一种基于动机倾向的标签推荐方法_靳延安

合集下载

一种改进的层次聚类算法

基金项目：省教育科学 “ 湖北十一五” 规划科研基金资助项目（０００９；２１Ｂ３）湖北省人文社科基金资助项目（００９）２１０４
８４８
武汉理工大学学报・信息与管理工程版
２１０１１年２月
应的社区ｉ和，标记合并后社区的标号为，新更
文章编号：０７—１４２１）６— ８３—０１０４Ｘ（０１００８４
文献标志码：Ａ
一
种改进的层次聚类算法
靳延安，刘行军
（湖北经济学院信息管理学院，湖北武汉４００）３２５
摘
要：针对凝聚式的层次聚类算法在聚类过程中层次化的迭代运算使误差不断累积，导致聚类结果较差的
聚类是把各不相同的个体分割为有更多相似性的簇的工作。由聚类所组成的簇是一组数据对象的集合，这些对象与同一簇中的对象彼此类似，与其他簇中的对象相异… ，目前，已有大量的聚
类算法。根据数据的类型、目的和应用场景，主要的聚类算法通常分为划分方法Ｊ层次方、法Ｊ基于密度的方法－９、于网格的方、８基ＩＪ法和基于模型的方法。其中层次聚类算卜Ｊ法由于其简单，得到了广泛的应用。但该方法经
０＝ｅ；＝０ｌ，＋０（）４
当模块性增量矩阵中最大的元素都小于零以后，模块性的值就只可能一直下降。因此，只要模块性增量矩阵中最大的元素由正变到负以后，就可以停止合并，并认为此时的社区结构就是网络的
社区结构。

一种改进的层次聚类算法

一种改进的层次聚类算法
靳延安;刘行军
【期刊名称】《武汉理工大学学报（信息与管理工程版）》
【年(卷),期】2011(033)006
【摘要】针对凝聚式的层次聚类算法在聚类过程中层次化的迭代运算使误差不断累积,导致聚类结果较差的问题,在GN快速算法基础上提出了一种改进的凝聚式层次聚类算法,即网状聚类算法.实验结果表明,该改进算法避免了误差的积累,可以获得更高质量的聚类结果.
【总页数】5页(P883-886,912)
【作者】靳延安;刘行军
【作者单位】湖北经济学院信息管理学院,湖北武汉430205;湖北经济学院信息管理学院,湖北武汉430205
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种改进的短文本层次聚类算法 [J], 李天彩;席耀一;王波;张佳明
2.FCM聚类算法与改进层次聚类算法的结合 [J], 陈亚平;吴陈
3.一种改进的模糊层次聚类算法 [J], 周维柏;黄德波;李蓉
4.一种改进的层次聚类算法在面包品质检验中的应用 [J], 张红梅;丁伟;范艳峰
5.一种模糊加权的改进层次聚类算法研究 [J], 李剑英;丁世飞;徐丽;钱钧
因版权原因，仅展示原文概要，查看原文内容请购买。

熟悉SQLServer20001...

申请新增学士学位授权专业简况表学校名称（代码）湖北经济学院法商学院（13251）（公章）学科门类（代码）工商管理类（1102）专业名称（代码）电子商务（110209W）批准时间2003年湖北省学位委员会办公室2012年3月9 日填填表说明一、表内各项目要求提供原始材料备查。

二、“专任教师”是指具有教师资格、专门从事教学工作的人员，分三个部分组成：独立学院自有教师,聘期在两年（含）以上的；母体学校委派,能达到独立学院专任教师年工作量且聘期连续两年（含）以上的；聘期不足两年,达到专任教师年工作量的外聘教师按50%计入；聘期不足一年的不计专任教师。

三、符合岗位资格是指主讲教师具有讲师及以上（含讲师）职称或具有硕士及以上学位，通过岗前培训并取得合格证、高等教育教师资格证书的教师。

四、折合在校生数=普通本、专科生数+预科生数+成人脱产班学生数。

五、生师比=折合在校生数/教师总数（教师总数=专任教师数+聘期不足两年的外聘教师数×0.5）。

六、专任教师中具有研究生学位的比例=(具有研究生学位专任教师数/专任教师数) ×100%。

七、专任教师中具有高级职称的比例=具有副高级以上职务的专任教师数/专任教师数。

八、生均四项经费=四项经费/折合在校生数，四项经费包括本科业务费、教学差旅费、体育维持费、教学仪器设备维修费。

各项经费的具体内容为：本专科生业务费：包括专业建设、课程建设、教材建设等费用，进行实验、实习、毕业设计（论文）所需的各种原材料，低值易耗品及加工、运杂费，生产实习费，答辩费，资料讲义印刷费及学生讲义差价支出等。

