一种用户属性耦合相似和兴趣语义相似的协同过滤推荐方法，包括以下步骤：步骤1.收集大量用户和项目数据；步骤2.对项目内容文本信息进行预处理，然后对深度学习词向量模型进行训练获得词向量模型；步骤3.将项目文本中的词通过词向量模型转换为向量；步骤4.分析用户的兴趣内容向量；步骤5.对用户注册信息预处理并提取用户属性；步骤6.结合用户属性耦合相似度和用户兴趣内容语义相似度动态计算用户的综合相似度；步骤7.预测评分，选取评分最高的前n个项目作为推荐集。本发明可以提升最近邻用户集的质量和可靠性，有效地解决冷启动问题和稀疏性问题。
📄 2019109142918
📂 G06F16_9536
👤 浙江工业大学
📅 2019-09-25
一种基于审美特征和对抗性学习的协同过滤推荐方法，利用美学网络将审美特征融入评价体系中，并通过对抗性学习提高推荐精度和鲁棒性，本方法可以分为两个阶段：特征采集阶段和模型训练阶段。特征采集阶段输入产品数据集到CNN和审美网络，分别提取产品的CNN特征和审美特征，拼接两种特征获得新的特征矩阵，用于构成CFA模型；模型训练阶段，采用SGD学习算法首先进行模型参数的学习使模型性能达到最佳，然后在模型参数处加入对抗性扰动构成ACFA模型，并使模型性能尽可能降低进行对抗性学习。本发明能提高推行系统的推荐精度和鲁棒性，在推荐系统领域具有一定的应用价值。
📄 2021113057775
📂 G06F16_9535
👤 浙江工业大学
📅 2021-11-05
本发明公开了一种基于评论情感分析和协同过滤的评分预测方法。本发明将项目的平均评分映射为评论中的情感分布，并将项目的潜在因子向量转换为评论中不同情感下的方面分布，通过最优化和采样交替进行的优化算法获得评分预测参数。在数据稀疏的情况下，与传统的仅使用评分作为数据源的协同过滤方法以及未考虑评论情感的结合评分与评论评分预测方法相比，采用本发明所述方法可显著提高评分预测的精度。
📄 2016100339749
📂 G06F16_335
👤 杭州电子科技大学
📅 2016-01-19
本发明请求保护一种基于三支决策用户聚类的协同过滤电影推荐方法，通过将用户划分为核心用户和边界用户两类，在核心用户集合上采用常规的聚类规则得到初始聚类结果的核心域，随后对边界用户采用三支决策划分规划分到初始聚类结果的核心域或边界域，从而实现了一种针对推荐系统中稀疏数据的用户软聚类算法。该算法在聚类时根据用户的潜在分布和实际评分数量将信息不充足的用户划分出来，避免了在核心用户聚类时造成干扰。从而提升了推荐预测精度，与采用单一聚类规则的方法相比聚类精度得以提高,而且不需要对用户进行重复多次的聚类。
📄 2021102382994
📂 G06F16_9536
👤 重庆邮电大学
📅 2021-03-04
柿子坊 · 知识产权运营
柿子坊知识产权运营平台