CD-SPM：基于序列模式和规则挖掘的跨域推荐系统优化方法

沙特国王大学学报CD-SPM：基于序列模式和规则挖掘的Taushif Anwar，V.Uma计算机科学系，工程与技术学院，本地治里大学，本地治里605014，印度阿提奇莱因福奥文章历史记录：2018年10月31日收到2019年1月18日修订2019年1月27日接受在线预订2019年保留字：语义相似度本体跨域推荐协同过滤PrefixSpanA B S T R A C T推荐系统根据用户的兴趣对推荐信息进行过滤，从而实现个性化推荐。如今，用户喜欢在最短的时间内购买最好的商品和服务跨领域推荐系统是一种从多个领域收集知识的推荐方法。关于用户来自源域的搜索项，从目标域推荐最相似的项目。利用本体的Wpath方法可以实现两个不同项目之间的语义相似度使用PrefixSpan生成序列模式，使用Topseq规则挖掘算法发现频繁序列规则。因此，本文尝试扩展跨域推荐：1）使用本体发现项目的语义相似性; 2）应用协同过滤发现相似项目和用户; 3）使用PrefixSpan序列模式挖掘算法生成频繁项目序列;4）使用Topseq规则挖掘算法推荐用户偏好项目。推荐系统的评估考虑到精度，召回率和F1得分的措施。它发现CD-SPM产生更好的F1分数。该方法也在一定程度上解决了新用户问题和稀疏性问题©2019作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍推荐系统是信息过滤系统的一个子类它有助于从大量的项目中找到用户感兴趣的项目。互联网的指数增长和在线数据的爆炸成为一个信息开销问题。在正确的时间找到正确的信息已经成为一个挑战性的问题。 RS用于各种领域以减少信息开销问题，如电子商务、电子学 习、 电影、 音乐 、新闻 、书 籍和研 究文章 （ Zhou 等人 ，2018;Abdullah等人，2019年）。RS用于检索Internet上 通过使用这一点，我们可以增加平均订单价值，并轻松减少服务中的流量，改 善 向 用 户 提 供 相 关 内 容 的 情 况 （ Cambria et al. ， 2017;Al-Adrousy等人， 2015年）。*通讯作者。电子邮件地址：taushif21589@gmail.com（T.Anwar）。沙特国王大学负责同行审查RS通常根据他们如何推荐项目进行分类。通常，使用三种方法，即协同过滤（CF）、基于内容的过滤（CBF）和混合过滤（HF）。CF用于推荐具有相似品味的其他用户偏好的项目（Lee等人，2019年）。基于内容的过滤（CBF）与CF不同，并且用于根据用户特征推荐内容（Wang等人，2018年）。HF方法试图合并不同的滤波方法来处理RS的传统问题（Tarus等人， 2018年）。跨域推荐系统（CDRS）具有访问属于一个或多个域的信息的能力。可以通过利用来自源域的知识并增强目标域中的推荐来改进CDRS（Fernando-Tobias等人，2019年）。通过应用这一点，我们可以实现更好的准确性并克服数据稀疏问题（Hwangbo和Kim，2017）。知识表示技术可以用来表示不同领域的特征以分级的方式。这有助于对概念进行分类。映射的概念可以更精确地完成，从而获得更好的准确性（Zhu和Iglesias，2017）。本体用于领域知识的表示。Ontology表示概念和事实之间的关系。本体用于描述个体、类、属性和关系。本体也可以用知识图https://doi.org/10.1016/j.jksuci.2019.01.0121319-1578/©2019作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com794T. Anwar，V. Uma/Journal of King Saud University- Computer and Information Sciences 34（2022）793- 800（Obeid等人，2018; Zouaoui和Rezeg，2018）。在这项工作中，KG被用来计算属于2个不同领域的两个概念之间的语义相似度。语义相似性可以通过找到知识图中概念之间的最短距离来计算（Ali et al.，2017年）。语义相似性是一种衡量不同实体、单词、句子或文档之间相似性的技术。