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(yán)重的內(nèi)容冷啟動(dòng)和評(píng)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(dǎo)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(fù)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(jì)算用戶行為日志文件中交互行為數(shù)據(jù)的隱性評(píng)分,以代替專題地圖推薦信息流場景中稀疏的用戶評(píng)論數(shù)據(jù);②基于負(fù)采樣的連續(xù)詞袋模型提取目標(biāo)專題地圖的前后地圖序列感知特征信息,通過控制正負(fù)樣本比例為1:2,提升目標(biāo)專題地圖潛在評(píng)分的預(yù)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(jì)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(píng)分實(shí)驗(yàn)數(shù)據(jù)集Thematic CMaps和4個(gè)公開驗(yàn)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(píng)分的預(yù)測精度,推薦性能最高達(dá)到... 

【文章來源】：地球信息科學(xué)學(xué)報(bào). 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(píng)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(píng)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(jìn)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(jìn)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(jì)算用戶對各專題地圖的事件行為評(píng)分，利用最高評(píng)分對各評(píng)分?jǐn)?shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，獲得評(píng)分范圍在（1,10）的同比例評(píng)分?jǐn)?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(píng)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(píng)分的最大值；SRI′u,i表示標(biāo)準(zhǔn)化后各專題地圖的事件行為評(píng)分。

式中：Xw為正樣本中各專題地圖的向量和；θu∈Rmθu為待訓(xùn)練參數(shù)，指投影層與輸出層的向量為待預(yù)測目標(biāo)專題地圖u時(shí)，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(shí)值為1，判別為負(fù)樣本時(shí)值為0。式（11）由2部分組成：σ(XwΤθu)Lw(u)表示前后地圖序列時(shí)，正樣本中預(yù)測目標(biāo)專題地圖wt的概率；(1-σ(XwΤθu))(1-Lw(u))表示前后地圖序列時(shí)，負(fù)樣本中預(yù)測目標(biāo)專題地圖wt的概率，優(yōu)化似然函數(shù)增大正樣本的預(yù)測概率同時(shí)降低負(fù)樣本的的預(yù)測概率。為計(jì)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(biāo)函數(shù)為：通過隨機(jī)梯度上升法迭代更新neg個(gè)模型所需的參數(shù)Xw和θu，繼而迭代訓(xùn)練樣本中每幅專題地圖對應(yīng)的向量，優(yōu)化目標(biāo)函數(shù)在梯度推導(dǎo)中記為：L(wt,u)，分別計(jì)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(yīng)的前后地圖序列中所有向量的加和，θu共享于正負(fù)樣本對中每幅專題地圖對應(yīng)的向量。損失函數(shù)中Xw和θu對偶，損失函數(shù)對Xw的偏導(dǎo)數(shù)與θu有關(guān)系，首先對參數(shù)θu求導(dǎo)，根據(jù)式（13）和式（14），參數(shù)Xw和θu的偏導(dǎo)數(shù)為：

【參考文獻(xiàn)】：
期刊論文
[1]利用卷積神經(jīng)網(wǎng)絡(luò)提取微博中的暴雨災(zāi)害信息[J]. 劉淑涵,王艷東,付小康.  地球信息科學(xué)學(xué)報(bào). 2019(07)
[2]基于圖過濾的快速密度聚類雙層網(wǎng)絡(luò)推薦算法[J]. 陳晉音,吳洋洋,林翔.  控制理論與應(yīng)用. 2019(04)
[3]語義擴(kuò)散檢索方法研究——以火災(zāi)應(yīng)急圖組庫為例[J]. 馮天文,李軼鯤,劉濤,杜萍,楊國林.  測繪科學(xué). 2018(12)
[4]基于偏好度特征構(gòu)造的個(gè)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(xué)學(xué)報(bào). 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(jì)算機(jī)應(yīng)用研究. 2018(12)
[6]基于深度學(xué)習(xí)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(jì)算機(jī)學(xué)報(bào). 2018(07)
[7]基于深度學(xué)習(xí)加強(qiáng)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(xué)學(xué)報(bào)(自然科學(xué)版). 2017(10)
[8]地圖個(gè)性化認(rèn)知適合度的眼動(dòng)試驗(yàn)評(píng)估[J]. 鄭束蕾,陳毓芬,楊春雷,王雙,王成舜.  測繪學(xué)報(bào). 2015(S1)
[9]基于眼動(dòng)實(shí)驗(yàn)的個(gè)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(wù)推薦算法研究[J]. 姜波,張曉筱,潘偉豐.  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(S2)



本文編號(hào)：3253455