期刊文献+
共找到7篇文章
< 1 >
每页显示 20 50 100
基于动态标签偏好信任概率矩阵分解模型的推荐算法 被引量:4
1
作者 杨亚东 熊庆国 《计算机工程》 CAS CSCD 北大核心 2017年第10期160-166,共7页
为提高推荐算法性能,解决数据稀疏和冷启动因素造成的推荐精度不高的问题,提出一种改进的协同过滤推荐算法。基于三元组表示形式,利用标签集、用户集和项目资源集构建标签、用户以及项目之间的动态联系,并进行信任值评分矩阵的计算,使... 为提高推荐算法性能,解决数据稀疏和冷启动因素造成的推荐精度不高的问题,提出一种改进的协同过滤推荐算法。基于三元组表示形式,利用标签集、用户集和项目资源集构建标签、用户以及项目之间的动态联系,并进行信任值评分矩阵的计算,使用信任评分矩阵融合协同推荐过程,构建概率矩阵分解模型,并基于期望最大法进行模型的求解。实验结果表明,与采用基于余弦、皮尔逊相关系数和启发式相似度模型的算法相比,该算法具有较低的绝对误差均值以及较高的覆盖率、精度与召回率。 展开更多
关键词 协同过滤推荐 数据稀疏 冷启动 概率矩阵分解 标签偏好 期望最大法
下载PDF
本质主义与名词标签使用偏好的关系:同情的调节作用 被引量:1
2
作者 杨晓莉 马超 《西北师大学报(社会科学版)》 CSSCI 北大核心 2021年第4期100-106,共7页
随着生活节奏的加快和人们压力的增大,患有心理疾病的人数越来越多。心理疾病易被污名化,心理疾病患者的公众态度和舆论环境亟待改善。研究采用问卷法(研究一)和实验法(研究二),探讨了本质主义信念与个体对心理疾病患者的名词标签使用偏... 随着生活节奏的加快和人们压力的增大,患有心理疾病的人数越来越多。心理疾病易被污名化,心理疾病患者的公众态度和舆论环境亟待改善。研究采用问卷法(研究一)和实验法(研究二),探讨了本质主义信念与个体对心理疾病患者的名词标签使用偏好(污名的一种形式)之间的关系以及同情在二者关系中的调节作用。结果表明:1.个体持有的本质主义信念越强,越偏好对心理疾病患者使用名词标签;2.低同情个体对于心理疾病患者的名词标签使用偏好随着本质主义的提高而大幅提升,高同情个体的名词标签使用偏好随着本质主义的提高而略有变化。研究表明,通过降低个体的本质主义信念和提高同情心,可改善心理疾病患者的舆论环境。 展开更多
关键词 本质主义 同情 名词标签使用偏好 心理疾病群体
原文传递
融合标签和长短期兴趣的矩阵分解推荐算法 被引量:2
3
作者 姬璐 于万钧 陈颖 《计算机工程与设计》 北大核心 2023年第3期777-783,共7页
为提高用户兴趣挖掘的准确性,实现更加精准的用户个性化推荐,提出一种融合标签和长短期兴趣的矩阵分解推荐算法。利用用户使用各标签的次数和生命周期挖掘用户的长短期兴趣,计算用户标签偏好值;利用用户标签偏好值比较用户间的兴趣,获... 为提高用户兴趣挖掘的准确性,实现更加精准的用户个性化推荐,提出一种融合标签和长短期兴趣的矩阵分解推荐算法。利用用户使用各标签的次数和生命周期挖掘用户的长短期兴趣,计算用户标签偏好值;利用用户标签偏好值比较用户间的兴趣,获得更加精准的用户间兴趣相似度;将用户间兴趣相似度引入矩阵分解模型,预测项目评分并进行推荐。实验结果表明,该算法挖掘出的用户兴趣比其它推荐算法准确。 展开更多
关键词 用户个性化推荐 协同过滤推荐算法 矩阵分解 标签信息 长短期兴趣 用户标签偏好 兴趣相似度
下载PDF
基于二分图的个性化图像标签推荐算法 被引量:2
4
作者 赵天龙 刘峥 +1 位作者 韩慧健 张彩明 《南京大学学报(自然科学版)》 CAS CSCD 北大核心 2018年第6期1193-1205,共13页
传统的图像标签推荐方法通过对图像视觉内容的分析计算标签与图像的相关度,完成标签推荐任务.而社会网络图像具有丰富的元数据,例如图像所属群组、地理位置等,充分利用这些元数据对于提高标签推荐的准确性具有积极意义.提出一种基于二... 传统的图像标签推荐方法通过对图像视觉内容的分析计算标签与图像的相关度,完成标签推荐任务.而社会网络图像具有丰富的元数据,例如图像所属群组、地理位置等,充分利用这些元数据对于提高标签推荐的准确性具有积极意义.提出一种基于二分图的个性化图像标签推荐算法,通过充分挖掘图像、群组、地理位置与标签的关系,针对用户提供的少量标签进行个性化图像标签推荐.该算法建立了图像-标签、群组-标签、地理位置-标签等三个二分图模型,考虑到每个标签的重要性不同,引入TF-IDF(Term Frequency-Inverse Document Frenquency)技术对标签进行加权处理.利用二分图将初始标签分值进行信息扩散,计算出最终标签分值向量,并将该向量中分值较高的标签作为推荐结果.实验结果表明,融合了图像与群组、地理位置等元数据的个性化图像标签推荐结果的NDCG(Normalized Discounted Cumulative Gain)值优于仅单方面考虑图像、群组以及地理位置的标签推荐结果. 展开更多
