荐.相比于传统方法,该方法通过实现对商品图片更为个性化和丰富的表达,提升了协同过滤方法的性能,并验证了引入图片内容分析所起到的信息增强作用.
-
-
-
-
-
-
-
-
-
- 吉林大学
- 公开公告日期:2021.05.07
-
摘要:
本发明公开了一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法,包括:步骤一、建立糖尿病患者的饮食偏好特征集合U={u1,u2,…,un}和食物的属性特征集合V={v1,v2,…,vm},记录糖尿病患者饮食,提取偏好特征和食物属性特征,形成糖尿病患者饮食偏好矩阵U∈RK×M和食物属性特征V∈RK×N;步骤二、通过将糖尿病患者的饮食偏好与食物的属性特征之间的关联度量化来确定糖尿病患者的饮食偏好与食物的属性特征之间的关联强度;步骤三、对所述关联度进行权值分布得到基本分类后,训练数据集更新权值分布,将所有关联度赋予权重进行分类排除不必要的食物,得到最终的如下关联度分类:步骤四、根据所述条件概率和所述关联度分类得到所述个性化饮食。
-
-
-
-