【摘 要】
:
面对大数据的环境,如何从杂乱无章的海量信息中给用户准确推荐有价值的信息,这将是推荐系统领域的主要研究任务。在传统的推荐算法中,评分数据的稀疏性是影响传统推荐算法推荐准确率的主要因素,虽然有些传统方法解决了评分数据稀疏性问题,但仅仅挖掘评分数据间的线性关系,而且未考虑到用户兴趣波动的问题。针对评分数据稀疏性和用户兴趣波动问题,本文提出了一种集成神经网络的Top-N推荐模型(CDAETN),从海量数据
论文部分内容阅读
面对大数据的环境,如何从杂乱无章的海量信息中给用户准确推荐有价值的信息,这将是推荐系统领域的主要研究任务。在传统的推荐算法中,评分数据的稀疏性是影响传统推荐算法推荐准确率的主要因素,虽然有些传统方法解决了评分数据稀疏性问题,但仅仅挖掘评分数据间的线性关系,而且未考虑到用户兴趣波动的问题。针对评分数据稀疏性和用户兴趣波动问题,本文提出了一种集成神经网络的Top-N推荐模型(CDAETN),从海量数据中挖掘数据间的非线性内在联系进行推荐。首先,考虑用户-项目评分矩阵的稀疏性和数据有限性,采用显性反馈与隐性反馈数据结合的方式。将用户评论信息作为隐性反馈行为,利用卷积神经网络对评论文本进行卷积和池化操作获得用户兴趣度的隐含特征向量即项目向量,然后将项目向量作为降噪自编码网络输入层到隐藏层的初始权重参数,显性反馈数据的评分矩阵作为降噪自编码网络的输入数据,对用户-项目评分矩阵中未评分项目进行评分预测。其次,考虑到用户兴趣偏好不是没有波动的,用户的兴趣偏好随着时间的波动趋势与人类遗忘曲线相类似。引入非线性遗忘函数和项目属性,然后根据项目属性相似度获得项目间的相似度,寻找与最近评分项目相似的未评分项目集合,采用相似项目具有相同的时间权重策略,对未评分项目的预测评分进行时间加权,重新进行评分预测,最后选取Top-N个项目生成推荐列表。通过仿真实验,本文提出的集成神经网络的Top-N推荐算法(CDAETN)与传统的协同过滤算法、基于SVD的推荐算法、基于降噪自编码网络的推荐算法进行比较F1值,由仿真实验结果图可以看出,本文提出的集成神经网络的TopN推荐算法(CDAETN)有较大的F1值,说明本文提出的CDAETN算法进一步提高了推荐准确率。
其他文献
断奶仔猪腹泻(Post-weaning diarrhoea,PWD)是影响仔猪生产效益的主要因素,蛋白质是仔猪生长的必需营养物质,可通过结肠发酵、过敏反应等引发仔猪腹泻。而结肠作为吸收水分的
目的:越来越多的证据支持长链非编码RNA ZFAS1(LncRNA ZFAS1)可作为蛋白调节剂介导多种癌症的发生发展,然而其在结直肠癌中的生物学功能与分子调控机制尚不完全清楚,因此,挖
目的:探究金雀异黄素(genistein,GEN)对脂多糖(lipopolysaccharides,LPS)活化的巨噬细胞凋亡的影响及是否与调节TIPE2/Akt通路有关。方法:1.将1 000 ng·mL-1LPS作用于RAW264.7细
随着数据信息化的日益发展,人工地从数据中筛选出需求的信息已经变得十分困难,为此研究者以统计学思想为基础提出了机器学习方法,而其中分类、聚类和回归分析等知识发现方法更是获得了较为广泛的应用。但原始数据中可能存在的冗余及偏差信息会导致知识发现算法难以获得预期的结果,因此预先对数据进行必要的处理在机器学习领域的研究中同样十分重要。以属性选择算法为代表的数据预处理技术被提出用来从从原始数据中提取出更加重要
背景和目的药物的靶向治疗是近些年来研究的热点,索拉菲尼作为一种口服多重激酶抑制药,具有抑制肿瘤细胞增殖和血管形成的双重作用,作为治疗肝癌和转移性肾细胞癌的一线药物,
随着人类基因组计划测序工作完成,蛋白质的相关研究已成为当今生命科学的主要研究内容之一。配体结合蛋白在诸多生物过程中发挥关键作用。蛋白质-配体结合残基的识别对于理解蛋白质功能有重要意义。由于传统测定方法的技术细节复杂且成本高昂,处理海量的蛋白质需要计算方法的参与。已知的计算方法均基于传统机器学习,可被粗略地分为基于序列的方法和基于三维结构的方法,两者的根本区别在于是否使用三维结构,前者已在一系列结合
机器学习试图使用图结构化数据作为特征信息进行预测或发现新的模式,其研究重点主要集中在嵌入图中的离散节点进入具有某些所需几何特性的连续空间。尽管图表示学习潜力巨大,但将图嵌入到低维空间并不是一项简单的任务。本文的工作重点是赋予神经网络表示适当的几何结构,以捕获图数据的基本属性,特别是层次结构和聚集行为。而复杂网络中的异质和高聚集拓扑特性却令人惊讶的反映在双曲负曲率空间的基本属性中。因此,本文的目的是
植物的生活与微生物息息相关并且能和多种微生物建立共生关系。这些共生微生物能够影响宿主植物的生长、代谢、抗胁迫等能力,因此这些共生微生物菌剂在可持续农业发展上显示
在移动互联网飞速发展的驱动下,移动终端上网、机器连接等产生的移动数据业务量快速增长,多样化的移动通信场景不断涌现。为应对数据的快速增长以及对多样化业务场景的支持,
随着下一代基因测序技术的发展,生物学领域产生了大量的数据,对这些生物数据的处理是一个急需解决的问题,同时也是计算机,数学等其他多个领域面临的一个重大挑战,生物信息学在这个背景下产生了。DNA序列之间的比对是生物信息学研究问题之一,并在很多方面有着重要的应用。序列比对旨在发现两条DNA序列之间的相似程度,进而揭示对应物种之间的联系。过去50年里,大量的序列比对方法被提出,目前主要的序列比对方法包括两