【摘要】：近年來,群組推薦由于其良好的實用價值得到了廣泛關注.然而,已有的群組推薦方法大多都是根據分析用戶對服務的評分矩陣直接將個體用戶的推薦結果或個體用戶偏好進行聚合,沒有綜合地考慮用戶-群組-服務這三者間的聯(lián)系,導致群組推薦效果欠佳.受潛在因子模型與狀態(tài)空間模型啟發(fā),結合評分矩陣、服務描述文檔以及時間因素,共同分析用戶-群組-服務間的聯(lián)系,提出了一種基于動態(tài)卷積概率矩陣分解的群組推薦方法.該方法首先利用基于卷積神經網絡的文本表示方法獲取服務潛在特征模型的先驗分布;然后,將狀態(tài)空間模型與概率矩陣分解模型相結合,獲得用戶潛在偏好向量與服務特征向量;之后,對用戶偏好向量運用聚類算法來發(fā)現潛在的群組;最終,對群組中的用戶偏好采取均值策略融合成群組偏好向量,并與服務特征向量共同生成群組對服務的評分,實現群組推薦.通過在MovieLens數據集上與同類方法進行對比實驗,發(fā)現所提方法的推薦有效性與精確性上更具有優(yōu)勢.
[Abstract]:In recent years, group recommendation has received wide attention because of its good practical value. However, most of the existing group recommendation methods aggregate the individual users' recommendation results or individual user preferences directly based on the analysis of users' rating matrix, and do not consider the relationship between user, group and service. As a result, the group recommendation effect is not good. Inspired by the latent factor model and the state space model, the relationship between users, groups and services is analyzed by combining the scoring matrix, service description documents and time factors. A group recommendation method based on dynamic convolution probability matrix decomposition is proposed. Firstly, the prior distribution of service potential feature model is obtained by the text representation method based on convolution neural network, and then the state space model is combined with the probability matrix decomposition model. The user potential preference vector and the service feature vector are obtained. After that, the clustering algorithm is applied to the user preference vector to find the potential group. Finally, the mean value strategy is used to fuse the user preferences in the group into the group preference vector. The group recommendation is realized by generating the service score together with the service feature vector. By comparing with the similar methods on the MovieLens dataset, it is found that the proposed method is more effective and accurate.
【作者單位】： 南京郵電大學計算機學院;江蘇省無線傳感網高技術研究重點實驗室;江蘇省大數據安全與智能處理重點實驗室;
【基金】：國家自然科學基金項目(61201163,61373138)~~
【分類號】：TP391.3

