Toggle navigation
首页
期刊介绍
期刊简介
历史沿革
收录情况
获奖情况
引用指标
编委会
期刊在线
文章推荐
过刊浏览
专辑专刊
下载排行
阅读排行
投稿指南
组稿方向
投稿须知
论文模板
常见问题
署名变更申请
单位变更申请
版权转让协议
中图分类号
引言书写要求
参考文献著录格式
插图与表格规范
英文摘要书写要求
收费标准
学术诚信
联系我们
编辑部联系方式
位置示意图
期刊订阅办法
广告合作
English
期刊
出版年
关键词
结果中检索
(((刘兴红[Author]) AND 1[Journal]) AND year[Order])
AND
OR
NOT
文题
作者
作者单位
关键词
摘要
分类号
DOI
Please wait a minute...
选择:
导出引用
EndNote
Ris
BibTeX
显示/隐藏图片
Select
1.
融合时空感知GRU和注意力的下一个地点推荐
李全, 许新华, 刘兴红, 陈琦
计算机应用 2020, 40 (
3
): 677-682. DOI:
10.11772/j.issn.1001-9081.2019071289
摘要
(
728
)
PDF
(669KB)(
427
)
可视化
收藏
针对循环神经网络(RNN)的门控循环单元(GRU)在进行地点推荐时没有考虑地点的时间和空间信息的影响,提出了融合时空感知的GRU模型。另外,对于签到序列中不相关的签到数据会产生噪声的问题,提出了融合时空感知的GRU和注意力的下一个地点推荐模型(ST-GRU+Attention)。首先,通过计算两个地点之间时间间隙和距离间隙,在GRU模型的基础上增加时间门和空间门,设置权重矩阵,控制时间信息和空间信息对推荐下一个地点的影响;然后,引入注意力机制,通过计算用户偏好的注意力权重得分,得到用户的注意力权重系数,获取用户的个性化偏好;最后,通过贝叶斯个性化排序(BPR)算法构造目标函数并学习模型参数。实验结果表明,与个性化马尔可夫链和用户位置受限的推荐方法(FPMC-LR)、基于个性化排名度量嵌入的推荐方法(PRME)和融合时间和空间的循环神经网络(ST-RNN)的推荐方法相比,ST-GRU+Attention的准确度有了较大的提高,其准确率(Precision)和召回率(Recall)两项指标比较优的ST-RNN算法分别提高了15.4%和17.1%。ST-GRU+Attention推荐方法可以有效地改善地点推荐的结果。
参考文献
|
相关文章
|
多维度评价
Select
2.
基于联合概率矩阵分解的个性化试题推荐方法
李全, 刘兴红, 许新华, 林松
计算机应用 2018, 38 (
3
): 639-643. DOI:
10.11772/j.issn.1001-9081.2017082071
摘要
(
508
)
PDF
(923KB)(
484
)
可视化
收藏
近年来随着在线教育中试题资源数量爆炸式的增长,学生很难在海量的试题资源中找到合适的试题,因此面向学生的试题推荐方法应运而生;然而,传统的基于概率矩阵分解的试题推荐方法没有考虑学生的知识点掌握信息,导致推荐结果准确率低,为此,提出一种基于联合概率矩阵分解的个性化试题推荐方法。首先,通过认知诊断模型得到的学生知识点掌握信息;然后,结合学生、试题和知识点三者信息进行联合概率矩阵分解;最后,根据难度范围进行试题推荐。实验结果表明,与其他传统推荐方法相比,所提方法在不同难度试题推荐的准确率上取得了较好的推荐结果。
参考文献
|
相关文章
|
多维度评价
Select
3.
基于联合概率矩阵分解的个性化试题推荐方法研究
李全 刘兴红 许新华 林松
录用日期: 2017-10-13