基于区间型符号数据的群组推荐算法研究_郭均鹏

， [ a3 , b3 ] = [ 0.21, 0.68]
[ a4 , b4 ] = [0.44, 0.62] ，该区间数据 组的权 重向
量为 w = ( 0.2, 0.3, 0.4, 0.1) ，且令 BUM 函数为
T
0, r <α r −α Q(r) = α ≤r≤β ， β −α r>β 1,
Combined weighted geometric C-OWA operator and its application to group decision making
WEI Gui-wu 1,2
(1.School of Economics and Management, Southwest Jiaotong University,Chengdu 610031, China 2.Deaprtment of Mathematics, North Sichuan Medical College, Nanchong 637007, China)
([ a , b ]) ( i = 1, 2,L, n ) 进行加
i i
为 C-OWA 算子。ρ 为基本的单调区间单调(basic unit-interval monotonic(BUM))函数。 C-OWA 算子具有下列性质 ： 性质 1 (有界性) 对任意的 BUM 函数 ρ ， 有
[7]
( i = 1, 2,L , n ) ，有
Abstract：In this paper,we propose some extended continuous interval argument OWA(C-OWA) operators,sucn as weighted geometric C-OWA(WGC-OWA) operator, ordered weighted geometric C-OWA(OWGC-OWA) operator and combined weighted geometric C-OWA(CWGC-OWA) operator, and study some of their characteristics. Based on the combined weighted geometric C-OWA(CWGC-OWA) operator ,we develop an approach for solving uncertain multi-attribute group decision making problems in which the attribute weights are completely known and the attribute values are interval numbers. At last, a numerical example is provided to illustrate the proposed method. The result shows the approach is simple, effective and easy to calculate.

2022年4月第4期Vol. 43 No. 4 2022小型微型计算机系统Journal of Chinese Computer SystemsD01：10.20009/j. cnki.21-1106/TP. 2020-0976

融合显隐式反馈的协同过滤推荐算法研究张亚明V,高忠萍

3,高祎晴1,刘海鸥

1,2

1 (燕山大学经济管理学院，河北秦皇岛066004)

气燕山大学互联网+与产业发展研究中心，河北秦皇岛066004)

彳(北京京东世纪贸易有限公司，北京102600)

E-mail: ggaoyiqing@ 163. com

摘要：针对目前融合显隐式反馈的推荐算法发展仍存在显式反馈数据利用不合理、

隐式反馈缺乏负反馈样本等问题，本研究

基于融合显隐式反馈的SVD+ +算法和针对正负反馈的PSVD算法的核心思想,根据全反馈思想进行正负反馈层面上的尝 试，利用基准预测思想在显隐式反馈中建立正负反馈的区分标准，优化显式反馈对于获取正负样本的评价公式，建立隐式反馈 区分用户偏好的计算标准，重新构建用户与推荐对象之间的评分预测模型，提出一种新的融合显式反馈和隐式反馈的协同推荐 算法PNF_SVD + +

.

实验结果表明，PNF_SVD+ +算法在验证评分预测准确性的指标上数据表现较好,其可行性和有效性得

到充分验证，同时为融合显隐式反馈的协同过滤推荐算法提供了新的研究思路.

关键词：协同过滤;矩阵分解;显隐式反馈;正负反馈

中图分类号：TP391 文献标识码:A 文章编 号：

1000-1220(2022

)04-0731-10

Research on Collaborative Recommendation

Algorithm

Based on

Explicit and

Implicit Feed

­

back

ZHANG Ya-ming1,2 ,GAO Zhong-ping3 ,GAO Yi-qing1, LIU Hai-ou

南京理工大学学报Journal of Nanjing University of Science and

Technology

Vol.46 No.2

Apr.2022第46

卷第2

期

2022年4月

基于深度学习的智能学习资源推荐算法宋菲菲1,隋栋

2,周湘贞

3

(1.内蒙古电子信息职业技术学院计算机与网络安全学院，内蒙古呼和浩特

010011；

2.北京建筑大学电气与信息工程学院，北京102406；3.北京航空航天大学计算机学院，北京

100191)

摘 要：为了提高资源推荐性能，采用广义回归神经网络完成资源推荐。首先，提取推荐系统的 用户和资源特征，

选择两者的特征差异值之和作为推荐系统目标函数，

然后构建广义回归神经

网络(Generalized

regression neural network

,GRNN

)