教学差旅费：教师进行教学调查、资料搜集、教材编审调研等业务活动的市内交通费、误餐费、外地差旅费。

体育维持费：各种低值体育器械和运动服装的购置费、修理费，体育运动会费用，支付场地租金和参加校际以上运动会的教职工运动员的伙食补助费，以及公共体育教研室的业务性报刊、杂志、资料等零星费用。

一种综合标签和时间因素的个性化推荐方法

Ｐｒｏａｉｅｅｏｅｓｎｌｚｄｒｃｍｍｅｄｔｏｔｏａｅｎｂｔａｎｉａｔｒｎａｉｎｍｅｈｄｂｓｄｏｏｈｔｇａｄｔｍｅｆｃｏｓ
ＴＵＪｎｌｎｉ— ｇ．ＴｅｇｈａｏＵＦｎ —ｕ
第３０卷第４期
２１０３年４月
计算机应用研究
ＡｐｌｃｔｎＲｅｅｒｈｏｏｕｅｓｐｉａｉｓａｃ２３ｒ０１
一
种综合标签和时间因素的个性化推荐方法水
的、户最近新打的标签更能反映用户近期的兴趣这一特性。为此，用在借鉴协同过滤思想的基础上，通过利用标
签使用频率信息和项目的标注时间来构建用户评分伪矩阵；此基础上计算目标用户的最近邻集合；在最后根据邻居用户给出推荐结果。通过在Ｃｔｉｅ据集上进行实验，ｉＵＬｋ数ｅ并与传统的基于标注的推荐方法进行比较，实验结果表明，ＴＲ模型能够更好地反映出用户的偏好，ＴＲ能够显著地提高推荐准确度。
ｐｏｏｅｅｏｒｅｅｏｒｐｓｄａｒｓｕｃｓｒｃｍｍｅｄｔｎｍｏｅｎｅｒｔｄｔｇａｄｉｉｎｏｍａｉｎ（ＴｎａｉｄｌｉｔｇａｅａｎｔｔｉｆｒｔｏｓｍｅｏＴＲＲ）Ｉｈｓｍｏｅ，ｉｃｎｉｅｈ．ｎｔｉｄｌｔｏｓｄｄｔｅ
ｔｍｐｒｌｃｒｔｒｓｉｓｏｈｅｕｅＳｉｔｒｓ．ｔｔｕｅＳｐｅｅｅｃｏｒｄｔｒｒｆｉｖｒｔｍｅ，ａｄｔｅｔｇｈｔＵ — ｅｏａｈａａｃｅｉｔｃｆｔｓｒ’ ｎｅｅｔｈａｓｒ’ ｒｆｒｎｅｆｒｐｏｕｃｓｗｅｅｄｔｎｇｏｅｉｉｎｈａｓｔａＳｅｓｒｃｎｌｓｄｐａｉａｏｂｔｅｅｅｔｔｅｒｃｎｎｅｅｔｏｈｅｕｓｒＳｂｓｄｏｈｈｕｈｆｃｌａｏａｉｅｆｔｒｎｒｅｅｔｙｕｅｌｙａｖｔｌｔｅｔｒｒｆｃｈｅｅｔｉｔｒｓｆｔｅ．ｏ．ａｅｎｔｅｔｏｇｔｏｏｌｂｒｔｖｌｅｉｇｌｉｍｅｈｄ．ｔｓｐａｅｔｌｚｄｔｅｔｅｕｎｙａｄｉｅ ’ ａｎｃｉｎｏｍａｉｎｔｏｓｒｃｓｕｄａｉｇｍａｒｘＴｈｎｉｔｏｈｉｐｒｕｉｅｈａｇｆｑｅｃｎｔｎｓｌｕｈｔｍｅｉｆｒｔｏｏｃｎｔｕｔａｐｅｏｒｔｎｔｉ．ｅｔｉｒｏｔｉｄｔｅｎａｅｔｎｉｈｂｒｓｔｆｔｃｉｓｒｂｓｄｏｈｅｐｓｕｏｒｔｔｘＦｎｌｙ，ａｃｒｎｏｔｅｎａｅｔｎｉｈ— ｂａｎｅｈｅｒｓｅｇｏｅｓｏｈｅａｔｕｅａｅｎｔｅｄａｉｍａｒ．ｉａｌｖｅｎｇｉｃｏｄｉｇｔｈｅｒｓｅｇ

