發(fā)布時間：2021-06-27 19:22

　　建立適用于專題地圖產(chǎn)品檢索的用戶偏好推薦模型是提高專題地圖質(zhì)量的有效方式之一,在專題地圖產(chǎn)品推薦場景中,存在嚴重的內(nèi)容冷啟動和評論數(shù)據(jù)稀疏問題,現(xiàn)有的推薦算法無法為特定類用戶推薦不同特征的專題地圖產(chǎn)品,導致用戶從專題地圖中獲取偏好信息受到限制。因此,本文構(gòu)建基于負采樣的連續(xù)詞袋模型和基于Word2Vec的Item2Vec相結(jié)合的用戶偏好推薦方法,用于專題地圖產(chǎn)品推薦。①計算用戶行為日志文件中交互行為數(shù)據(jù)的隱性評分,以代替專題地圖推薦信息流場景中稀疏的用戶評論數(shù)據(jù);②基于負采樣的連續(xù)詞袋模型提取目標專題地圖的前后地圖序列感知特征信息,通過控制正負樣本比例為1:2,提升目標專題地圖潛在評分的預測精度;③通過Item2Vec將帶有用戶行為特征信息的專題地圖映射到向量空間,計算用戶對專題地圖的相似度矩陣,根據(jù)用戶偏好程度完成推薦。在構(gòu)建的專題地圖評分實驗數(shù)據(jù)集Thematic CMaps和4個公開驗證數(shù)據(jù)集MovieLens上的測試結(jié)果表明:與LFM、Personal Rank、Content Based和SVD 4種傳統(tǒng)推薦算法相比,本文所提方法可有效提高潛在評分的預測精度,推薦性能最高達到... 

【文章來源】：地球信息科學學報. 2020,22(11)北大核心CSCD

【文章頁數(shù)】：12 頁

【部分圖文】：

專題地圖檢索的用戶偏好推薦方法框架

特定類用戶對專題地圖的事件行為評分高低取決于各類型事件行為的權(quán)重系數(shù)和所占比例[18]。依據(jù)帶權(quán)重系數(shù)的專題地圖事件行為隱性評分函數(shù)（式（2）），對專題地圖產(chǎn)品推薦場景中的用戶事件行為進行表示：“#event1”表示“決定性行為”、“#event2”表示“屬性行為”、“#event3”表示“描述性行為”。對用戶事件行為進行權(quán)重分配（表2），加權(quán)值的確定符合權(quán)重分配規(guī)則，其中，w1為“決定性行為”的加權(quán)值，w2為“屬性行為”的加權(quán)值，w3為“描述性行為”的加權(quán)值。確定各類型事件行為的加權(quán)值和交互次數(shù)后，計算用戶對各專題地圖的事件行為評分，利用最高評分對各評分數(shù)據(jù)進行標準化處理，獲得評分范圍在（1,10）的同比例評分數(shù)據(jù)（式（3））。式中：u為用戶；i為專題地圖；w1…wn為各類型事件行為的權(quán)重系數(shù)；#event1…#eventn為各類型事件行為發(fā)生的次數(shù)；RI′u,i表示用戶關(guān)于專題地圖的事件行為評分。m為專題地圖數(shù)量；max(RI′u,i)表示各專題地圖事件行為評分的最大值；SRI′u,i表示標準化后各專題地圖的事件行為評分。

式中：Xw為正樣本中各專題地圖的向量和；θu∈Rmθu為待訓練參數(shù)，指投影層與輸出層的向量為待預測目標專題地圖u時，二者之間的全連接；Lw(u)為用于分類的判別閾值，判別為中心專題地圖時值為1，判別為負樣本時值為0。式（11）由2部分組成：σ(XwΤθu)Lw(u)表示前后地圖序列時，正樣本中預測目標專題地圖wt的概率；(1-σ(XwΤθu))(1-Lw(u))表示前后地圖序列時，負樣本中預測目標專題地圖wt的概率，優(yōu)化似然函數(shù)增大正樣本的預測概率同時降低負樣本的的預測概率。為計算方便，損失函數(shù)采用對數(shù)損失函數(shù)，最終的優(yōu)化目標函數(shù)為：通過隨機梯度上升法迭代更新neg個模型所需的參數(shù)Xw和θu，繼而迭代訓練樣本中每幅專題地圖對應的向量，優(yōu)化目標函數(shù)在梯度推導中記為：L(wt,u)，分別計算損失函數(shù)對參數(shù)Xw和θu的梯度，Xw為投影層中心專題地圖對應的前后地圖序列中所有向量的加和，θu共享于正負樣本對中每幅專題地圖對應的向量。損失函數(shù)中Xw和θu對偶，損失函數(shù)對Xw的偏導數(shù)與θu有關(guān)系，首先對參數(shù)θu求導，根據(jù)式（13）和式（14），參數(shù)Xw和θu的偏導數(shù)為：

【參考文獻】：
期刊論文
[1]利用卷積神經(jīng)網(wǎng)絡提取微博中的暴雨災害信息[J]. 劉淑涵,王艷東,付小康.  地球信息科學學報. 2019(07)
[2]基于圖過濾的快速密度聚類雙層網(wǎng)絡推薦算法[J]. 陳晉音,吳洋洋,林翔.  控制理論與應用. 2019(04)
[3]語義擴散檢索方法研究——以火災應急圖組庫為例[J]. 馮天文,李軼鯤,劉濤,杜萍,楊國林.  測繪科學. 2018(12)
[4]基于偏好度特征構(gòu)造的個性化推薦算法[J]. 黃金超,張佳偉,陳寧,陳毅鴻,江文,李生紅.  上海交通大學學報. 2018(07)
[5]基于用戶偏好和可疑度的推薦方法研究[J]. 吳彥文,劉闖.  計算機應用研究. 2018(12)
[6]基于深度學習的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機學報. 2018(07)
[7]基于深度學習加強的混合推薦方法[J]. 張敏,丁弼原,馬為之,譚云志,劉奕群,馬少平.  清華大學學報(自然科學版). 2017(10)
[8]地圖個性化認知適合度的眼動試驗評估[J]. 鄭束蕾,陳毓芬,楊春雷,王雙,王成舜.  測繪學報. 2015(S1)
[9]基于眼動實驗的個性化地圖推薦模型探討[J]. 方瀟,李萌,包芃,林宏波.  地理空間信息. 2015(01)
[10]基于二部圖的服務推薦算法研究[J]. 姜波,張曉筱,潘偉豐.  華中科技大學學報(自然科學版). 2013(S2)



本文編號：3253455