它可以通过描述拓扑本体来评估（Saleena和Srivatsa，2015;Nilashi等人，2018年）。有两种主要的技术用于测量词之间的相似性，即分组方式和成对方式。一方面有集合、图和向量三种表示方法，另一方面，两个词集合之间的相似度可以通过组合词集合中词之间的相似度来计算。Wpath语义相似度方法用于计算概念之间的语义相似度（Zhu和Iglesias，2017）。当CF与语义相似度相结合时，可以减少多个领域中存在的过载信息。通过这种方式，我们可以获得更高的准确性和更好的推荐。CF可以通过考虑不同用户对多个域中存在的项目给出的评级来实现在应用CF时，采用调整余弦相似度方法计算项目间的相似度.通过使用项目间的相似度，我们可以很容易地确定与用户兴趣相匹配的项目。计算用户之间的相似度，以确定最相似的用户，这有助于基于相似度检索项目。所识别的项目表示被认为是序列的项目的用户偏好（Liu等人， 2014年）。序列模式挖掘（SPM）用于从序列中发现频繁模式。PrefixSpan（ 即 ， 投 影 序 列 模 式 挖 掘 ） 是 用 于 序 列 模 式 挖 掘 的 算 法 之 一（Maylawati等人，2018年）。它挖掘序列，用于减小数据库的大小。它通过固定前缀和仅投影数据库中的后缀序列，在频繁搜索的帮助下检索最相关的序列。它提供了比其他模式挖掘算法更好的性能（Fournier-Viger等人，2011年）。Topseq规则算法用于发现顺序规则，并帮助以过滤顺序推荐项目。总之，在这项工作中，本体是用于表示知识的两个领域，即电影和书籍。使用Wpath方法测量属于多个领域的概念之间的语义相似性，并使用CF检索最相似的项目（Zhu和Iglesias，2017）。最后，使用PrefixSpan算法和Topseq规则识别频繁模式（Fournier-Viger和Tseng，2011; Nguyen等人，2018年）。顺序规则中的项目将作为建议给出因此，建议的跨域推荐系统将推荐基于语义相似性度量的项目（见图）①的人。因此，这项工作可以提供跨域的电子商务中的推荐项目，通过考虑用户的项目评级。Fig. 1.跨域推荐。这项工作背后的动机在第2节中解释。第三部分是文献综述。第4节介绍了CD-SPM系统的体系结构和实现该系统所涉及的模块。第5节简要介绍了实验装置和实施措施。第6节讨论了所获得的结果，第7节总结了论文。2. 研究动机下面的研究问题给出了做这项研究工作的动机：在这项拟议的工作中，我们遇到了一个与CDRS相关的一般研究问题如何开发和设计一个CDRS模型，提供更好的建议？为了回答这个问题，我们设计了子问题。什么类型的推荐系统可以克服新用户的问题，以便当一个新用户谁提供了很少的评分加入系统，他/她可以推荐符合他们的兴趣项目？ 当新用户进入系统时，RS没有关于用户兴趣和测试的信息，就会出现新用户问题。因此，它无法提供适当的建议。在CDRS中，新用户问题通过使用从各个源域收集的用户偏好来解决什么样的推荐系统可以处理稀疏性并提高准确性？当可能有很少的用户较少的偏好和许多未评级的项目，然后条件变得稀疏，这导致数据稀疏问题。在各种领域中，每个项目和用户的平均评级数较低，这可能直接影响推荐质量（Tan等人，2014年）。在该方法中，使用PrefixSpan算法，检索最相似项的序列模式然后，应用Topseq规则生成最频繁的书籍序列。通过这样，可以提高推荐准确性并且可以有效地解决稀疏性问题（Jiang等人，2015年）。什么类型的推荐系统提供了项目推荐的多样性，以及如何提供？多样性表示推荐项目之间的差异。在多样性中，不相关的项目被建议在列表中。CDRS使用两个或多个域，并给出不同的建议。本文从电影的角度来介绍图书。通过这种多样性，实现了对用户偏好的更好覆盖，从而产生更好的推荐。上述研究问题的动机，提出了一个CDRS，以克服新的用户，数据稀疏的问题，并提供多样化的建议。3. 文献调查研究人员如（Tarus等人，2018年）提出了一个混合的基于知识的RS的电子学习。在该方法中，作者结合了上下文感知，本体和序列模式挖掘。语境感知是指将学习者的学习目标、知识水平等语境信息整合到学习者的语境中本体用于表示和建模学习者和学习资源的领域知识SPM为学习者生成连续的学习模式实验结果表明，基于混合知识的RS方法具有较好的推荐精度，并克服了数据稀疏和冷启动问题。