关键词 图像元数据 标签偏好 二分图 个性化标签推荐 标签排序
下载PDF
融合标签与内容感知的用户群信息推荐仿真 被引量:1
5
作者 赵慧娜 李国贞 王佳伟 《计算机仿真》 北大核心 2022年第1期482-485,493,共5页
信息推荐有利于提高用户获取所需数据的效率,但是在网络信息与用户激增的过程中,会使数据呈现一定的稀疏性,而且用户兴趣也容易产生变化。为了增强推荐系统的性能,提出了融合标签与内容感知的用户群信息推荐算法。依据内容语料库将词去... 信息推荐有利于提高用户获取所需数据的效率,但是在网络信息与用户激增的过程中,会使数据呈现一定的稀疏性,而且用户兴趣也容易产生变化。为了增强推荐系统的性能,提出了融合标签与内容感知的用户群信息推荐算法。依据内容语料库将词去重组成异构图,利用邻域属性对其进行编码,完成词向二维向量的映射,再采用卷积神经网络对内容信息进行特征识别,实现内容感知并得到相应标签。考虑标签偏好对用户兴趣的反映,建立偏好模型。其间先是分析了评价和影响程度与偏好的关系,随后为了搜索更多的信息推荐依据,引入了时间和相似度影响来更新偏好模型,根据偏好模型与标签的比较得出推荐结果。通过仿真,确定了偏好模型的参数取值与最佳推荐数量,并基于此得到推荐算法的Precision值为0.354,Recall值为0.592,F-Measure值为0.443,结果显示各项指标均高于对比方法,表明了算法在用户群信息推荐方面的有效性和优越性。 展开更多
关键词 内容感知 标签偏好模型 卷积神经网络 相似度 信息推荐
下载PDF
P2P环境下基于社会化标签的个性化推荐模型研究 被引量:3
6
作者 赵艳 王亚民 《现代图书情报技术》 CSSCI 北大核心 2014年第5期50-57,共8页
【目的】利用用户使用标签的频率和时间因素计算用户的标签偏好向量,讨论用户兴趣的动态变化性对个性化推荐准确性的影响。【方法】构建P2P环境下基于社会化标签的个性化推荐模型,详细说明用户偏好的计算过程及推荐流程,并以西安某高校... 【目的】利用用户使用标签的频率和时间因素计算用户的标签偏好向量,讨论用户兴趣的动态变化性对个性化推荐准确性的影响。【方法】构建P2P环境下基于社会化标签的个性化推荐模型,详细说明用户偏好的计算过程及推荐流程,并以西安某高校的P2P电影分享系统为对象进行实验验证。【结果】在随机选择的10名目标用户中,对其中8名用户的推荐命中率均高于传统基于用户评分的协同过滤推荐,说明综合用户标签使用频率和时间因素的推荐效果的优越性。【局限】由于本文主要研究用户兴趣的动态性对个性化推荐的影响,因此只在实验时人工删除无意义标签、合并相似标签,并没有引入有效的控制标签模糊性机制。【结论】在个性化推荐中,考虑用户兴趣的动态变化性,有助于提高推荐结果的准确性。 展开更多
关键词 社会化标签 个性化推荐 标签偏好向量 P2P
原文传递
利用多核增强学习的立体图像舒适度评价模型
7
作者 张竹青 邵枫 蒋刚毅 《中国图象图形学报》 CSCD 北大核心 2016年第10期1328-1336,共9页
目的传统的立体视觉舒适度评价模型,在学习阶段一般采用回归算法,且需要大量的包含主观测试数据的训练样本,针对这个问题,提出一种利用多核增强学习分类算法的立体图像舒适度评价模型。方法首先,考虑人们在实际观测图像时,对于先后观测... 目的传统的立体视觉舒适度评价模型,在学习阶段一般采用回归算法,且需要大量的包含主观测试数据的训练样本,针对这个问题,提出一种利用多核增强学习分类算法的立体图像舒适度评价模型。方法首先,考虑人们在实际观测图像时,对于先后观测到的不同图像进行相互比较的情况,将评价模型看成是偏好分类器,构造包含偏好标签的偏好立体图像对(PSIP),构成PSIP训练集;其次,提取多个视差统计特征和神经学模型响应特征;然后,利用基于Ada Boost的多核学习算法来建立偏好标签与特征之间的关系模型,并分析偏好分类概率(即相对舒适度概率)与最终的视觉舒适度之间的映射关系。结果在独立立体图像库上,与现有代表性回归算法相比较,本文算法的Pearson线性相关系数(PLCC)在0.84以上,Spearman等级相关系数(SRCC)在0.80以上,均优于其他模型的各评价指标;而在跨库测试中,本文算法的PLCC、SRCC指标均优于传统的支持向量回归算法。结论相比于传统的回归算法,本文算法具有更好的评价性能,能够更为准确地预测立体图像视觉舒适度。 展开更多
关键词 立体图像 视觉舒适度评价 偏好标签 偏好立体图像对(PSIP) 多核增强学习 偏好分类器
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部