Feb, 2024

使用混合多准则推荐系统与遗传优化帮助大学生选择选修课程

PDF
TL;DR使用混合推荐系统，结合协同过滤与基于内容过滤的方法，根据学生和课程信息，通过遗传算法自动发现最佳配置，以更可靠地推荐最适合的课程。实验结果表明，混合模型在课程推荐中的重要性，使用该模型相较于之前的模型表现出色。
recommendation systemscollaborative filteringcontent-based filteringgenetic algorithmcourse recommendation
发现论文，激发创造
  • 基于目标的课程推荐

    通过建立循环神经网络推荐系统来为学生推荐课程，以帮助其准备所需的目标课程，这一体系结构是针对学生先前知识背景和发展区域进行个性化定制的，并且通过等级预测和挖掘大学先修关系等测试进行验证。

    Dec, 2018

  • 多标准推荐系统促进在线杂货业务

    通过使用词袋和基于神经网络的文档组合方法（Doc2Vec），本研究提出了产品、包装和健康三个标准的在线食品杂货推荐系统，通过使用这两种文档表示方法，在产品特性（成分、包装、营养表，过敏原等）等方面提供最佳的推荐，调查结果显示基于神经网络的 Doc2Vec 方法的表现更好且完全改变了结果。

    Dec, 2023

  • 基于协同过滤的具有物品依赖的课程推荐的两阶段模型

    基于协同过滤模型的课程推荐引擎的提出与优化，解决了缺乏评级和元数据、课程注册不平衡以及课程依赖性建模等挑战，并通过基于课程转换网络的图推荐器，实现了真实数据集 AUC 值高达 0.97。

    Nov, 2023

  • 个性化课程顺序推荐

    本文提供了一种系统的方法，使用前向搜索反向归纳算法优化选择课程序列，结合多臂赌博机算法推荐个性化课程序列，从真实的学生数据实证了该算法优于其他无法考虑学生背景信息的方法。

    Dec, 2015

  • 综合评分、社交关系和评论的综合推荐方法

    本文旨在探讨如何通过数据融合来提高评分预测的准确性，通过扩展 Social MF 模型以及提出新的 MR3 框架，即通过整合邻居关系、评分和隐藏主题等三种信息来创造新的推荐系统，提高了推荐系统的准确性。本文通过两个真实世界数据集的评测衡量了每种数据来源对所提出框架的贡献。

    Jan, 2016

  • 基于图学习的推荐系统综述

    本文回顾了基于图学习的推荐系统，特别是讨论了如何从基于图的表示中提取重要的知识来提高推荐的准确性、可靠性和可解释性。

    May, 2021

  • 基于生成模型的现代推荐系统综述

    通过综合和多学科的调查研究，本文连接了使用生成模型（Gen-RecSys）在推荐系统中的关键进展，包括：基于交互驱动生成模型的基础概述；大型语言模型（LLM）用于生成推荐、检索和对话推荐的应用；以及用于处理和生成图像和视频内容的多模态模型在推荐系统中的整合。我们的全面观点使我们能够突出评估 Gen-RecSys 的影响和风险所必需的范式，并确定开放挑战。有关论文的更加最新版本可在此 https URL 找到。

    Mar, 2024

  • 解决大学课程分配问题的混合进化方法

    本文介绍了针对大学课程分配问题所面临的种种约束、困难及其解决方案，提出了一种混合演化算法来生成最佳的课程分配方案，并复杂构建相关约束以便为每位教员准备出无冲突且高效的课表，以减轻手动分配的工作量。所提出的算法相较于基本优化算法在准确性和时间效率上表现更优。

    Nov, 2022

  • 互惠推荐系统：对最新文献、挑战和社交推荐机会的分析

    本文介绍了先进推荐系统技术的快照，重点关注了 Recommender Systems，Reciprocal Recommender System 等 RRS 算法，以及融合过程和社交推荐应用的挑战和机遇。

    Jul, 2020

  • 在线和移动社交网络的推荐系统：一项调查

    该研究论文是一篇关于在在线和移动社交网络中设计和实现推荐系统的综述，重点介绍了如何利用社交上下文信息来改善推荐任务，以及标准算法如何在完全分布式环境中进行增强和优化，并讨论了这些系统的优缺点和性能评估。

    Jun, 2023