评分预测
评分预测的相关文献在2008年到2022年内共计208篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、科学、科学研究
等领域,其中期刊论文115篇、会议论文4篇、专利文献97063篇;相关期刊72种,包括人天科学研究、现代图书情报技术、电子学报等;
相关会议4种,包括第15届全国软件与应用学术会议(NASAC2016)、2017中国计算机辅助设计与图形学大会(2017 China CAD&CG)、信息系统协会中国分会第七届学术年会等;评分预测的相关文献由538位作者贡献,包括艾均、苏湛、王庆先等。
评分预测—发文量
专利文献>
论文:97063篇
占比:99.88%
总计:97182篇
评分预测
-研究学者
- 艾均
- 苏湛
- 王庆先
- 贺樑
- 刘若辰
- 刘逸
- 吴建设
- 慕彩红
- 李阳阳
- 杨雪娇
- 王邦
- 陈文亮
- 马春平
- 俞东进
- 刘伟
- 刘济郢
- 孙华超
- 岳昆
- 张尚田
- 张红丽
- 徐健
- 杨斯楠
- 杨燕
- 梁顺攀
- 穆云磊
- 肖云鹏
- 丁勇
- 丁锐
- 不公告发明人
- 乔建忠
- 倪静
- 关欣
- 刘业政
- 刘乾
- 刘同存
- 刘宴兵
- 刘彦驰
- 刘影
- 刘文斌
- 刘波
- 刘泽谦
- 刘海艳
- 刘生昊
- 刘艺璇
- 刘贤锋
- 刘金梅
- 卞紫莺
- 吕宫
- 吕杰
- 吴奔斌
-
-
虞雅雯;
束静;
徐影
-
-
摘要:
如今是一个飞速发展的时代,数据每时每刻都在呈现一个爆炸式的增长,而如何利用好这么多数据,而且高效快速的提炼出数据背后的有用信息做出一个相关的预测,实际上是一个新难点,传统的预测方式可能根据大多数用户对电影的总体评价去进行相关评分的预测,但随着现代消费者越来越追求在小众群体中的融入性。基于用户的协同过滤算法,通过对以前的评分行为进行分析找出和他爱好相似的群体,通过皮尔森相似度在结合与他相似的用户进行分析。最终对该消费者还没有看过的电影评分进行预测,并且找到预测评分较高的电影进行推荐。
-
-
梁顺攀;
刘泽谦;
张国政
-
-
摘要:
在评分预测研究中,特征间的交互方式决定了预测的准确度,深层的交互能挖掘出更多的特征组合,从而使预测更加准确。因此,本文提出了基于深度因子分解机的评分预测模型。具体来说,本模型首先考虑特征内容的丰富性,将深度学习与因子分解机结合,同时对高阶交互特征和低阶交互特征进行学习;其次考虑特征的质量,在高阶交互中既学习显式交互特征又学习隐式交互特征;最后将二者融合进行评分预测。在亚马逊的评论数据集上的实验表明,本模型可以有效提升评分预测的准确率和效率。
-
-
伊磊;
纪淑娟
-
-
摘要:
为了完全挖掘异质信息网络中节点的特征并且更好地融合这些特征,提高推荐算法的性能,提出一种基于自注意力机制的局部与全局特征融合的评分预测算法(rating prediction algorithm based on self-attention mechanism and fusion of local&global features,AMFL&GRec)。首先基于LeaderRank算法提取目标节点的全局序列,基于元路径带偏置的随机游走算法提取节点的局部序列,通过skip-gram模型分别学习节点的全局特征与局部特征;通过自注意力机制学习目标节点对局部与全局特征的偏好,从而得到在单一元路径下节点的特征表示;再通过自注意力机制融合不同元路径下同一节点的表示,从而得到节点在不同元路径下的最终特征表示;最后基于多层感知器实现评分预测任务。在两个真实数据集进行了大量实验,实验结果验证了AMFL&GRec算法不仅能够捕获具有密集连通节点的微观(局部)结构,而且还能够捕获该节点在网络中的全局结构,从而使其得到的节点特征得以体现节点的整体(局部+全局)特征。同时,实验结果也证明了AMFL&GRec算法评分预测性能优于对比算法,从而证明利用自注意力机制考虑异质信息网络中节点对于局部、全局特征以及元路径的偏好能够提高评分预测的准确性。
