基于Item2Vec负采样优化的专题地图产品个性化推荐方法研究
发布时间：2021-06-27 19:22
建立适用于专题地图产品检索的用户偏好推荐模型是提高专题地图质量的有效方式之一,在专题地图产品推荐场景中,存在严重的内容冷启动和评论数据稀疏问题,现有的推荐算法无法为特定类用户推荐不同特征的专题地图产品,导致用户从专题地图中获取偏好信息受到限制。因此,本文构建基于负采样的连续词袋模型和基于Word2Vec的Item2Vec相结合的用户偏好推荐方法,用于专题地图产品推荐。①计算用户行为日志文件中交互行为数据的隐性评分,以代替专题地图推荐信息流场景中稀疏的用户评论数据;②基于负采样的连续词袋模型提取目标专题地图的前后地图序列感知特征信息,通过控制正负样本比例为1:2,提升目标专题地图潜在评分的预测精度;③通过Item2Vec将带有用户行为特征信息的专题地图映射到向量空间,计算用户对专题地图的相似度矩阵,根据用户偏好程度完成推荐。在构建的专题地图评分实验数据集Thematic CMaps和4个公开验证数据集MovieLens上的测试结果表明:与LFM、Personal Rank、Content Based和SVD 4种传统推荐算法相比,本文所提方法可有效提高潜在评分的预测精度,推荐性能最高达到...
【文章来源】：地球信息科学学报. 2020,22(11)北大核心CSCD
【文章页数】：12 页
【部分图文】：
专题地图检索的用户偏好推荐方法框架
特定类用户对专题地图的事件行为评分高低取决于各类型事件行为的权重系数和所占比例[18]。依据带权重系数的专题地图事件行为隐性评分函数（式（2）），对专题地图产品推荐场景中的用户事件行为进行表示：“#event1”表示“决定性行为”、“#event2”表示“属性行为”、“#event3”表示“描述性行为”。对用户事件行为进行权重分配（表2），加权值的确定符合权重分配规则，其中，w1为“决定性行为”的加权值，w2为“属性行为”的加权值，w3为“描述性行为”的加权值。确定各类型事件行为的加权值和交互次数后，计算用户对各专题地图的事件行为评分，利用最高评分对各评分数据进行标准化处理，获得评分范围在（1,10）的同比例评分数据（式（3））。式中：u为用户；i为专题地图；w1…wn为各类型事件行为的权重系数；#event1…#eventn为各类型事件行为发生的次数；RI′u,i表示用户关于专题地图的事件行为评分。m为专题地图数量；max(RI′u,i)表示各专题地图事件行为评分的最大值；SRI′u,i表示标准化后各专题地图的事件行为评分。
式中：Xw为正样本中各专题地图的向量和；θu∈Rmθu为待训练参数，指投影层与输出层的向量为待预测目标专题地图u时，二者之间的全连接；Lw(u)为用于分类的判别阈值，判别为中心专题地图时值为1，判别为负样本时值为0。式（11）由2部分组成：σ(XwΤθu)Lw(u)表示前后地图序列时，正样本中预测目标专题地图wt的概率；(1-σ(XwΤθu))(1-Lw(u))表示前后地图序列时，负样本中预测目标专题地图wt的概率，优化似然函数增大正样本的预测概率同时降低负样本的的预测概率。为计算方便，损失函数采用对数损失函数，最终的优化目标函数为：通过随机梯度上升法迭代更新neg个模型所需的参数Xw和θu，继而迭代训练样本中每幅专题地图对应的向量，优化目标函数在梯度推导中记为：L(wt,u)，分别计算损失函数对参数Xw和θu的梯度，Xw为投影层中心专题地图对应的前后地图序列中所有向量的加和，θu共享于正负样本对中每幅专题地图对应的向量。损失函数中Xw和θu对偶，损失函数对Xw的偏导数与θu有关系，首先对参数θu求导，根据式（13）和式（14），参数Xw和θu的偏导数为：
【参考文献】：
期刊论文
[1]利用卷积神经网络提取微博中的暴雨灾害信息[J]. 刘淑涵,王艳东,付小康. 地球信息科学学报. 2019(07)
[2]基于图过滤的快速密度聚类双层网络推荐算法[J]. 陈晋音,吴洋洋,林翔. 控制理论与应用. 2019(04)
[3]语义扩散检索方法研究——以火灾应急图组库为例[J]. 冯天文,李轶鲲,刘涛,杜萍,杨国林. 测绘科学. 2018(12)
[4]基于偏好度特征构造的个性化推荐算法[J]. 黄金超,张佳伟,陈宁,陈毅鸿,江文,李生红. 上海交通大学学报. 2018(07)
[5]基于用户偏好和可疑度的推荐方法研究[J]. 吴彦文,刘闯. 计算机应用研究. 2018(12)
[6]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[7]基于深度学习加强的混合推荐方法[J]. 张敏,丁弼原,马为之,谭云志,刘奕群,马少平. 清华大学学报(自然科学版). 2017(10)
