基于深度学习的电影推荐算法

提高推荐系统的推荐性能过去一直是一个非常大的挑战,因为在进行推荐的时候要同时兼顾推荐结果的准确性和计算推荐结果的计算时间。基于上述问题,提出一种基于深度学习的推荐算法,通过深度学习的方法挖掘用户和电影的特征、训练模型,从而提高推荐算法准确性。同时,通过神经网络提取用户和电影的特征,而不是基于用户对电影的评分矩阵,解决了推荐系统中的稀疏性问题和冷启动问题。最后在真实的数据集上进行实验,验证推荐算法的准确性。     

基于电影属性和交互信息的电影推荐算法

为了缓解电影推荐系统准确率低、可解释性差和数据稀疏等问题,该文同时考虑电影属性信息和用户与电影的交互信息,融合知识图谱和协同过滤算法提出了基于电影属性和交互信息的电影推荐算法,简称为RippleNet协同过滤(RippleNet collaborative filtering, RippleNet-CF)。该模型一方面利用电影与电影属性之间的相互关系构建电影知识图谱,提取电影与电影之间的关系,通过RippleNet模型计算用户偏好。另一方面使用电影和用户间的交互信息,通过协同过滤算法计算出用户偏好。最后结合上述2个方面得出推荐列表,并根据推荐列表进行Top-K推荐。试验结果表明,该文提出的方法在推荐效果的准确率方面有显著提升,同时具有更好的解释性并缓解了数据稀疏问题。     

基于数据驱动和知识图谱的电影分类推荐方法

提出基于知识图谱和数据驱动的电影分类推荐方法；首先基于数据驱动爬取互联网中的电影数据并进行去重及清洗，然后采用知识图谱将电影数据与用户情感偏好数据进行关联，对海量的数据信息进行中心聚类，并在数据聚类的过程中计算投影向量得到相似度矩阵，最后查询相似度值并计算分类推荐指标权重得到最终的电影推荐清单.     

基于CLSVSM的电影评分预测及其推荐应用研究

随着电影网站用户数量以及电影数量的上升,用户评分数据变得极其稀疏,导致推荐系统推荐质量下降。针对这一问题,文章在传统基于项目的推荐算法(IBCF)基础上提出基于共现潜在语义向量空间模型(CLSVSM)的项目评分预测算法。文章先通过CLSVSM得到电影共现矩阵以及电影共现相对强度矩阵,然后利用电影之间的共现潜在关系对评分矩阵进行补全,在此基础上预测用户对未观看的电影评分,进而生成推荐。实验结果表明:与传统的IBCF推荐算法相比,CMLVSM_IBCF算法的均方根误差(RMSE)和平均绝对误差(MAE)分别下降17.7%和17.6%。新提出的算法计算出的电影之间的相似度更准确,有效地减小了数据稀疏性对推荐结果的影响,显著提高了电影网站的推荐质量。     

支持评价类问题与电影智能搜索的问答系统构建

基于互联网信息,构建了一款支持评价类问题与电影智能搜索的问答系统.通过特征词匹配、情感极性匹配以及句式分析等策略,系统能对评价类问题进行智能回答.借助聚合评论信息的灵活查询策略,利用tag信息查询扩展的用户个性化搜索技术,不仅解决了电影的泛性化搜索问题,并能挖掘用户的潜意识需求.实验证明,该系统在评价类问题回答与电影智能搜索领域,效果优于现有产品.     

面向排名预测的电影媒体网站研究

结合排序学习方法, 对电影排名预测任务进行研究。通过挖掘和分析电影媒体网站数据, 完成对排名预测相关特征的抽取与扩展及排名标注的对齐和划分等, 并提出面向电影媒体网站的排名预测模型。实验结果显示, 该模型能有效地提高电影排名预测任务的性能, 在为影视院线合理规划同期电影的上映时间及排片比例、为观影者提供优质热门的电影推荐等方面具有一定的应用价值。     

基于聚类的智能网页推荐系统研究

设计了一种智能网页推荐系统的架构,其中包括数据预处理、聚类分析和网页推荐3个子系统,可以根据网站的访问日志来对用户进行自动分类,进而对网站的新用户在线提供网页推荐。提出了路径间距离的计算方法,进而研究了聚类子系统的结构,并通过对微软网站中用户访问日志的仿真实验,说明了所述方法的有效性。     

基于网页关键词的个性化Web推荐算法

个性化Web推荐系统是利用用户的浏览行为定制符合用户结构和内容的过程。在综合应用协作过滤和内容过滤方法的基础上,通过对网站网页关键词的评估,提出了一种新的个性化Web推荐算法,研究了基于网页关键词的个性化模型,网站页面中关键词的权重计算,基于协作过滤的新用户推荐,基于内容过滤的再次推荐方法,以及基于用户群的用户兴趣调整方法。实验证明,本算法能够以较高的效率对用户进行网页推荐。     

基于协同过滤算法的电子商务推荐系统

为了解决购物网站信息量过大问题,对用户进行精准商品推荐,提出了一种基于协同过滤算法的电子商务推荐系统,根据网站收集的用户历史行为数据计算物品的相似度,进而预测用户对物品的偏好,根据兴趣度对用户进行物品推荐。在基于协同过滤算法的基础上,考虑了用户活跃度和时间上下文关系对用户兴趣的影响,设计了完整的推荐算法流程。实验证明该算法确实改善了推荐的精确性,说明用户活跃度和时间因素确实对用户行为有影响。     

面向用户需求的云桌面推荐方法研究

云桌面是为用户提供可定制、共享资源的新型云服务,用户可以将云桌面作为一种可检索的数据资源,根据自身需求选择合适的云桌面.从资源提供者和消费者两端,提出了一种基于本体的用户需求描述与匹配的云桌面推荐方法.一方面对资源提供端的服务功能和非功能特性进行了分析,将基于本体技术对用户需求和待选桌面镜像进行匹配,为用户发现更可靠的云桌面;另一方面对资源消费端的用户需求进行了分析,利用协同过滤机制,供用户选择合适的云桌面资源,避免了用户资源请求的偏差.实验结果表明,本文方法提高了云桌面在资源发现和选择过程中的准确性,能根据用户潜在的需求向用户推荐更合适的数据资源.