一种基于偏好的个性化标签推荐系统

键字作为标签推荐给用户，Ｍｉｎ＿提出的一种简单的基如ｓｅ２ｈ
于内容的标签推荐系统。该系统根据用户提供的新书签（ｏｋａｋ确认与它相似的书签，ｂｏｍｒ）对应的标签被聚集，成一生个标签的列表，排在前面的标签最终被推荐给用户。ｂ协同）式的标签推荐利用了用户、源、签之间的关系为某一资源资标推导出最合适的标签集合。ＦｌＲｎ是一种基于图的标签ｏａｋｋ
ｃｓｏｉｉｎ．
Ｋｅｒｓｔｇ；ｕｅｒｆｅｍｂｇｉ；ｐｒｏａｉｄｒｃｍｍｅｄｔｏｙｗｏｄ：ａｓｒｐｏｌ；ａｉｕｔｉｙｅｎｌｅｅｏｓｚｎａｉｎ
社会标签（ｏｉｇｉｇ是Ｗｅ２０的主要应用之一。它ｓｃｌａｇ）ａｔｎｂ．首先由社会大众用户（ｓｒ）ｕｅ使用标签（ａｓ为项（ｔ进行ｓｔｇ）ｉｍ）ｅ
第２８卷第７期２１０１年７月
计算机应用研究
ＡｐｌａｉｎＲｅｅｒｈｏｏｕｅｓｐｉｔｓａｃｆＣｍｐｔｒｃｏ
Ｖｏ．８Ｎｏ７Ｉ２．
Ｊ１０１ｕ．２１
一
种基于偏好的个性化标签推荐系统
ＡｂｔａｔＦｒｔｐｏｏｅｇｒｃｍｍｅｄｔｎｓｓｅｂｓｄｏｓｒｐｏｌｆｐｅｅｅｃ．Ｔｅｏｔｅｒｃｍｍｅｄｄｔｇｓｒｃ：ｉｌｓｙ，ｒｐｓｄａｔｏａｅｎａｉｙｔｍａｅｎｕｅｒｆｅｏｒｆｒｎｅｈｎｆｍｅｏｏｉｒｈｎｅａｓｔｅｅｔｄｓｍｅｃｒａｎｔｇｉｈｃｕｄｒｄｃｈｍｂｇｉｆｅｅａｏｃｐｅｃｉｔｎ，ｎｅｏｅ，ｓｌｃｅｏｅｔｉｓｗｈｃｏｌｅｕｅｔｅａｉｕｔｏｎｒｃｎｅｔｓｒｐｉａｙｇｌｄｏａｄｒｃｍｍｅｄｃｕｄｔｅｏｎｏｌｍｔｈｕｅｓｆａｌ．Ｔｅｅｐｒｎｓｓｏａｈｎｌａｓｒｃｍｍｅｄｔｎｆｏｔｅｐｏｏｅｙｔｍａｅｔｒｅｉｂｌｙａｄｐｅｓｒｎｌｉｙｈｘｅｉｍｅｔｈｗｔｔｅｆａｇｅｏｈｔｉｔｎａｉｍｒｐｓｄｓｓｏｒｈｅｈｓｂｔｌｉｔｎｒ — ｅ．河海大学计算机与信息学院，南京２０９；．京邮电大学ａ算机学院；．育科学与技术学院；１１０８２南．计ｂ教ｃ经济与管理学院，南京２００）１０３摘要：建立一个基于用户偏好模型的标签推荐系统，该系统产生的标签集合中选择出能降低一般性概念描从

