您的位置: 专家智库 > >

山东省优秀中青年科学家科研奖励基金(BS2012DX017)

作品数:4 被引量:112H指数:3
相关作者:马军陈竹敏郭磊隋雪芹吴凯更多>>
相关机构:山东大学山东财经大学更多>>
发文基金:山东省自然科学基金山东省优秀中青年科学家科研奖励基金国家自然科学基金更多>>
相关领域:自动化与计算机技术更多>>

文献类型

  • 4篇中文期刊文章

领域

  • 4篇自动化与计算...

主题

  • 3篇推荐系统
  • 3篇协同过滤
  • 3篇矩阵
  • 3篇矩阵分解
  • 2篇社会
  • 2篇社会化
  • 2篇社会化推荐
  • 1篇多维度
  • 1篇信任
  • 1篇意图
  • 1篇语义
  • 1篇社会计算
  • 1篇社会网
  • 1篇社会网络
  • 1篇社交
  • 1篇社交网
  • 1篇社交网络
  • 1篇数据稀疏
  • 1篇数据稀疏性
  • 1篇主题

机构

  • 4篇山东大学
  • 1篇山东财经大学

作者

  • 4篇马军
  • 3篇郭磊
  • 3篇陈竹敏
  • 1篇王帅强
  • 1篇任鹏杰
  • 1篇黄山山
  • 1篇吴凯
  • 1篇隋雪芹

传媒

  • 2篇计算机学报
  • 1篇计算机研究与...
  • 1篇中文信息学报

年份

  • 1篇2016
  • 1篇2015
  • 1篇2014
  • 1篇2013
4 条 记 录,以下是 1-4
排序方式:
一种信任关系强度敏感的社会化推荐算法被引量:40
2013年
为了进一步提高推荐算法的准确率,更好地对用户间的信任关系进行建模,首先提出了一种信任关系强度敏感的社会化推荐算法(StrengthMF).与以往的算法相比,该算法假设建立信任关系的两个用户之间并不一定存在着相似的兴趣爱好.在推荐过程中,StrengthMF算法通过共享的潜在用户特征空间来对信任关系强度和用户兴趣进行建模,通过进一步识别出那些与目标用户有着共同爱好的朋友来对求解的过程进行优化.为了验证算法所估计出的信任关系强度的准确性,接着又在SocialMF算法的基础上,提出了一种使用所估计的信任关系对其重新训练和学习的InfluenceMF算法.实验结果表明,与目前较为流行的方法相比,新方法能在RMSE和MAE上取得更好的推荐结果,其所推导出的信任关系强度能进一步提高已有推荐算法的性能.
郭磊马军陈竹敏
关键词:推荐系统社会化推荐协同过滤
一种综合语义和时效性意图的检索结果多样化方法被引量:7
2015年
当前,检索结果多样化作为一种提升用户满意度的有效方法已成为Web和数据库检索、文本摘要及推荐系统等领域的研究热点之一.但已有研究工作大都只考虑语义多样化策略.而实际上,多样化是一个非常复杂的优化问题,还需考虑许多其他的策略,如新颖性、质量、价值等.众所周知,Web是一个动态的信息空间,用户的查询需求也随时间不断演化,只有在一个特定的时间模式下,检索系统才能返回满意的结果.故该文提出一种新的结合语义和时效性两个维度的查询结果多样化方法.该文首先给出了多维度查询结果多样化框架的通用定义.然后,对于给定的查询,探讨了如何基于文档、词和查询频率来计算其时效性意图的概率分布.之后,提出一种新的针对时效性多样化的评价方法.最后,构建了针对多维度多样化问题的真实数据集,并通过实验证明该文提出的方法,不管是在传统的多样化评价指标上,还是在该文提出的时效性多样化指标上,性能都超过了当前主流的基准方法.
任鹏杰陈竹敏马军隋雪芹吴凯
关键词:语义社交网络社会计算
LinkMF:结合Linked Data的协同过滤推荐算法
2016年
协同过滤(CF)是推荐系统中应用最为广泛的推荐算法之一,然而数据稀疏性和冷启动问题是协同过滤方法的两个主要挑战。由于Linked Data整合了关于实体的丰富且结构化的特征,可以作为额外的信息源来缓解以上两种挑战。该文中我们首次提出了结合Linked Data改进CF推荐算法,基于矩阵分解提出了一种新的CF模型——LinkMF,在保证推荐准确度的基础上利用Linked Data缓解数据稀疏性和冷启动问题。首先,我们从Linked Data中抽取项目的特征表示并为项目建模;然后提出新的相似度度量方法计算项目相似度;最后利用项目相似度约束和指导MF分解过程产生推荐。在MovielLens和YAGO标准数据集上的大量实验结果表明,LinkMF优于现有的一些CF方法,特别在缓解数据稀疏性和冷启动问题上取得很好地效果。
黄山山马军郭磊王帅强
关键词:推荐系统矩阵分解DATA数据稀疏性冷启动
一种结合推荐对象间关联关系的社会化推荐算法被引量:73
2014年
随着社会化媒体的兴起,信息资源的数量呈现爆炸式增长,如何在海量的信息中帮助用户发现有用的知识成为亟需解决的问题.社会化推荐方法作为一种有效的信息过滤技术,由于能够结合社会网络的特点,模拟现实社会中的推荐过程,在分析用户历史行为的基础上,主动向用户推荐满足他们兴趣和需求的信息,受到了研究者们的广泛关注.但目前已有的方法大都只从用户间社会关系的角度出发,仅认为相互信任的朋友间具有相似的兴趣爱好,而忽略了推荐对象间的关联关系对推荐结果产生的影响.针对以上存在的问题,文中从推荐对象间关联关系的角度出发,假设具有关联关系的推荐对象更容易受到同一用户的关注,并进而在已有的社会化推荐算法的基础上,提出了一种结合推荐对象间关联关系进行推荐的算法.算法使用共享的潜在特征空间对目标函数的求解过程进行约束,使其在考虑用户间社会关系的同时,也考虑到推荐对象间关联关系所起到的重要作用.实验结果表明,与主流的推荐算法相比,文中所提出的方法在分类准确率和评分误差等多种评价指标上都取得了更好的结果.
郭磊马军陈竹敏姜浩然
关键词:社会网络矩阵分解推荐系统协同过滤社会化推荐
共1页<1>
聚类工具0