[8]地图个性化认知适合度的眼动试验评估[J]. 郑束蕾,陈毓芬,杨春雷,王双,王成舜. 测绘学报. 2015(S1)
[9]基于眼动实验的个性化地图推荐模型探讨[J]. 方潇,李萌,包芃,林宏波. 地理空间信息. 2015(01)
[10]基于二部图的服务推荐算法研究[J]. 姜波,张晓筱,潘伟丰. 华中科技大学学报(自然科学版). 2013(S2)
本文编号：3253455
【文章来源】：地球信息科学学报. 2020,22(11)北大核心CSCD
【文章页数】：12 页
【部分图文】：
专题地图检索的用户偏好推荐方法框架
特定类用户对专题地图的事件行为评分高低取决于各类型事件行为的权重系数和所占比例[18]。依据带权重系数的专题地图事件行为隐性评分函数（式（2）），对专题地图产品推荐场景中的用户事件行为进行表示：“#event1”表示“决定性行为”、“#event2”表示“属性行为”、“#event3”表示“描述性行为”。对用户事件行为进行权重分配（表2），加权值的确定符合权重分配规则，其中，w1为“决定性行为”的加权值，w2为“属性行为”的加权值，w3为“描述性行为”的加权值。确定各类型事件行为的加权值和交互次数后，计算用户对各专题地图的事件行为评分，利用最高评分对各评分数据进行标准化处理，获得评分范围在（1,10）的同比例评分数据（式（3））。式中：u为用户；i为专题地图；w1…wn为各类型事件行为的权重系数；#event1…#eventn为各类型事件行为发生的次数；RI′u,i表示用户关于专题地图的事件行为评分。m为专题地图数量；max(RI′u,i)表示各专题地图事件行为评分的最大值；SRI′u,i表示标准化后各专题地图的事件行为评分。
式中：Xw为正样本中各专题地图的向量和；θu∈Rmθu为待训练参数，指投影层与输出层的向量为待预测目标专题地图u时，二者之间的全连接；Lw(u)为用于分类的判别阈值，判别为中心专题地图时值为1，判别为负样本时值为0。式（11）由2部分组成：σ(XwΤθu)Lw(u)表示前后地图序列时，正样本中预测目标专题地图wt的概率；(1-σ(XwΤθu))(1-Lw(u))表示前后地图序列时，负样本中预测目标专题地图wt的概率，优化似然函数增大正样本的预测概率同时降低负样本的的预测概率。为计算方便，损失函数采用对数损失函数，最终的优化目标函数为：通过随机梯度上升法迭代更新neg个模型所需的参数Xw和θu，继而迭代训练样本中每幅专题地图对应的向量，优化目标函数在梯度推导中记为：L(wt,u)，分别计算损失函数对参数Xw和θu的梯度，Xw为投影层中心专题地图对应的前后地图序列中所有向量的加和，θu共享于正负样本对中每幅专题地图对应的向量。损失函数中Xw和θu对偶，损失函数对Xw的偏导数与θu有关系，首先对参数θu求导，根据式（13）和式（14），参数Xw和θu的偏导数为：
【参考文献】：
期刊论文
[1]利用卷积神经网络提取微博中的暴雨灾害信息[J]. 刘淑涵,王艳东,付小康. 地球信息科学学报. 2019(07)
[2]基于图过滤的快速密度聚类双层网络推荐算法[J]. 陈晋音,吴洋洋,林翔. 控制理论与应用. 2019(04)
[3]语义扩散检索方法研究——以火灾应急图组库为例[J]. 冯天文,李轶鲲,刘涛,杜萍,杨国林. 测绘科学. 2018(12)
[4]基于偏好度特征构造的个性化推荐算法[J]. 黄金超,张佳伟,陈宁,陈毅鸿,江文,李生红. 上海交通大学学报. 2018(07)
[5]基于用户偏好和可疑度的推荐方法研究[J]. 吴彦文,刘闯. 计算机应用研究. 2018(12)
[6]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[7]基于深度学习加强的混合推荐方法[J]. 张敏,丁弼原,马为之,谭云志,刘奕群,马少平. 清华大学学报(自然科学版). 2017(10)
[8]地图个性化认知适合度的眼动试验评估[J]. 郑束蕾,陈毓芬,杨春雷,王双,王成舜. 测绘学报. 2015(S1)
[9]基于眼动实验的个性化地图推荐模型探讨[J]. 方潇,李萌,包芃,林宏波. 地理空间信息. 2015(01)
[10]基于二部图的服务推荐算法研究[J]. 姜波,张晓筱,潘伟丰. 华中科技大学学报(自然科学版). 2013(S2)
本文编号：3253455
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/3253455.html