【參考文獻】

相關期刊論文 前2條

1 張偉;韓林玉;張佃磊;任鵬杰;馬軍;陳竹敏;;GeoPMF:距離敏感的旅游推薦模型[J];計算機研究與發(fā)展;2017年02期

2 張玉潔;杜雨露;孟祥武;;組推薦系統(tǒng)及其應用研究[J];計算機學報;2016年04期

【共引文獻】

相關期刊論文 前2條

1 王海艷;董茂偉;;基于動態(tài)卷積概率矩陣分解的潛在群組推薦[J];計算機研究與發(fā)展;2017年08期

2 唐福喜;劉克劍;馮玲;江靜煒;;基于用戶交互行為的群組推薦偏好融合策略[J];西華大學學報(自然科學版);2016年03期

【二級參考文獻】

相關期刊論文 前10條

1 劉樹棟;孟祥武;;基于位置的社會化網絡推薦系統(tǒng)[J];計算機學報;2015年02期

2 李瑞敏;林鴻飛;閆俊;;基于用戶-標簽-項目語義挖掘的個性化音樂推薦[J];計算機研究與發(fā)展;2014年10期

3 孟祥武;王凡;史艷翠;張玉潔;;移動用戶需求獲取技術及其應用[J];軟件學報;2014年03期

4 孟祥武;史艷翠;王立才;張玉潔;;用戶對移動網絡服務偏好學習技術綜述[J];通信學報;2013年02期

5 史艷翠;孟祥武;張玉潔;王立才;;一種上下文移動用戶偏好自適應學習方法[J];軟件學報;2012年10期

6 孟祥武;胡勛;王立才;張玉潔;;移動推薦系統(tǒng)及其應用[J];軟件學報;2013年01期

7 王立才;孟祥武;張玉潔;;上下文感知推薦系統(tǒng)[J];軟件學報;2012年01期

8 許海玲;吳瀟;李曉東;閻保平;;互聯(lián)網推薦系統(tǒng)比較研究[J];軟件學報;2009年02期

9 程嵐嵐,何丕廉,孫越恒;基于樸素貝葉斯模型的中文關鍵詞提取算法研究[J];計算機應用;2005年12期

10 冀俊忠,劉椿年,沙志強;貝葉斯網模型的學習、推理和應用[J];計算機工程與應用;2003年05期

【相似文獻】

相關期刊論文 前10條

1 史加榮;鄭秀云;周水生;;矩陣補全算法研究進展[J];計算機科學;2014年04期

2 李聰;駱志剛;;用于魯棒協(xié)同推薦的元信息增強變分貝葉斯矩陣分解模型[J];自動化學報;2011年09期

3 袁運祥;基于矩陣分解的子結構法求解介紹[J];計算機應用通訊;1981年00期

4 張海建;;分布式矩陣分解算法在推薦系統(tǒng)中的研究與應用[J];科技通報;2013年12期

5 何朕,趙文斌,于達仁;攝動矩陣的分解[J];電機與控制學報;2004年03期

6 李華云;;F范數及矩陣分解實例研究[J];現代情報;2008年10期

7 鄒理和;;系數矩陣分解二維譜估值[J];信號處理;1985年03期

8 陳伯倫;陳];鄒盛榮;徐秀蓮;;基于矩陣分解的二分網絡社區(qū)挖掘算法[J];計算機科學;2014年02期

9 王鋒;趙志文;牟盛;;整數提升小波多相矩陣分解系數的快速提取算法[J];中國圖象圖形學報;2012年03期

10 段華杰;;考慮時間效應的矩陣分解技術在推薦系統(tǒng)中的應用[J];微型電腦應用;2013年03期

相關會議論文 前2條

1 王春江;錢若軍;王人鵬;楊聯(lián)萍;;矩陣分解在張力集成體系模態(tài)分析中的應用[A];第九屆全國結構工程學術會議論文集第Ⅰ卷[C];2000年

2 王春江;王人鵬;錢若軍;王穎;;矩陣分解技術在體系性態(tài)綜合分析中的初步應用[A];“力學2000”學術大會論文集[C];2000年

相關博士學位論文 前8條

1 王中卿;基于文本信息的社會關系分析與研究[D];蘇州大學;2016年

2 王嘯;基于生成模型和矩陣分解的社區(qū)發(fā)現算法研究[D];天津大學;2015年

3 王科強;基于矩陣分解的個性化推薦系統(tǒng)[D];華東師范大學;2017年

4 李英明;矩陣分解在數據挖掘中的應用[D];浙江大學;2014年

5 趙科科;低秩矩陣分解的正則化方法與應用[D];浙江大學;2012年

6 郭亦鴻;利用穆勒矩陣分解定量測量各向異性介質微觀結構[D];清華大學;2014年

7 胡惠軼;基于分解的系統(tǒng)辨識方法研究[D];江南大學;2014年

8 陳根浪;基于社交媒體的推薦技術若干問題研究[D];浙江大學;2012年

相關碩士學位論文 前10條

1 秦曉暉;個性化微博推薦方法研究[D];華南理工大學;2015年

2 劉鳳林;基于矩陣分解的協(xié)同過濾推薦算法研究[D];南京理工大學;2015年

3 李源鑫;基于提升的信任融合矩陣分解推薦算法[D];福建師范大學;2015年

4 陳洪濤;基于矩陣分解的常規(guī)與長尾捆綁推薦的博弈研究[D];福建師范大學;2015年

5 張濟龍;基于概率矩陣分解的推薦算法研究[D];燕山大學;2015年

6 鄧志豪;基于物品相似度和主題回歸的矩陣分解推薦算法[D];浙江大學;2015年

7 余露;利用矩陣分解算法建模數據稀疏環(huán)境下用戶協(xié)同行為[D];杭州師范大學;2015年

8 倪澤明;混合用戶行為建模的概率矩陣分解推薦算法[D];浙江大學;2015年

9 丁浩;基于協(xié)同矩陣分解的藥物靶標相互作用關系預測[D];復旦大學;2014年

10 吳世偉;社會網絡中的鏈接分析[D];復旦大學;2014年

，

本文編號：2138180