-
-
艾留阳;
张亚强;
李颜
-
-
摘要:
提高化工企业生产过程的安全性可以最大限度地避免事故或降低事故风险。现阶段评价化工企业安全生产水平的指标较多,受评价专家主观因素的影响较大,难以客观地反映企业的生产安全状况。基于化工安全指标的评分预测算法为主体并以评价指标RMSE对构建数据集进行测试。该算法可准确预测并对关键指标进行修正,提高整体指标得分准确性。此举能更加直观反应企业安全生产现状,符合安全调研结构的现实需求。
-
-
蔡依芳;
艾均;
苏湛
-
-
摘要:
为了改善经典协同过滤个性化推荐算法准确性不高、推荐列表排序性能和偏好分类预测精确性低的缺点,综合考虑了用户共同评分物品数量及质量,通过降低共同评分物品数量较少或质量不高的邻居用户权重,设计了一种用户相似性度量方法进行协同过滤和评分预测。通过实验,在MovieLens电影评分数据集上与领域内几个典型协同过滤算法对比,研究发现本文设计的融合用户共同评分数量和质量的协同过滤个性化推荐算法可以将预测误差降低8.41%,将推荐列表排序性能提高10.21%,将偏好分类预测准确率提高2.55%。
-
-
钱梦薇;
过弋
-
-
摘要:
针对推荐系统中的矩阵分解算法只根据用户和物品的特征向量进行点积运算,无法准确衡量不同用户对物品偏好的弊端,该文提出了一种基于深度距离分解模型的推荐算法。首先,改变传统矩阵分解直接对评分值进行分解的模式,将用户与物品的评分矩阵转化为距离矩阵;然后,将距离矩阵分别按行和按列输入两个深度神经网络进行训练,得到用户和物品的距离特征向量;接下来,用距离特征向量计算用户和物品之间的距离值,通过设计的损失函数使预测距离值与真实距离值的误差达到最小;最后,将用户与物品的预测距离值转化为预测评分。实验结果表明,在不同数据集中,该文提出的基于深度距离分解模型的推荐算法在RMSE和MAE指标上均优于基线推荐算法。
-
-
梁顺攀;
刘伟;
郑智中;
原福永
-
-
摘要:
用户评论可以反映用户对项目的偏好信息,将用户在其他领域的偏好迁移到目标领域进行跨域推荐,可以缓解目标域数据稀疏引起的冷启动问题.本文针对传统的跨域推荐方法无法将完整的用户偏好进行迁移以及传统的方面提取方法预测精度不高两个问题,提出基于方面和胶囊网络的跨域评分预测模型ACN(Aspect and Capsule Network).ACN模型使用胶囊网络挖掘评论文档的多个方面,然后通过注意力机制筛选出对目标域最重要的特征,迁移到目标域进行评分预测.最后,通过实验证明ACN模型分别在单一源域和多源域的情况下,较基准模型最高有2.3%和20.8%的性能提升.
-
-
艾均;
赵兴源;
苏湛;
胡家祺;
马天启;
苏瑞卿
-
-
摘要:
推荐系统技术可帮助用户快速找到感兴趣的物品,从而节省用户时间,也可帮助商家节约销售成本。为提高现有推荐算法预测的准确性和可扩展性,设计了基于用户偏好相似性的协同过滤推荐算法,分析用户对物品的情感偏好,并计算出喜欢指数和不喜欢指数,进而计算用户之间的相似程度,作出评分预测和物品推荐。MovieLens数据集上的多组实验表明,与其他几种经典算法相比,该方法提高了评分预测结果的准确性,减少了最优预测所需的邻居数量,算法时间复杂度更低,具有良好的性能和可扩展性。
-
-
刘艺璇;
孙英娟;
李婉桦;
杨丹阳;
刘乾
-
-
摘要:
提出了一种融合模型REC_AFM,将数据集中获取的用户潜在特征和项目潜在特征进行结合,预测用户对未评分物品的评分.在真实公开数据集Ciao上进行了实验.结果表明:本文模型的均方根误差和平均绝对误差比PMF、SoReg、SocialMF、NeuMF 4种模型低,即本文模型的推荐性能更好.
