融合社交和标签信息的隐语义模型推荐算法

为了提高隐语义模型在数据稀疏情况下推荐结果的质量,提出一种带有社交正则化项和标签正则化项的隐语义模型.根据用户社交网络和物品标签的信息,设计出描述用户和物品概况的正则化项,并利用用户对物品的历史评分计算得到用户评分偏好,将这三项引入矩阵分解目标函数中,进一步约束目标函数,最后通过梯度下降法去优化模型参数,得到推荐结果.为了验证算法的有效性,在Last.fm数据集上进行实验,实验结果表明,本文算法的推荐质量优于其他传统推荐算法.     

一种多标签统一域嵌入的推荐模型

协同过滤是一种简单的运用关联知识的推荐方法,但在数据稀疏度高的情况下效果不尽人意.因子分解机解决了数据稀疏情况下的特征组合问题,再结合深度神经网络对高阶特征的提取,一系列深度学习预估模型被提出并取得较好效果.但这类模型主要受益于大量知识标签组合以及高阶特征理解,当数据标签类别稀少时其性能严重退化.为解决稀疏数据且稀少标签类别情境下的推荐问题,本文提出一种多标签统一域嵌入方法,并进一步设计实现了统一域嵌入的推荐模型.特征标签首先以领域划分并通过嵌入层转化为特征向量,然后基于特征空间表达的映射层将特征向量由当前域嵌入到统一域,最后对统一域向量进行空间关联运算并预测评分.采用近年来优异的深度学习预估模型作为对比模型,在多个主流开放数据集上进行了预测.实验结果表明,多标签统一域嵌入模型在推荐精度及性能上优于其它模型,它能够克服神经网络训练中的瓶颈,为数据标签稀缺情境下的推荐系统提供可行的解决方案.     

融合信任相似度的偏置概率矩阵分解算法

为解决社会化推荐算法推荐效果严重依赖用户信任数据的问题,提出一种融合信任相似度的偏置概率矩阵分解算法(bias probability matrix factorization algorithm fused with trust similarity, TTSPMF)。该算法引入稀疏性更低的信任相似度网络,使用信任关系的相似性弥补用户信任数据的稀疏性。通过用户信任矩阵计算得出信任相似度矩阵,然后将信任相似度矩阵和用户信任矩阵共同进行矩阵分解,同时加入偏置项来表达用户和物品的偏好,从而更好地刻画用户和物品的特征,避免因用户或物品本身因素带来的评分偏差。使用概率矩阵分解模型融合信任矩阵和信任相似度矩阵并迭代求解,得到用户特征矩阵和物品特征矩阵。在多个数据集上的试验证明,在不同评价指标下,该算法的推荐准确度明显高于传统推荐算法,可以有效缓解数据稀疏带来的推荐效果差的问题。     

基于Logistic函数和用户聚类的协同过滤算法

针对协同过滤推荐算法的数据稀疏性和可扩展性问题,提出一种基于Logistic函数和用户聚类的协同过滤算法.计算用户对服务关键词的偏好度,构建用户-关键词偏好向量,并基于此向量对用户进行聚类;采用Logistic函数计算用户对服务的兴趣度,并根据兴趣度相似性在目标用户所在类内寻找其最近邻居;通过最近邻居预测用户对服务的兴趣度,将兴趣度较高的服务推荐给用户.基于真实数据集的实验证明,与传统协同过滤算法相比,本文算法能取得更高的准确率,且聚类后算法运行时间显著减少,有效地提高了推荐的实时性.     

基于近邻传播聚类的混合推荐系统

协同过滤技术是推荐系统最具价值的核心技术之一,它能够深入地挖掘用户潜在的兴趣爱好并向用户做出比较合理的推荐;但是冷启动、数据稀疏性、可扩展性等问题依然制约该技术在实际推荐系统的应用。针对冷启动和数据稀疏性等问题,文章提出了一个基于近邻传播聚类的混合协同过滤推荐模型。该模型首先基于物品的标签属性进行聚类,挖掘出同类的物品并计算相似物品之间的关联程度,然后基于历史交互数据计算物品的相似度矩阵,最后按照一定权重混合构成一个物品相似度,并以此为用户进行推荐。与传统协同过滤推荐模型相比,该模型不仅提高了推荐精确度,而且改善了物品的召回率,能为用户提供更好的推荐体验。     

