在春季框架的帮助下改进阅读平台:一个结合KGMRA算法和BERT模型的推技术
1Normal College, Jimei University, 361005, Xiamen, China.
Heliyon
|February 24, 2025
概括
这项研究引入了一种新的推系统,将基于知识图的多关系协会 (KGMRA) 和来自变压器的双向编码器表示 (BERT) 结合起来,以提高准确性和内容多样性. 该系统增强了个性化的建议,特别是对于长尾内容,提高了用户参与度和平台效率.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 信息检索 信息检索
背景情况:
- 传统的推系统在准确性,用户体验和内容多样性方面面临挑战.
- 现有的方法很难将用户行为与语义内容信息整合起来,限制了对利基 (长尾) 内容的覆盖.
研究的目的:
- 开发一种新的推系统,解决准确性,个性化和内容多样性的局限性.
- 加强用户行为数据和文章语义信息的整合,以改进建议.
主要方法:
- 基于知识图的多关系关联 (KGMRA) 算法与变压器双向编码器表示 (BERT) 模型的集成.
- KGMRA使用知识图和多关系网络提取关联信息.
- 通过深度学习,BERT生成了文章内容的语义表示.
主要成果:
- 建议准确度 (72%至84%),覆盖率 (71%至89%) 和点击率 (79%至94%) 的显著改善.
- 提升推长尾内容的能力,满足各种用户兴趣.
- 系统效率提高了20%,导致更快的响应时间和更好的用户体验.
结论:
- 拟议的系统为增强阅读平台上的推系统提供了实用和有效的解决方案.
- 整合KGMRA和BERT为优化推准确性,个性化和内容多样性提供了一种新的方法.
- 这项研究为未来的推系统开发和创新提供了宝贵的见解.
