-
题名基于分类模型和SVD的协同过滤算法
被引量：7
- 1
-
-
作者
陈佳兴
何华卿
潘芸菲
吴彦文
-
机构
华中师范大学物理科学与技术学院
-
出处
《电子测量技术》
2020年第14期69-73,共5页
-
文摘
协同过滤算法是近年来运用最为普遍的推荐算法,但具有数据稀疏、冷启动的缺点。为解决上述问题,特提出综合奇异值分解(SVD)和分类模型(CM)的协同过滤推荐(CFR)算法(SCC)。首先分别建立基于机器学习的分类模型和基于SVD的协同过滤模型.前者用于获取推荐标签,而后者用于获取拟推荐物品。其次用推荐标签筛选拟推荐物品,并用Top-N的方法得到推荐物品表,实现分类模型与SVD协同过滤模型的融合。邀请多名志愿者体验不同推荐算法系统进行实验对比。实验结果表明,融合算法的准确性最高达61.92%,而满意度相对SVD算法(相对提高20.007%)与分类模型算法(相对提高5.42%)有不同程度的改善,但在数据较少情况下满意度与准确性提升并不明显,所提算法不仅一定程度上解决了冷启动问题,同时具有降低了推荐过程的复杂度。
-
关键词
分类模型
SVD
协同过滤
模型融合
Top-N
冷启动
-
Keywords
classification model
SVD
collaborative filtering
model fusion
Top-N
cold boot
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名融合用户信息行为偏好的防偏见数字资源推荐
被引量：1
- 2
-
-
作者
吴彦文
杜嘉薇
何华卿
冉茂良
-
机构
华中师范大学国家数字化学习工程技术研究中心
华中师范大学物理科学与技术学院
-
出处
《软件导刊》
2021年第10期50-54,共5页
-
基金
国家自然科学基金重点项目(61937001)。
-
文摘
数字资源推荐中不可避免的信息偏见极易使用户陷入信息蚕茧当中。为缓解这一问题,通过对用户信息需求层次进行深入剖析,提出一种全新的融合用户信息行为的防偏见数字资源推荐方法(A-UIBR)。首先从用户兴趣、情境信息以及信息需求层次3个维度构建输入矩阵计算防偏见因子,在此基础上将防偏见因子通过正相关与负相关引入资源表示层,匹配得到含防偏见属性的数字资源列表,最后将需求层次属性作为平衡因子,采用topN输出已排序的推荐结果列表。仿真实验与数据对比显示,该推荐方法相比传统的混合粒度和评分差异推荐方法,平均精度提高了11.4%,多样性提高了20.8%,在一定程度上抑制了用户陷入信息蚕茧状态,具有广阔的应用场景。
-
关键词
用户—情境属性
数字资源推荐
防偏见因子
信息蚕茧
信息需求层次
-
Keywords
user-context property
digital resource recommendation
anti-bias factor
information cocoons
hierarchy of information needs
-
分类号
TP301
[自动化与计算机技术—计算机系统结构]
-
-
题名融合图像元数据的用户情感分类
- 3
-
-
作者
吴彦文
严巍
何华卿
冉茂良
-
机构
华中师范大学国家数字化学习工程技术研究中心
华中师范大学物理科学与技术学院信息处理与人工智能研究所
-
出处
《计算机工程与设计》
北大核心
2022年第1期127-134,共8页
-
基金
国家自然科学基金重点基金项目(61937001)。
-
文摘
为解决仅从图像域进行用户情感分析造成准确率低的问题,提出一种融合拍照情境特征和图像特征来预测用户情感类别的方法。对用户上传到网络上的图像,使用预训练的vgg19模型的特征提取层获取图像内容特征和图像纹理特征,从对应的图像元数据提取用户拍照情境信息,建立情境-情感的映射关系,通过embedding的方法得到情境特征的低维稠密向量表示,将3种融合的特征经过情感识别网络进行情感分类。实验结果表明,融合情境特征后比只考虑图像特征域的方法在准确率上提高了4.12%。
-
关键词
情感分析
情境建模
图像元数据
图像情感识别
卷积神经网络
-
Keywords
emotion analysis
context modeling
image metadata
image emotion recognition
convolutional neural network
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名融合微观行为特性的用户画像增强研究
被引量：6
- 4
-
-
作者
吴彦文
刘雪纯
杜嘉薇
何华卿
-
机构
华中师范大学国家数字化学习工程技术研究中心
华中师范大学物理科学与技术学院
-
出处
《情报科学》
CSSCI
北大核心
2021年第3期19-24,50,共7页
-
基金
国家自然科学基金重点项目“多空间融合下的大学生个性化学习与智能教育服务关键技术研究”(61937001)。
-
文摘
【目的/意义】目前在线阅读平台上显性数据不足,导致了用户画像较为单一,使得传统推荐算法难以达到理想的推荐效果。事实上,读者序列化的行为数据多而丰富,不应被忽视。因此,如何更加精细地构建动态用户画像,以提升推荐结果的精准度、可接受度是当前个性化推荐研究中的热点问题。【方法/过程】本文以在线阅读平台为例,提出了一种融合微观行为的可解释性数字图书推荐算法IBS,通过捕捉读者的在线微观行为序列信息进行实时的用户画像动态更新,通过引入认知偏差和个体差异校正项进行评分矩阵校正,最后根据不同的数据来源赋予不同的推荐理由,在增加了用户画像精准度的同时辅以透明化的可解释性推荐算法,以此来优化推荐结果。【结果/结论】仿真结果表明,IBS算法能提高在线阅读平台上数字图书推荐的召回率,有效提升数字图书推荐的精准度和可接受度。【创新/局限】本文创新之处在于利用读者的微观行为序列动态增强了用户画像,并引入偏差项和可解释性理由来优化推荐结果。在后续研究中,可通过扩展数字资源类型以及融入读者对推荐结果的反馈信息来进一步优化推荐算法。
-
关键词
用户画像增强
微观行为序列
评分校正
可解释性
数字图书
-
Keywords
user profile enhancement
implicit behavior sequence
scoring matrix adjustment
interpretability
digital book
-
分类号
G254
[文化科学—图书馆学]
-