提出了一种基于深度递归神经网络的推荐，以解决实时定制推荐服务（Wu等人，2016年）。该方法使用多个隐藏层跟踪用户的浏览模式每个隐藏层模型都是如何访问网页以及访问顺序的组合。为了降低处理成本，网络仅T. Anwar，V. Uma/Journal of King Saud University- Computer and Information Sciences 34（2022）793-800795存储有限数量状态，旧状态折叠成单个历史状态。当用户打开一个新的网页时，该模型也会不时地刷新推荐结果。在此基础上，将递归神经网络与前馈网络相结合，提高了预测精度。在实验测试中，使用Koala（http://www.kaola.com）数据集，结果表明深度递归神经网络的性能明显优于先前的CF（协同过滤）方法一些研究人员，如李等人。（2018）提出了使用跨域媒体流的兴趣发现事件。第一部分讨论了各种数据集内容的规范化方法，以供比较，第二部分讨论了使用基于图的算法合并规范化的内容实验结果表明，与生成图和k-NN方法相比，该模型的精度提高了57%.Zhang et al.（2017）提出了一种使用一致信息传输的CDRS，它在知识从一个领域转移到另一个领域期间保持一致性。对于实验测试，五个真实世界的数据集有三个域，即，书籍、电影和音乐都被使用。结果表明，一致的信息传递提高了目标域推荐的准确性.Mirbakhsh和Ling在2015年提出了使用基于聚类的矩阵分解的CDRS。这种方法可以更有效地利用通过使用跨域数据集，有望提高精度并减少数据稀疏性问题。图2示出了CD-SPM系统架构。4.1. 涉及的技术4.1.1. WPATHWpath（加权路径长度）用于计算两个项目之间的语义相似度。使用本体表示跨领域知识，并且应用Wpath来找到语义相似性（Chergui等人，2018年）。与传统的基于知识的方法相比，Wpath方法的主要优点之一是消除了均匀距离问题。根据均匀距离问题，具有相同路径长度的任意两个节点的语义相似度总是相同的。Wpath方法结合了概念的信息性（InformativityofConcept，IC）是概念间语义相似度和路径长度的度量.在表1中，提供了使用WordNet的各种语义相似性度量之间的比较，即path、li、lin、res、jcn和Wpath。从表中可以很容易地推断出Wpath相似性度量克服了均匀距离问题（Zhu和Iglesias，2017）。因此，在这项工作中，Wpath测量用于找到项目之间的相似性。例如，图3呈现了电影书籍概念税收的片段。Wpath语义相似性使用等式（Eq.（一）.1从辅助域检索数据，以实现更好的检索，主要是为冷启动用户。在该方法中，有效WpathSimilarity1长度。Ci;CjωKICCLCSÞð1Þ利用跨域数据提高了准确率。对于实验测试，使用Amazon数据集和Epperial真实世界数据集Tan等人（2014年）提出的CDRS基于贝叶斯分层方法和潜在狄利克雷分配（LDA），用于跨媒体或跨域转移用户兴趣。基于CDRS的学习模型结合了多种类型的媒体信息：评级，用户生成的文本数据和媒体描述。在实验测试中，使用了MovieLens和Amazon真实世界数据集。实验结果表明，该方法有效地解决了数据稀疏性问题。Hao等人提出的使用社会标签和协作过滤的跨域推荐。（2016年）。社会标签用于连接不同的域，以处理数据稀疏性问题。用户标 签 取 自 两 个 公 开 可 用 的 数 据 集 ， 即 。 Movie-Lens 数 据 集 和LibraryThing数据集通过连接这两个域，作者控制了稀疏性问题，提高了系统效率。通过文献调研发现，跨领域推荐系统的研究已经很多。但是，结合CF和序列模式挖掘的跨领域推荐本文将协同过滤、PrefixSpan和Topseq规则（CD-SPM）三种方法相结合。我们发现，CD-SPM给出了更高的F1 Score度量，其指定了推荐准确性。4. CD-SPM系统在该系统中，利用本体和序列模式挖掘技术实现了电子商务中的图 书 推 荐 。 CDRS 提 供 了 两 个 不 同 的 领 域 ， 即 电 影 和 书 籍 。Ontology 用 于 知 识 表 示 （ Nilashi 等 人 ， 2018 年 ;Kermany 和Alizadeh，2017年）。