您现在的位置: 首页> 研究主题> 隐式反馈

隐式反馈

隐式反馈的相关文献在2003年到2022年内共计149篇,主要集中在自动化技术、计算机技术、科学、科学研究、贸易经济 等领域,其中期刊论文100篇、会议论文3篇、专利文献2423375篇;相关期刊60种,包括情报杂志、金陵科技学院学报、科学技术与工程等; 相关会议3种,包括第五届全国信息检索学术会议CCIR2009、2018年全国高性能计算学术年会 、第七届中国互联网学术会议(ICoC2018)等;隐式反馈的相关文献由395位作者贡献,包括吕潇潇、吕磊、杨清海等。

隐式反馈—发文量

期刊论文>

论文:100 占比:0.00%

会议论文>

论文:3 占比:0.00%

专利文献>

论文:2423375 占比:100.00%

总计:2423478篇

隐式反馈—发文趋势图

隐式反馈

-研究学者

  • 吕潇潇
  • 吕磊
  • 杨清海
  • 刘学军
  • 李改
  • 何瑾琳
  • 徐新艳
  • 李斌
  • 陈恩红
  • 龚泽鑫
  • 期刊论文
  • 会议论文
  • 专利文献

搜索

排序:

年份

作者

    • 田海梅
    • 摘要: 推荐系统可以主动帮助用户找到符合偏好的个性化物品并推荐给用户,矩阵分解方法是推荐系统中较为经典的方法。为了解决推荐系统矩阵分解中数据稀疏导致矩阵分解性能不佳的问题,提出了对矩阵分解进行改进的方法。首先对矩阵分解进行改进,然后在改进的矩阵分解的基础上融合项目本身潜在的附加信息,最后通过引入项目之间的相似度来进行计算,从而提高推荐算法的准确率。实验结果表明,新方法明显优于现有的矩阵分解推荐模型,具有很好的应用价值。
    • 张全贵; 胡嘉燕; 王丽
    • 摘要: 将显式特征与隐式反馈相结合是提高单类协同过滤(OCCF)推荐准确性的常用方法。但目前的研究一般是直接将原始显式特征或交叉特征集成到OCCF模型中,因其难以判断哪些显式特征是真正重要的,故很难获得显著的性能改进。基于此,提出了一种耦合用户公共特征的单类协同过滤推荐算法(UCC-OCCF)。首先,建立基于邻居的共同偏好表示网络(NB-CPR),学习与当前用户具有相似显式特征的邻居用户和某一类项目之间的交互关系,间接利用显式特征以获得共同偏好;然后,建立个人深度潜在因素表示网络(DLFR),使用深度神经网络学习用户-项目之间的潜在因素,从而得到当前用户与项目之间的交互概率;最后,基于邻居的共同偏好表示网络与个人深度潜在因素表示网络进行联合训练,从而将用户公共特征耦合到单类协同过滤推荐模型中,以提高推荐准确度。在公共数据集MovieLens 100K、MovieLens 1M和MyAnimelist上的实验结果表明,UCC-OCCF可以显著提高OCCF的推荐准确性。
    • 周超; 武友新
    • 摘要: 传统的神经协同过滤算法在隐式反馈数据集上对用户和项目建模,由于隐式反馈数据天然带有很强的噪音,这给模型的学习带来了挑战.为了缓解该问题,文中提出了一种基于三通道的神经协同过滤算法,该方法使用自编码器去挖掘用户和项目的特征向量,然后结合用户和项目的辅助信息一起通过多层感知机去学习特征向量不同维度之间的高阶交互关系,并将其与传统的神经协同过滤算法融合,以此来提高模型的泛化能力和命中率.此外,在隐式反馈数据集上进行负采样不易且采样结果会极大程度影响模型的表现,文中采用一种基于传统矩阵分解的概率负采样方法克服这个问题,提高了模型的鲁棒性.本文在公开数据集MovieLens上进行了大量实验,实验结果表明基于本文提出的算法比其他先进算法有更优的表现.
    • 杨宇; 吴国栋; 刘玉良; 汪菁瑶; 范维成
    • 摘要: 生成对抗网络(Generative Adversarial Nets)是一种融合了生成学习和对抗学习的无监督学习方法,以零和博弈作为核心思想,其组件通过互相对抗不断地提升模型效果.将GAN模型融入到推荐领域中,可有效缓解数据稀疏性问题,提高推荐效果.本文从模型输入的是隐式反馈信息或显式反馈信息两个方面对基于GAN的个性化推荐模型进行了分析;探讨了基于GAN的个性化推荐研究已取得的相关成果,指出了现有GAN推荐研究在稳定性较差、缺少通用优化方法、模型复杂度较高、缺少通用评测指标等方面的不足;并从提高模型稳定性、缓解数据稀疏性、融合多场景、融入图神经网络等方面对GAN推荐的未来发展性方向进行了展望.
    • 檀彦超; 郑小林; 魏翔宇; 阳及