基于选择性预测策略的协同过滤推荐算法

针对传统协同过滤推荐算法在用户评分数据极端稀疏情况下无法取得令人满意的推荐质量问题,结合User-based 和Item-based 协同过滤算法思想,提出了一种基于选择性预测策略的协同过滤推荐算法,算法利用高相似度阈值来计算用户相似性和项目相似性,并通过形成用户最近邻居集和项目最近邻居集来预测填充评分矩阵。基于Movielens数据集的实验表明,改进的算法有效改善了传统协同过滤推荐算法的数据稀疏性和扩展性问题,明显提高了系统的推荐质量。     

融合项目聚类和时间权重的动态协同过滤算法

传统基于项目的协同过滤算法离线计算项目间的相似度,提高了向用户推荐的速度,但极大的数据稀疏度影响了推荐质量,且该算法也忽略了用户兴趣随时间变化这一现象. 针对上述问题,提出了一种融合项目聚类和时间权重的动态协同过滤算法,根据用户偏好对项目进行聚类,找出类别偏好相似的候选邻居,再在候选邻居中搜寻最近邻,排除与目标项目共同评分较少的项目干扰,提高了搜寻相似项目的准确性. 同时,引入时间权重来反映用户兴趣随时间的变化,从整体上提高推荐质量. 在MovieLens数据集上进行实验,实验结果表明,本文所提出算法的推荐质量较传统的协同过滤算法有显著提高.     

推荐系统中分布式混合协同过滤方法

传统协同过滤方法面临数据稀疏问题,稀疏的用户-项目关联数据将产生不准确的相似用户或项目,为了改善推荐质量,提出一种基于Map Reduce的混合协同过滤方法.该方法利用用户特征和用户-项目评分数据构造项目偏好向量,然后使用模糊K-Means算法对项目进行聚类,并从每个项目簇中选择相似项目,最后组合所有项目簇的预测结果作出推荐.实验结果显示,该方法能缓解数据稀疏问题,改善推荐精度.     

耦合社会信任信息的矩阵分解协同过滤模型

在过去的十年中,协同过滤（CF）推荐系统已经取得了巨大的成功。然而,用户-物品矩阵的稀疏性和冷启动问题仍然是一个挑战。在线社交网络的出现,为推荐系统提供了大量社交网络信任信息,从而为解决这一问题提供了契机。该文基于矩阵分解协同过滤方法,提出了一种集成用户信任信息的模型。该方法利用用户信任信息对用户隐因子进行修正,采用自编码器来提取用户和物品隐特征向量的初始化特征,并针对社交网络中的信任关系提出了信任群组的检测算法。大规模的真实数据集上进行的广泛的实验表明,该模型与相关算法对比,不但能有效缓解冷启动,而且取得了更好的推荐性能。     

融合用户行为网络信息的个性化餐馆推荐

目前主流推荐算法是在显式评分或者隐式特征相似的基础上,忽略了用户就餐行为序列中的网络拓扑结构关系,使得用户就餐行为中隐含的喜好信息难以被很好地定性刻画。对此,提出了一种融合用户行为网络信息的个性化餐馆推荐系统。首先根据用户的历史就餐行为序列信息,构建其就餐地理位置转移网络和口味信息转移网络。然后利用网络图表征方法得出位置和口味标签的向量表征,刻画了用户历史就餐行为偏好,并提出用户每次就餐时的怀旧指数GT。最后,将怀旧指数GT结合用户评分信息融入到已有的协同过滤推荐算法框架中,得到改进的融合用户行为网络信息的个性化餐馆推荐模型。在Yelp数据上的实验证明:该模型的推荐效果高于传统的基于评分的推荐算法和最好的图嵌入推荐算法。     