使用Wpath方法计算语义相似度，并使用CF预测项目评分矩阵。PrefixSpan算法用于检索用户偏好项的序列模式。Topseq规则有助于建议书籍的顺序。该方法其中k2 <$1;0 <$1，其中ci和cj分别属于源域和目标域，当k = 1时，IC没有贡献最短路径长度。K表示最小com的贡献mon substrate（lcs）4.1.2. 协同过滤CF用于过滤相似的项目，根据用户的相似兴趣分离项目本文利用用户评分数据集，将CF 通过使用调整后的余弦相似度，生成项目-项目相似度，并在奇异值分解（SVD）的帮助下形成预测矩阵（Nilashi等人， 2018年）。SVD是一种矩阵分解方法，用于数据挖掘，机器学习和理论计算机科学等各个领域。SVD产生的矩阵成为数据科学的一种语言本文将第一种语义相似性度量应用于Ontology和与之相关的大多数相似图书，图二. CD-SPM系统架构。. P. P-×-;XX¼ð Þ ðÞ其中i和j代表两本书，Ru;i代表用户u给出的项目i;Ru是所有评级的平均评级¼1/1我我n796T. Anwar，V. Uma/Journal of King Saud University- Computer and Information Sciences 34（2022）793- 800表1语义相似度方法在概念对（电影-书籍）实例上的应用路径李林ResJCNWPATH浪漫-神秘0.3330.112111.7511浪漫幻想0.250.5470.6727.5590.1190.642喜剧-神秘0.09090.1120.2472.6190.05910.152爱情小说0.3330.6690.7857.5590.1940.729奇幻惊悚0.20.4480.597.5590.0890.574浪漫-惊悚0.250.5480.597.7970.0860.655青少年-儿童0.3330.670.8487.3870.2740.722青少年-年轻0.1660.3670.2532.3330.0690.251儿童-年轻0.20.4480.32.3330.0860.2964.1.4. Topseq规则Topseq规则是一种序列规则挖掘算法，通过改变置信度对频繁序列中的项进行排序，挖掘前K个序列规则。该算法具有出色的性能和可扩展性（Fournier-Viger和Tseng，2011）。5. 实验装置5.1. 数据集描述图三. 电影-书籍概念分类法的一个片段使用Wpath找到给定的电影。然后将CF应用于项目评分矩阵。利用该评价矩阵求出项目间相似度矩阵，并采用修正余弦相似度度量方法求出项目间相似度。两个项目向量（i，j）之间的调整后余弦相似性可以使用等式（1）计算（二）、我们使用了MovieLens 100 K数据集的免费数据集，其中包含943名用户对1682部电影的100，000个评级。1获取详细信息（用户id、电影id、电影名称、评级、类型）。我们还使用了来自github.com的 Book域数据集，其中数据集包含了属于30种流派的207，572本书的详细信息。2详细信息（Book id，Book name，Genre id，Genre name）存在于数据集中。用户评级是综合生成的。5.2. 评估指标5.2.1. 均方根误差RMSE计算预测值和实际值之间的偏差Simði;jÞRu iRuRu jRu1/4q.ffiffi ffiPffiffiffiffiffi ffiRffiffiffiffiffiffi ffi—ffiffiffiffi ffiRffiffiffiffi ffiΣffiffi2ffiffi×qffi.ffiffiPffiffiffiffiffiffiRffiffiffiffiffiffiffi-ffiffiffiffiffiRffiffiffiffiffiΣffiffi2ffiffið2Þ评级（Zhang等人，2017年）。它可以使用下面在Eq. （四）、u;i uu;j usXnP-r2由用户U提供。类似地，使用调整余弦公式计算用户-用户相似度矩阵。然后使用预测矩阵（Li等人，2018; Kumar等人，2018年）。预测矩阵使用等式中给出的公式计算（三）、其中n是项目集上的总评分数，Pi是用户对项目i的预测评分，ri是用户对项目i的实际评分，关于项目i。5.3. 