一种基于动机倾向的标签推荐方法靳延安

一种基于用户标签网络的个性化推荐方法

一种基于用户标签网络的个性化推荐方法
毛进;易明;操玉杰;沈劲枝
【期刊名称】《情报学报》
【年(卷),期】2012(031)001
【摘要】基于标签进行个性化推荐是目前的一个研究热点,不同的推荐算法对标签进行了不同的处理.用户使用的标签之间存在着某种内在联系,由此可构建用户标签网络.根据这一启示,本文提出了一种基于用户标签网络的个性化推荐算法.首先,将用户标签网络视为用户兴趣模型雏形,利用社会网络分析方法计算标签权重,并以加权标签集的形式表示用户兴趣模型,最后将标签权重转化为资源与用户兴趣的相似度,进而实现个性化推荐.实验表明,本方法能较为准确地揭示用户的兴趣,产生的推荐资源与用户兴趣匹配程度较高.
【总页数】7页(P24-30)
【作者】毛进;易明;操玉杰;沈劲枝
【作者单位】华中师范大学信息管理系,武汉,430079;华中师范大学信息管理系,武汉,430079;华中师范大学信息管理系,武汉,430079;华中师范大学信息管理系,武汉,430079
【正文语种】中文
【相关文献】
1.基于标签聚类与用户模型的个性化推荐方法研究 [J], 刘如娟
2.一种基于用户标签的社交网络好友推荐算法 [J], 汪强;何广达;杨安桔;张臣坤
3.基于社会化标签和历史价格曲线的网络结构个性化推荐方法 [J], 凌霄娥
4.一种综合 LBS 和社会网络标签的个性化推荐方法 [J], 陈平华;何婕;梁琼
5.一种用于网络用户行为聚类的标签自动生成方法 [J], 毕猛;邵中;徐剑
因版权原因，仅展示原文概要，查看原文内容请购买。

基于标签的协同过滤推荐方法研究

基于标签的协同过滤推荐方法研究作者：齐晶刘瀛刘艳霞胡美振乐海丰来源：《北京联合大学学报》2021年第02期[摘要] 摘要傳统基于物品的协同过滤算法由于物品相似度矩阵稀疏，推荐准确率不高。

针对这一问题，提出一种基于标签和改进杰卡德系数的协同过滤算法，进行电视节目个性化推荐。

首先，爬取相关信息对原始数据进行扩充，并利用统计学方法对时间特征进行归一化处理，计算用户偏好系数;然后，统计出现次数较高的类别作为推荐类别标签，并利用改进的杰卡德系数构造标签相似度矩阵;最后，根据推荐类别标签的用户偏好系数计算节目的推荐系数。

实验结果表明，基于标签的协同过滤算法可以降低稀疏矩阵对推荐准确率的影响，相比基于物品的协同过滤算法，准确率提高了5%，召回率提高了3.1%。

另外，使用改进的杰卡德系数计算相似度，减少了热门标签对推荐系统的影响，进一步将准确率提高了5%，召回率提高了2.3%。

[关键词] 关键词协同过滤;标签类别相似度;个性化推荐;惩罚系数;杰卡德系数[中图分类号] 中图分类号TP 391.3[文献标志码] A[文章编号] 1005-0310（2021）02-0047-06Research on Collaborative Filtering Recommendation Method Based onLabelsQi Jing1，Liu Ying2，Liu Yanxia2，Hu Meizhen2，Le Haifeng3（1. Tourism College， Beijing Union University， Beijing 100101， China; 2. College of Urban Rail Transit and Logistics， Beijing Union University， Beijing 100101， China; 3. College of Robotics， Beijing Union University， Beijing 100101， China）Abstract：摘要In the era of big data， traditional itembased collaborative filtering algorithms lead to the sparseness of item similarity matrix， and the recommendation accuracy rate is not high. To solve this problem， a labelbased collaborative filtering algorithm is proposed. First， this algorithm expands the original data by crawling the relevant information， and uses statistical methods to normalize the time characteristics to calculate the user preference coefficient. Next， it selects those with higher occurrences from all crawled categories as recommended category labels. The category constructs a label similarity matrix using the improved Jaccard coefficients that incorporate the penalty coefficients. Finally， the program recommendation coefficients are calculated according to the user preference coefficients of the recommended category labels. The experimental results show that thelabelbasedcollaborativefiltering algorithm can reduce the influence of sparse matrix on the recommendation accuracy. Compared with theitembased collaborative filtering algorithm，the accuracy rate increases by 5% and the recall rate increases by 3.1%. In addition， using the improved Jaccard coefficient to calculate the similarity can reduce the influence of hot tags on therecommendation system， and further improve the accuracy rate by 5% and the recall rate by 2.3% on the labelbased collaborative filtering algorithm.Keywords：关键词Collaborative filtering; Label category similarity; Personalized recommendation; Penalty coefficient; Jaccard coefficient0 引言北京联合大学学报2021年4月第35卷第2期齐晶等：基于标签的协同过滤推荐方法研究随着电视“互联网+”和电子商务的兴起，个性化推荐有了突飞猛进的发展，相关研究主要集中在推荐算法和推荐应用，不同类型的物品使用不同的推荐算法来达到既定的目的[1]。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