基于用户兴趣评分填充的改进混合推荐方法

针对传统协同过滤推荐方法中的用户项目评分数据稀疏和推荐准确度不高的问题,提出了一种基于用户兴趣评分填充的改进混合推荐方法。首先,分析用户对项目类型的偏好,计算用户兴趣评分并进行矩阵填充;然后,考虑用户主观评分差异化及项目自身质量的影响,对传统皮尔逊相关系数进行改进,并基于已填充评分矩阵进行用户相似性及项目相似性计算;在此基础上分别基于用户和项目两个方面进行评分预测,并将两者的预测评分进行加权求和,进而进行混合推荐;最后,以Movielens100k为数据集进行实验,先分析了用户兴趣评分矩阵的填充效果,再将文中方法和传统协同过滤混合推荐方法以及文献中提出方法进行了对比分析。实验结果表明;提出的评分矩阵填充方法能有效缓解数据稀疏的影响,填充效果优于传统评分矩阵填充方法;提出的改进混合推荐方法（IHRIRF）比传统的混合协同过滤推荐方法HCFR及WPCC方法具有更好地推荐效果。     

一种基于时间加权和用户特征的协同过滤算法

协同过滤算法是目前个性化推荐系统中应用最成功的推荐算法之一,但传统协同过滤算法很少考虑到用户兴趣随着时间变化以及用户特征与兴趣的关联性两方面的问题。针对该问题提出了一种基于时间加权和用户特征的协同过滤算法,首先通过定义时间指数函数反映兴趣随时间增长的变化,然后建立用户的特征矩阵,最后采用一种新的相似度度量方法计算出目标用户的最近邻居集合。实验结果表明该算法推荐平均绝对误差(MAE)比传统算法降低了12%,推荐质量较传统算法有明显提高。     

融合用户和项目相关信息的协同过滤算法研究

针对User-based协同过滤和Item-based协同过滤算法的不足，提出了一种新的推荐算法。该算法融合用户-项目评分数据集所包含的用户相关和项目相关的信息来推荐商品，并且利用模糊聚类技术分别将相似的项目和相似的用户聚类，改善传统推荐算法的数据稀疏性和可扩展性问题。实验结果表明，将用户相关和项目相关的信息融合能够提供更好的推荐。     

基于用户聚类的二分图网络协同推荐算法

针对协同过滤推荐系统应用中存在的数据稀疏、可扩展性受限等问题,提出了一种基于用户聚类的二分图网络协同推荐算法.该算法在用户聚类阶段对二分图网络进行用户中心聚类,并获取用户聚类中心及其所在的群组,基于用户群组的评价信息为目标用户提供更广泛的推荐数据;在协同推荐阶段,围绕聚类中心及其所在群组为未评分项目完成预测评分,为用户推荐综合评分最高的Top-n项目.结果表明,该算法能够提升目标用户推荐的准确度,并能改善协同推荐的多样性.     

SeqRec：基于长期偏好和即时兴趣的序列推荐模型

通过对用户的历史购物序列进行建模,得到用户稳定的长期偏好和动态的即时兴趣,并聚合长期偏好和即时兴趣进行个性化推荐. 提取用户对商品的评论内容用于表示商品的特征;使用递归神经网络从用户的历史购买序列数据中学习用户稳定的长期偏好,使用提问数据对用户不断变化的即时兴趣进行建模;通过注意力机制为长期偏好以及即时兴趣分配不同的权重,得到用户最终偏好的向量表示. 在亚马逊真实数据集上的实验结果表明,SeqRec模型在召回率和精确率上比当前主流的序列推荐方法至少超出10%;SeqRec模型证明不同用户的长期偏好和即时兴趣对其下次购买物品的影响程度不同.     

基于用户项目特征分组的隐私保护算法

针对互联网推荐系统中存在严重的隐私保护问题,在传统推荐系统算法的基础上,引入项目属性相似度的概念,并提出了一种具备保护用户隐私功能的新型推荐系统.系统利用用户的历史评价和推荐系统中项目的属性信息,使用不采集用户个人信息的协同过滤推荐算法,计算出用户对未评价项目的评分预测,形成了一种能够保护个人隐私的推荐算法.结果表明,与其他推荐算法相比,本文算法在推荐准确度和用户隐私保护程度上取得一个较好的平衡,具有较高的实用价值.