推荐准确度Pu;iteNsimi;t×Ru;tteNsimi;tð3ÞRS的准确性是建议中最重要的部分dation. RS的准确性衡量算法在建议与用户兴趣相匹配的项目方面其中，n是由活跃用户评定的最相似项目的邻域用户u，并且sim（i，t）是项目i和t之间的相似性在计算预测矩阵后，根据用户兴趣生成项目序列，然后应用PrefixSpan算法生成频繁序列。精确度描述了正确推荐的图书CRb和总推荐图书TRb的比率。它显示 了 测 量 值 彼 此 之 间 它 表 示 正 确 的 阳 性 观 察 结 果 的 比 率（Mannepalli等人， 2018年）。4.1.3. PrefixSpan算法精密度CRbTRbð5Þ对于频繁模式挖掘，采用PrefixSpan算法PrefixSpan算法还提供了高效的处理，并减少了投影数据库的大小通过应用该算法，可以向用户推荐最相似且也是最优选的项目。它有助于挖掘序列并检索最优选的项目序列（Pei等人，2001; Ma和Ye，2018）。回忆表示推荐项目序列中相关和优选项目的存在（Tong等人，2018年）。它是正确推荐图书的比例，也是相关图书的比例你好1https://grouplens.org/datasets/movielens/1m/。2https://github.com/uchidalab/book-dataset。RMSE¼ð4Þ¼T. Anwar，V. Uma/Journal of King Saud University- Computer and Information Sciences 34（2022）793-800797召回CRbRbð6Þ6.2. 支持v/s序列模式数和所需的总时间通过考虑诸如0.3、0.5和0.7的各种支持值，F1得分是精确度和召回率的加权平均值和调和平均值F1分数是一个更好的衡量标准，因为它表示精确度和召回率之间的平衡2×精确度×召回率表3中给出了关于1）《玩具总动员》2）《马上得到》3）《十二只猴子》4）《萨布丽娜》5）《迷失儿童之城》所生成的顺序模式的相应数量和所花费的总时间的细节。F1分数¼精确度和召回率6.2.1. 支持v/s序列模式通过考虑不同类别的电影，绘制图表6. 实验结果6.1. 错误率我们的实验结果表明，基于用户的CF均方根误差（RMSE）是2.95（最高）的情况下，电影得到不久和2.530（最低）与玩具总动员。在基于项目的CF中，RMSE率在电影Get Shortly的情况下为3.37（最高），在电影Twelve Monkeys的情况下为2.96（最低）。当我们谈论基于用户的CF时，在这种情况下，均方误差（MSE）为3.50（最高）电影Get Shortly和3.06（最低）与电影Sabrina。表2以图形方式表示，如图2所示。 四、表2错误率的比较。基于用户的CFRMSE基于项目的CFRMSE基于用户的CFMSE玩具总动员2.5303.2533.298快来2.9543.3763.503十二猴子2.6132.9673.145塞布丽娜2.5353.1873.067迷失儿童2.5173.1943.302见图4。错误率的图形表示。在支撑之间，生成的顺序图案的数量在图5中示出。从图5中可以发现，通过增加支持值，顺序规则减少。6.2.2. 支持v/s所需的通过考虑不同类别的电影，在支持度和总花费时间之间绘制了图，如图6所示。从图6中可以看出，通过增加支持值，执行时间减少。从分析中发现，支持值0.5给出了更好的结果，在顺序模式的数量和执行时间。因此，在我们的工作中，最小支持度阈值设置为0.56.3. 置信度v/s序列模式的数量和所需的总时间在生成顺序规则时，通过将置信度值改变为0.6、0.8和1.0，在表4中呈现了生成的顺序规则的相应数量和书籍1）玩具总动员2）尽快获得3）十二只猴子4）萨布丽娜5）迷失儿童之城所需的总时间的细节。6.3.1. 置信度v/s顺序规则通过考虑不同类别的电影，在置信度和生成的顺序规则的数量之间绘制图，图五、支持与顺序模式的数量表3支持与顺序模式的数量和所需的总时间0.30.50.7序贯数量需时间序贯数量需时间序贯数量需时间模式在ms模式在ms模式在ms玩具总动员43751223288102287395很快得到62842062289135132360十二猴子86821252121027塞布丽娜5756108266592188550迷失儿童3708172248783114335798T. Anwar，V. Uma/Journal of King Saud University- Computer and Information Sciences 34（2022）793- 800如图7所示。