    • 摘要: 隐式反馈具有数据获取成本小、形式广泛的特点,因此在现代推荐系统中被广泛使用.由于用户的隐式反馈通常是稀疏,不平衡,且含义不明确的.因此,想要准确学习用户和物品之间的复杂交互具有挑战性.传统的基于矩阵分解的推荐方法只能建模用户-物品之间的相似性.同时,矩阵分解使用点积运算作为相似度评估方式,而点积运算不满足三角不等式,即不能将用户-物品相似性传递到用户-用户以及物品-物品的相似性建模.因此,矩阵分解不足以在隐式反馈中充分建模用户和物品的关系.尽管现在有基于隐式反馈使用欧式距离来度量用户-物品相似度的度量学习方法,使得对应的推荐方法能够满足三角不等式.但是,现有的度量方法通常会将每个用户或者物品表示为度量空间中的单个点,进而在单个空间内通过用户-物品之间的距离来表征用户-物品之间的相似性.由于在不同的环境下,用户对于同一种类型的物品的偏好也可能存在差异.基于单个空间的用户、物品嵌入向量有可能无法满足用户具有的多种偏好和物品具有的多种属性,进而限制了推荐系统的性能.为了充分刻画用户和物品,我们尝试从多个侧面对于用户和物品进行表示,并提出了一个基于多空间的度量学习(MML)框架.通过设计整合多个空间相似性的度量方式,我们将用户和物品投影到多个空间中进行细粒度的表示.另外,我们设计了一种经过校准的优化策略,包括经过校准的最大间隔损失函数和经过校准的采样方法.在保持多空间度量学习表示能力的同时,确保框架的有效性.最后,模型通过训练好的用户、物品向量,对于稀疏的用户-物品交互矩阵进行填补.在动态更新空间权重的同时,可以赋予模型新的训练视角,最终实现端到端的训练.通过四个真实世界推荐数据集上进行的大量实验表明,MML可以在Recall和nDCG衡量指标上将目前最优的对比算法提高40%以上.
    • 汪志远; 石红瑞
    • 摘要: 针对贝叶斯个性化排序(Bayesian Personalized Ranking,BPR)模型只考虑到用户单类反馈和用户偏好反映程度过低的问题,提出一种基于用户偏好置信度的增强贝叶斯个性化排序算法。通过量化获取各种反馈行为的权重,根据用户反馈行为的类型和时间计算用户偏好置信度,根据置信度建立用户对互动过的商品的偏序对。将该偏序对与用户对互动过的商品和未互动过的商品的偏序对结合,一起训练模型。在数据集中进行仿真实验,并与相关算法进行对比。实验结果表明该推荐算法具有较好的性能。
    • 陆悦聪; 王瑞琴; 金楠
    • 摘要: 基于深度学习的推荐算法最初以用户和物品的ID信息作为输入,但是ID无法很好地表现用户与物品的特征。在原始数据中,用户对物品的评分数据在一定程度上能表现出用户和物品的特征,但是未考虑用户的评分偏好以及物品的热门程度。在评分任务中使用隐式反馈和ID信息作为用户与物品的特征,在消除用户主观性对特征造成的噪声的同时在一定程度上缓解冷启动问题,利用单层神经网络对原始高维稀疏特征降维,使用特征交叉得到用户与物品的低阶交互,再利用神经网络捕获用户与物品的高阶交互,有效提取了特征间的高低阶交互。在四个公开数据集上的实验表明,该算法能有效提高推荐精度。
    • 吴俊杰; 黄志良; 张谦; 向仍湘
    • 摘要: 针对用户在浏览态势情报后反馈少或无反馈,导致用户需求难以有效获取的问题,提出了基于ResNet50用户关注度预测方法.该方法充分挖掘用户的隐式反馈信息,通过ResNet50神经网络迁移学习方式,以用户关注度作为切入点,利用眼动追踪技术采集眼动数据,生成眼动热力图,将用户对情报的关注度预测映射为神经网络对图像的分类问题.实验结果表明,优化后预测模型的准确性得到了提升.
    • 陆永倩; 生佳根
    • 摘要: 协同过滤已成功用于为用户提供个性化的产品和服务,然而它面临数据稀疏和冷启动的问题。一种解决方案是结合辅助信息,另一种是从相关领域学习知识。综合考虑了这两个方面,提出一种深度融合辅助信息的跨域推荐算法CICDR,它集成了集体矩阵分解和深度迁移学习。该算法通过Semi-SDAE和矩阵分解(MF)在源域和目标域中进行建模,学习评分信息和辅助信息中的有效特征向量,并利用用户的隐式反馈信息来做出更准确的推荐。通过这种方式,在两个领域中学习到的用户和项目潜在因素为推荐保留了更多的语义信息。通过非完备正交非负矩阵三分解(IONMTF)产生桥接两个相关领域的公共潜在因素,以缓解目标域中的冷启动和数据稀疏问题。在三个真实数据集上与四种经典算法进行对比,验证了提出算法的有效性,进一步提高了推荐精度和用户满意度。
    • 李言; 陈远平
    • 摘要: 【应用背景】科研信息门户作为科研工作者获取资源服务的入口,已经成为了科研人员、管理决策者、学生等多种用户的工作台,在科研活动、科研管理、教育培训、科学传播等多个业务领域发挥着重要作用。【目的】针对科研信息门户中存在的信息资源配置不合理问题,设计出适用于科研信息门户的推荐算法来提高信息资源的推送效率,对于科研工作者是十分有意义的。【方法】本文提出了一个混合的推荐算法,对于首次使用系统的新用户,可以基于用户属性,通过K-means聚类后找到相邻用户来计算预测评分,对于存在行为数据的用户,先通过计算用户与资源的相似度来解决隐式反馈缺少负反馈的问题,再使用矩阵分解的方法计算预测评分。最后将两种算法的预测评分进行线性组合得到最终预测评分,该算法既利用了群体智慧也体现了个性化。【结果】通过在真实的科研信息门户网站上进行代码埋点来采集用户行为数据,完成对比试验,证明提出的推荐方法能在解决冷启动问题的同时保证较高的推荐准确率。
  • 查看更多

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号