-
-
刘艺璇;
孙英娟;
李婉桦;
刘乾;
杨丹阳;
于洋
-
-
摘要:
推荐系统可以帮助人们从海量数据中得到真正需要的信息。本文提出了一种基于图神经网络和长短期记忆网络的推荐融合模型GNN-L。首先使用长短期记忆网络和注意力网络联合捕获物品的潜在特征,然后利用图神经网络从用户物品图和用户社交图获得用户的潜在特征,最后将两种潜在特征通过多层感知器得出评分预测的结果。对真实数据集进行验证,结果表明,GNN-L的均方根误差和平均绝对误差都低于本文对比的其他算法模型,该模型能更好地进行精准推荐。
-
-
Zhang Hongli;
张红丽;
Liu Jiying;
刘济郢;
Yang Sinan;
杨斯楠;
Xu Jian;
徐健
- 《首届数据分析与知识发现学术研讨会》
| 2017年
-
摘要:
目的:通过网络用户评论,为评论网站构建有效的评分预测机制. 方法:提出基于网络用户评论的评分预测模型,该模型包括4个模块:网络用户评论获取模块、预测变量获取模块、预测分析模块以及预测结果评价模块.抓取30部不同类型的电影评论数据,27部用于构建模型,3部用于检验模型. 结果:使用逐步回归方法筛选出变量:参与评分人数、参与评论人数、想要观看人数和电影正向评论情感均值,构建评分预测模型.使用3部电影验证,预测评分与IMDb评分相差最大值为0.0644,最小值为0.0227. 局限:在数据样本量、情感特征提取精度、模型普适性验证等方面有待进一步提升. 结论:该模型能够依据用户评论对评分进行有效预测,在网络水军探测方面也能发挥一定的作用.
-
-
LIGai;
李改;
He Chao-bo;
贺超波;
PAN Jin-cai;
潘进财;
CHEN Qiang;
陈强;
LI Lei;
李磊
- 《第15届全国软件与应用学术会议(NASAC2016)》
| 2016年
-
摘要:
协同过滤推荐算法在学术界得到了广泛研究.之前的研究要么仅从评分预测的角度来研究,要么仅从排序预测的角度来研究.目前为止,还没有人提出一种算法来同时优化推荐对象的评分和排序.为了克服现有研究的缺陷,本文在传统的概率矩阵分解算法(PMF,基于评分预测)和扩展的少即是多的协同过滤算法(xCLiMF,基于排序预测)的基础上提出了一种新的联合推荐方法(URA),该方法通过在PMF和xCLiMF算法中共享用户和推荐对象的特征空间,使得URA方法同时具有基于评分预测的协同过滤算法和基于排序预测的协同过滤算法的优点.文中给出了URA方法的一种有效学习算法.在真实的数据集上实验验证,该方法在各个评价指标下性能均优于几个经典的协同过滤推荐算法(基于评分预测或基于排序预测),且复杂度低、运算时间与评分点个数线性相关.URA方法推荐精度高、可扩展性好,适合处理大数据,在互联网信息推荐领域具有广泛的运用前景.
-
-
-
Wang Gang;
王刚;
Jiang Jun;
蒋军;
Wang HanRu;
王含茹
- 《信息系统协会中国分会第七届学术年会》
| 2017年
-
摘要:
社会化推荐系统正随着互联社交网络的快速发展逐渐成为人们关注的热点问题.首先,介绍了社会化推荐的基础理论,阐述社会化推荐的概念及基本框架,并在此基础上将其分类为面向个体的社会化推荐和面向群组的社会化推荐.接着,分别给出面向个体和面向群组的社会化推荐的形式化定义,从个体和群组两个角度对社会化推荐系统的研究现状进行了综述.从面向个体的社会化推荐来看,主要包括基于评分预测的推荐方法和基于排序学习的推荐方法;从面向群组的社会化推荐来看,主要包括推荐方法的融合和推荐结果的融合.