从图7中可以发现，通过增加置信度值，顺序规则会减少。（见表5）。6.3.2. 置信度v/s所需通过考虑不同类别的电影，在置信度和所花费的总时间之间绘制了图，如图所示。8.第八条。 从图 8，发现通过增加置信度值，执行时间得到减少。(See 图 9）。从分析中发现，置信度值0.8给出了更好的结果，顺序规则的数量和执行时间。因此，将置信阈值设定为0.8，用于衡量推荐精度。6.4. CD-SPM和CFvu1Xn2已知的机器学习算法k最近邻（KNN））（Bilal等人，2016年）。已经使用了五种不同类别的电影（这在前面的部分中已经解释过），并且发现所提出的方法CD-SPM提供了更好的推荐准确度，具有更好的精确度、召回率和F1分数值。图10这是因为在该方法中使用了PrefixSpan算法，该算法检索最相似项的序列模式，并且Topseq规则有助于生成最频繁的书籍序列。7. 结论所提出的方法CD-SPM可以推荐最预通过结合Wpath、协同过滤和SPM，从不同领域中推荐出具有更高推荐准确率的项目在RMSE¼tn1/1Pi-Aið8Þ我们的工作，Wpath有助于找到属于多个域的项目的语义相似性。PrefixSpan算法有助于其中n是项目集合上的项目的总数，Pi是用户ui的预测项目的总数，并且Ai是用户ui的实际推荐项目。在CD-SPM中，使用PrefixSpan算法生成序列模式，然后使用Topseq规则生成最频繁规则误差比较是使用RMSE值calculu- lated使用方程。（八）、与CF相比，使用CF和SPM的CD-SPM实现了6.5. 精确度、召回率和F1得分6.5.1. 基于评价参数的CD-SPM和现有CF-KNN方法的比较在比较分析中，将所提出的CD-SPM方法与CF-KNN（协同过滤与良好的图六、支持与所需的总时间检索频繁序列，Topseq规则提取序列中的首先，使用RMSE使用五个不同类别的电影进行误差比较，结果表明，该系统给出了较小的错误率。最后，从查准率、查全率和F1得分三个方面对模式挖掘算法进行了结果表明，CD-SPM的性能优于CF-KNN方法。该方法在一定程度上解决了将一个领域的知识（评分）应用到另一个领域时出现的新的用户问题和稀疏性问题，并针对这两个领域提供了多样化的推荐。在未来，多域推荐可以被合并，以提供更多样化的推荐。可以使用迁移学习，以便从一个领域学习可以见图7。置信度与序列模式的数量。表4置信度v/s顺序模式和所需的总时间60%置信80%置信100%置信顺序规则所需时间（ms）顺序规则所需时间（ms）顺序规则所需时间（ms）玩具总动员865830593222567420很快得到十二96841155764107255394猴子17874103903086847180塞布丽娜1203285864670820863迷失儿童649422446218392715T. Anwar，V. Uma/Journal of King Saud University- Computer and Information Sciences 34（2022）793-800799表5精确度、召回率和F1分数的比较。精度召回F1分数CF-KNNCD-SPMCF-KNNCD-SPMCF-KNNCD-SPM玩具总动员0.8180.9330.5450.9330.6540.933很快得到0.7330.9640.7400.8930.7360.926十二猴子0.800.980.500.920.6150.949塞布丽娜0.750.9680.500.9330.600.950迷失儿童0.8130.8930.560.8850.6630.889见图8。 信心vs总时间见图11。 CF-KNN和CD-SPM（CF + SPM）的回忆比较。见图9。 CF和CD-SPM之间的RMSE比较。见图10。 CF-KNN与CD-SPM（CF + SPM）的精度比较。见图12。 CF-KNN和CD-SPM（CF + SPM）之间的F1评分比较。转移到另一个域。