资源推荐模型。

考虑到GRNN训练效果对平

滑因子和核函数中心的依赖性强的特点，引入差分进化(

Differential

evolution

,

DE)算法对

GRNN

的平滑因子和核函数中心偏移因子进行优化求解:选择最小特征差异值求解函数作为DE

算法

适应度函数，通过DE算法的多次交叉、变异和选择操作，获得最优平滑因子和偏移因子。最后

采用优化后的平滑因子和偏移因子进行GRNN资源推荐，

生成特征差异较小的候选资源序列

作为资源推荐序列。试验证明，选择合理的DE算法交叉速率和差分缩放因子，

能够获得较好

的平滑因子和偏移因子,GRNN

也能够获得更好的推荐效果

。和常用资源推荐算法比较

，对于

3种不同的训练样本,该文算法能够获得更优的资源推荐准确率，且

RMSE

值较低。

关键词：深度学习；智能学习；在线环境；资源推荐；

广义回归神经网络;差分进化

中图分类号:TP391 文章编号

：1005-9830(2022)02-0185-07

DOI: 10.

14177/j.cnki.32-

1397n.2022.46.02.009

Intelligence learning

2020年10月October 2020第46卷第10期Vol. 46 No. 10计算机工程Computer Engineering•人工智能与模式识别•文章编号：1000-3428（2020） 10-0060-07文献标志码：A中图分类号：TP18面向微博用户的个性化推荐算法研究周炜翔张雯J 杨博S 柳毅S 张琳S 张仰森1（1.北京信息科技大学智能信息处理研究所，北京100101 ； 2.国家计算机网络应急技术处理协调中心，北京100029）摘要：微博的个性化推荐对于提升用户体验和帮助用户及时、准确地获取信息具有重要意义。

在分析微博用户 行为模式的基础上，提出一种基于情景建模和卷积神经网络的微博个性化推荐模型。

从时间和地域两个维度对用 户进行情景建模，提取用户的时间情景模式和地域情景模式，同时给出情景模式相似度计算方法，对用户的情景模 式进行扩展，捕捉用户感兴趣的情景模式倾向，在此基础上建立用户个性化情景模式库，采用卷积神经网络构建个 性化微博推荐模型，实现微博用户的个性化推荐。

实验结果表明，与ILCAUSR 、RA-CD 算法相比，该模型具有较好 的推荐效果，相比于时间情景模型和地域情景模型，其平均绝对误差和平均用户满意度指标均达到最优效果。

关键词：个性化推荐;情景建模;卷积神经网络;情景模式库;用户满意度开放科学（资源服务）标志码（OSID ）:中文引用格式:周炜翔，张雯，杨博，等.面向微博用户的个性化推荐算法研究[J].计算机工程,2020,46(10):60-66,73. 英文引用格式:ZHOU Weixiang , ZHANG Wen, YANG Bo , et al. Research on personalized recommendation algorithm for microblog users [叮.Computer Engineering ,2020,46(10) ：60-66,73.Research on Personalized Recommendation Algorithm for Microblog UsersZHOU Weixiang 1,ZHANG Wen 1 ,YANG Bo 2,LIU Yi 2,ZHANG Lin 2,ZHANG Yangsen 1(1. Institute of Intelligent Information Processing , Beijing Information Science and Technology University ,Beijing 100101, China ；2. National Computer Network Emergency Response Technical Team/Coordination Center of China ,Beijing 100029,China)[Abstract] Personalized recommendation of microblog is crucial to improving user experience and helping users obtaininformation accurately in time. Based on the analysis of behavior patterns of microblog users , this paper proposes apersonalized recommendation model for the microblog based on scenario modeling and Convolutional Neural Network(CNN ). Scenario modeling is implemented for users from the dimensions of time and region , so as to extract the user ' stemporal scenario pattern and geographical scenario pattern. Then a calculation method of scenario pattern similarity is provided to extend the scenario patterns of users , capturing the scenario pattern tendency that users are interested in. Onthis basis , a personalized scenario mode library of the user is established , and the CNN is used to construct a personalizedrecommendation model for microblog users. Experimental results on real data of the microblog show that compared withthe ILCAUSR and RA-CD algorithms , the proposed model has better recommendation performance , and achieves theoptimal effect in Mean Absolute Error (MAE) and Average User Satisfaction ( AUS ) indexes compared with the temporalscenario model and geographical scenario model.[Key words] personalized recommendation ； scenario modeling ； Convolutional Neural Network ( CNN ) ； scenario patternlibrary ； user satisfactionDOI ： 10. 19678/j. issn. 1000-3428. 00559790概述微博作为新兴的互联网社交平台，其以实时性、开放性、互动性和便捷性为人们进行意见表达和信息交流提供了良好的媒介，已超越传统媒体成 为新的信息聚集地，并以极快的速度影响着社会的 信息传播格局⑴。