典型文献
基于概率元学习的矩阵补全预测融合算法
文献摘要：
随着互联网社交媒体规模的飞速发展,利用推荐算法对海量信息进行有效建模筛选和过滤,成为了研究用户行为偏好、热点倾向和网络安全态势等问题的关键.随着深度学习的发展,图神经网络模型在解决推荐系统应用中的密集型图结构数据时取得了较好效果.协同过滤算法作为得到最广泛应用的推荐算法,其利用用户-项目的群体交互数据来预测用户未来的偏好与项目评级.但现有的推荐算法仍面临着数据稀疏和冷启动问题,且缺少对不确定性的良好量化.文中提出了一种基于概率元学习的归纳矩阵补全预测融合算法(M etaIM C),该算法从贝叶斯推断的角度重新对元学习进行表征,构建了稳健的图深度神经网络元学习模型,充分利用数据先验知识提出从稀疏数据中学习新任务的解决方案.首先,M etaIM C可以有效地利用变分贝叶斯推理获得先验分布,缓解元模型任务训练中的不确定性和模糊性问题,进一步提升了模型的泛化能力;其次,在不借助任何用户边信息的情况下,实现新用户推荐的冷启动;最后,在传统矩阵补全及用户冷启动两个场景下,利用Flixster,Douban和Yahoo_music 3个公开数据集对模型的性能进行了评估,验证了MetaIMC在面对传统矩阵补全任务时的有效性,并在冷启动问题上达到了最优的效果.
文献关键词：
推荐系统;矩阵补全;图神经网络;元学习;变分贝叶斯推断
中图分类号：
作者姓名：
齐秀秀;王佳昊;李文雄;周帆
作者机构：
电子科技大学信息与软件工程学院 成都610054
文献出处：
引用格式：
[1]齐秀秀;王佳昊;李文雄;周帆-.基于概率元学习的矩阵补全预测融合算法)[J].计算机科学,2022(07):18-24
A类：
etaIM,Flixster,MetaIMC
B类：
元学习,矩阵补全,预测融合,融合算法,互联网社交媒体,推荐算法,用户行为,行为偏好,网络安全态势,图神经网络,推荐系统,系统应用,密集型,图结构数据,协同过滤算法,用用,群体交互,交互数据,评级,数据稀疏,冷启动问题,确定性的,深度神经网络,先验知识,稀疏数据,新任务,变分贝叶斯推理,先验分布,解元,模糊性,泛化能力,何用,边信息,新用户,用户推荐,用户冷启动,Douban,Yahoo,music,公开数据集,上达,变分贝叶斯推断
AB值：
0.347189
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
