期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
GraphSAGE与遗传算法:推荐系统中的聚类性能优化
1
作者 代梦飞 《运筹与模糊学》 2024年第5期400-407,共8页
在信息过载的背景下,如何提高推荐系统的推荐质量和准确性成为了研究热点,而图神经网络作为一种新兴的技术,在这方面展现出了巨大的潜力。本研究首先将四种广泛使用的图神经网络模型GAT、GCN、GIN和GraphSAGE应用于推荐系统中,并通过比... 在信息过载的背景下,如何提高推荐系统的推荐质量和准确性成为了研究热点,而图神经网络作为一种新兴的技术,在这方面展现出了巨大的潜力。本研究首先将四种广泛使用的图神经网络模型GAT、GCN、GIN和GraphSAGE应用于推荐系统中,并通过比较发现GraphSAGE在多项指标上的表现最优。具体来说,GraphSAGE在推荐系统上实现了RMSE(0.6459)、MAE(0.4989)、AUC(0.8701)、Recall(0.6377)、Precision(0.8348)和F1-score(0.7231)的优异性能。进一步,本研究将GraphSAGE与传统的协同过滤算法在推荐系统上的表现进行比较,结果表明GraphSAGE在推荐系统上仍保持优势。在此基础上,本研究还探索了GraphSAGE与遗传算法优化K-means的结合算法——GraphKGA算法对于推荐系统性能的影响,实验证明,GraphKGA算法应用于推荐系统中的RMSE(0.6364)和MAE(0.4855)均取得优异结果,表明其能有效提高推荐系统的性能。 展开更多
关键词 GraphSAGE模型 遗传算法优化 K-MEANS聚类 graphkga算法 推荐系统
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部