此外，上下文推荐可以考虑随着时间的推移而变化的用户兴趣此外，RNN（递归神经网络）可以被应用于建模的用户会话，并提供个性化的推荐。引用阿卜杜拉湖，拉姆利河，Bakodah，H.，奥斯曼，M.，2019.发展电子商务因素间的因果关系：一种决策方法。J.沙特国王大学- Comput. INF. Sci.Al-Adrousy，W.M.，阿里，H.A.，哈姆扎，T. T.，2015.移动自组网中的团队组建推荐系统。J. 沙特国王大学Comput. INF. Sci. 27 ，147-159。Ali，F.，Kwak，D.，Khan，P.，Ei-Sappagh，S.H.A.，伊斯兰，S.R.，帕克，D.，郭，K.-美国，2017年。融合本体与支持向量机的社交机器人信息抽取与推荐系统。IEEE Access 5，12364-12379。Bilal，M.，Israr，H.，沙希德，M.，汗，A.，2016.使用朴素贝叶斯、决策树和knn分类技术对罗马-乌尔都语观点进行情感分类。 J. 沙特国王大学Comput. INF. Sci. 28，330-344。800吨Anwar，V. Uma/Journal of King Saud University- Computer and Information Sciences 34（2022）793- 800Cambria，E.，S.，Gelbukh，A.，Thelwall，M.，2017.情绪分析是一个大箱子。IEEEIntell.系统32，74-80。Chergui，W.，Zidat，S.，Marir，F.，2018.基于本体模型的隐性知识获取方法。J.沙特国王大学- Comput.信息科学费尔南迪-托比亚斯岛坎塔多岛Tomeo，P.，Anelli，V.W.，Di Noia，T.， 2019.解决用户冷开始与跨域协同过滤：在矩阵分解中利用项目元数据。用户建模和用户-适应互动，pp。1-44。Fournier-Viger，P.，Nkambou河，Tseng，V.S.- M.，2011.规则增长：通过模式增长挖掘多个序列共有的序列规则。2011年ACM应用计算研讨会论文集。ACM，pp.956- 961Fournier-Viger，P.，曾文生，字子豪，字子荣，2011.在：挖掘top-k顺序规则在国际会议上先进的数据挖掘和应用。施普林格，pp. 180-194。Hao，P.，Zhang，G.，中国农业科学院，卢，J，2016. In：Enhancing cross domainrecommendation withdomain dependent tags In Fuzzy Systems （ FUZZ-IEEE ） ，2016 IEEE InternationalConference on. IEEE，pp. 1266-1273年。Hwangbo，H.，Kim，Y.，2017.数据稀疏性和数据重叠性对跨域协同过滤性能影响的实证研究。专家系统Appl·89，254-265.蒋，M.，Cui，P.，陈旭，王福，朱伟，杨，S.，2015年。具有跨领域可转移知识的社会推荐。IEEE Trans. Knowl. Data Eng. 27，3084-3097。Kermany，N.R.，Alizadeh，S.H.，2017年。一个结合本体论与模糊神经技术的混合多准则推荐系统。电子通讯。Res. Appl.21，50-64.库马尔，P.，库马尔，V.，Thakur，R.S.，2018.一种基于协同过滤的收视率预测系统。伊朗河Comput. 科学，1-7库马尔，P.，Thakur，R.S.，2018. 推荐系统技术及相关问题综述。Int. J. INF. Technol.10，495-501.李，J.，Hwang，W.-美国，Parc，J.，李，Y.，金，S.- W.，Lee，D.，2019. l-注入：使用不感兴趣的项目进行有效的协同过滤。 IEEE Trans. Knowl. 数据工程31，3-16。李，W.-是的，许文宏，Satoh，S.，2018.从跨域媒体流中学习以发 现 感 兴趣的事件。IEEE Trans. Multimedia 20，142-154.李伟，曹杰，吴，J.，黄，C.，Buyya河，2018.社交网络中基于离散量子混合蛙跳算法的协同过滤推荐方法。未来一代Comput. 系统刘洪，Hu，Z.