0
引言
社会标签是 Web 2． 0 时代的一个伟大创举，它将网络信息
用户使用标签的一般规律，试图从社会标签用户进行标注的动机出发为用户推荐社会标签。动机是推动人从事某种活动并朝一个方向前进的内部动是为实现一定目的而行动的原因。心理学认为，动机是个力，体的内在过程，行为是这种内在过程的表现
［1 ］
。因此，人们不
能直接观察动机，但可以间接推断。例如，用户标注“搜狐主页” 是为了便于浏览具体的网页内容、还是为了便于查找该网站，他的目标是什么；用户在进行标注时，是一直喜欢用中性词进行标注、还是喜欢用有感情的词进行标注等，可以通过诸如此类用户标注的行为和结果来间接研究用户标注的动机。表 1 汇总了有关社会标签系统中用户标注行为动机的研从理论证明究。从表 1 可以看出，数据的实证研究见。Sinha
Approach for tag recommendation based on orientation of motivation
JIN Yanan
（ Schoole of Information Management，Hubei University of Economics，Wuhan 430205 ，China）
［12 ］［8 ～ 11 ］［2 ］［6 ， 7 ］、证据观察研究，
关于标注行为动机的分类、评价和研究范围没有一致性的意对标注的整个过程进行了分析，认为标注过程分。标签推荐的基本方法是通过为用户在进
［2 ～ 4 ］
4， 6］将为有关资源的概念产生和概念选择两个阶段。文献［用户动机绝对二分为分类动机和描述动机，即要么是描述动机，要么是分类动机。显然，该分类方法并不符合现实情况。更客观地，应该是说用户更倾向于哪一种动机。倾向于描述的用户用标签来概括资源的内容，这些标签可以方便用户检索到资源；而倾向于分类的用户把标签看做分类的类目，这些标签可以帮助用户管理和浏览资源。本文将用户标注的动机分为描述倾向（动机）和分类倾向（动机）。通过深入分析众多社会标签系统和传统标签推荐方
出了度量用户和资源的动机倾向性的五种指标，并对其测度有效性进行了验证。基于此指标体系，建立了动机倾向性判别模型，并设计了推荐算法。实验结果表明，基于动机倾向的推荐算法比当前主流推荐算法具有更加准确的推荐结果。关键词：社会标签；标注；推荐系统；用户动机中图分类号： TP391 文献标志码： A 文章编号： 1001-3695 （ 2013 ） 01-072-06 doi： 10． 3969 / j． issn． 1001-3695． 2013． 01． 017
Abstract ： In order to recommend tags meeting the demand of social taggers，after deeply analyzing social tag spaces and previous recommendation methods， this paper used five indices to measure the users’and resources’motivation． After validating it proposed an orientation of motivation discrimination model （ OMDM），and designed an algorithm to the five metric indices， recommend tags based on the model． Experimental results show， that the proposed method can provide more accurate candidate tags than current mainstream methods． Key words： social tags； tagging； recommendation system； user motivation
［5 ］
资源的分类方式从原来基于少数专家的分类体系转变为广大 Web 用户的分类体系。Web 用户可以使用任意的词汇不受控地对网络信息资源进行分类，利用社会标签系统定义自己的分类，同时这种分类还可以被其他用户所分享。但是社会标签系统中标签不受控制地使用，给基于标签的分类系统带来了许多问题。出于对信息和词的不同理解，不同的用户不太可能使用完全一致的方法分类相同或者相似的信息。研究结果表明，基于标签的分类系统通常难以保证分类的一致性，并面临着冗余性、不完备性等问题。这些问题导致基于标签的分类系统在信息检索等领域中的实际应用效果大打折扣。为了保证分类的一致、完备，研究人员对标签推荐方法进行了大量的研究
行基于标签的分类过程中提供高质量的标签备选。截至目前，研究人员已经提出了大量的标签推荐方法，主要有基于网络结构的方法、基于张量的方法和基于主题的方法。这些方法都能从一定程度上解决其中的一个或几个问题，但依然存在冷启动、稀疏性和多样性等问题，最终导致用户不会从所推荐的备选列表中选用标签。笔者认为，如果能够捕捉到标注用户的标注动机，弄清楚用户为什么要标注 Web 信息资源及其标注习惯，据此进行推荐的效果会好于传统方法。因此，本文研究
第 30 卷第 1 期 2013 年 1 月
计算机应用研究 Application Research of Computers
Vol. 30 No. 1 Jan． 2013
一种基于动机倾向的标签推荐方法
靳延安
（湖北经济学院信息管理学院，武汉 430205 ）摘
*
要：为了能够推荐符合用户信息需求的标签，在深入分析社会标签空间和传统标签推荐方法的基础上，提