，Mian，A.，Tian，H.，Zhu，X.，2014.一种提高协同过滤准确率的用户相似度模型。 知道了。- Based Syst. 56，156-166.妈，X.，耶，L.，2018.基于职业目标的电子学习推荐：增强协同过滤和前缀。移动混合学习（IJMBL）10，23Mannepalli，K.，Sastry，P.N.，Suman，M.，2018.基于优化的多svnn分类器语音信号情感识别。J.沙特国王大学- Comput. INF. Sci.Maylawati，D.，Aulawi，H.，Ramdhani，M.，2018.文本序列模式挖掘的概念。在：IOP会议系列：材料科学与工程。IOP Publishing，第012042页。第434卷。Mirbakhsh，N.，Ling，C.X.，2015.利用跨域信息改进冷启动用户的top-n推荐。ACM Transactions on Knowledge Discoveryfrom Data（TKDD）9，33.Nguyen，L.T.，Vo，B.，Nguyen，L.T.，Fournier-Viger，P.，Selamat，A.，2018.Etarm：一种高效的 top-k关联规则挖掘算法。Appl. 内特尔4 8 ，1148-1160。Nilashi，M.，Ibrahim，O.，Bagherifard，K.，2018. 结合本体论与降维技术之协同过滤推荐系统。专家系统应用92，507-520。奥贝德角，拉胡德岛El Khoury，H.，Champin，P.-一、2018.基于本体论的高等教育推荐系统。In：The Web Conference 2018上的The Web Conference 2018的伴侣。国际万维网会议指导委员会，pp。1031-1034Pei，J.，汉，J.，Mortazavi-Asl，B.，平托，H.，陈昆，达亚尔，美国，徐，M.- C.的方法，2001. Prefixspan：通过前缀预测模式增长有效地挖掘序列模式。In ICCCN，IEEE，p.0215.Saleena，B.，Srivatsa，S.，2015.跨本体概念相似度应用于适应性数位学习系统。J. 沙特国王大学Comput. INF. Sci. 27 ，1-12。谭，S.，Bu，J.，秦，X.，陈春，Cai，D.，2014.基于多类型媒体融合的跨域推荐。神经计算127，124-134。Tarus，J.K.，Niu，Z.，Kalui，D.，2018.基于上下文感知和序列模式挖掘的网络学习混合推荐系统。软. Comput. 22，2449-2461。Tong，C.，Yin，X.，李杰，Zhu，T.，Lv，R.，孙湖，加-地罗德里格斯，J.J.P.C.，2018年基于卷积神经网络的社会感知网络协同推荐系统中的欺骗Comput. J. 61，949-958。https://doi.org/10.1093/comjnl/bxy008.Wang，D.，中国科学院，梁玉，徐，D.，Feng，X.，中国科学院，关河，2018.计算机科学出版物的基于内容的推荐系统。知道了。-基于系统15 7 ，1-9。吴，S.，Ren，W.，Yu，C.，陈，G.，Zhang，D.，中国农业科学院农业研究所所长，Zhu，J.，2016.在网易中使用深度递归神经网络进行个人推荐。在：数据工程（ICDE），2016年IEEE第32届国际会议上，IEEE，pp。1218-1229。张，Q，吴，D.，卢，J，刘芳，Zhang，G.，中国农业科学院，2017.具有一致信息传递的跨领域推荐系统。德西斯支持系统1 0 4 ，49-63.张玉，陈美，黄，D.，吴，D.，李，Y.，2017. iDoctor：基于混合矩阵分解的个性化和专业化医疗建议。未来一代Comput.系统66，30-35。周，M.，丁志唐，J.，Yin，D.，2018.微行为：电子商务推荐系统的新视角。第十一届ACMWeb搜索和数据挖掘国际会议论文集。ACM，pp. 727- 735Zhu，G.，伊格莱西亚斯，CA，2017.知识图中概念的语义相似度计算。IEEE Trans.知道。数据工程师29，72-85.Zouaoui，S.，Rezeg，K.，2018.基于阿拉伯本体论的伊斯兰遗产计算系统。J. 沙特国王大学Comput. INF. Sci.