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。     

基于社会信任正则化的排名推荐算法

随着在线商品交易额逐年增大和社交网络不断深入发展,推荐系统已成为解决信息过载的重要工具之一。当评分矩阵数据稀疏性较大时推荐精度就会显著下降,特别是用户冷启动的时候这个问题更加明显。因此,本文提出一种新的基于隐式反馈信息的社会化排序推荐算法。该算法首先利用矩阵分解方法计算不同项目间的用户偏好。其次将用户偏好信息融入Bayesian Personalized Ranking (BPR)算法中。然后挖掘用户之间相似关系以及信任用户直接和间接关系,并量化它们之间的信任关系,从而研究不同项目之间用户偏好差异。最后将以上这些信任关系和BPR算法进行融合,进而构建出社会化排序推荐模型。为了验证所提出的社会化排序推荐算法,在DouBan数据集和FilmTrust数据集上,进行该算法的有效性验证。主要通过Precision、MAP和NGCD这三种排序评估指标分别在全数据集和用户冷启动中验证本文所提算法与SBPR、TBPR、BPRMF和MostPopular等算法之间排序推荐的优劣性。实验结果证明本文所提算法明显优于其他排序推荐算法,并可以获得更好的推荐准确率。可见该算法可以有效改善由于数据稀疏性和用户冷启动所带来推荐效果差的问题。     

一种压缩稀疏用户评分矩阵的协同过滤算法

提出了一种通过降低用户评分矩阵维数来解决数据稀疏问题的协同过滤算法(基于项目多类属概率潜在语义的协同过滤算法)．首先将概率潜在语义分析法中的隐变量集固定为项目的多类属集,明确隐变量的意义,限制隐变量的变化范围; 而后迭代学习隐变量的分布,即用户的兴趣模型,压缩用户评分矩阵; 最后用学到的兴趣模型度量用户的相似度,对目标用户做出推荐． 仿真实验结果表明: 该算法有效解决了数据稀疏问题,平均绝对误差低于基于记忆的协同过滤算法4％; 与通过概率潜在语义分析法降低用户评分矩阵维数来解决数据稀疏问题的协同过滤算法相比,该算法明确了隐变量的意义,提高了对系统的理解,并取得了富有竞争力的推荐性能．     

基于服装图像视觉特征的冷启动问题缓解

冷启动问题是协同过滤推荐算法中被广泛关注的问题,它的存在严重影响协同过滤算法的推荐质量. 提出深度卷积神经网络提取的服装商品图像视觉特征用于计算用户对新商品喜好度的方法来缓解冷启动问题,并利用矩阵分解模型估算用户对服装商品的评分. 通过从服装商品图像视觉特征到商品特征向量的映射函数计算新商品的特征向量,给出了两种映射函数形式:K最近邻映射和线性映射. 实验结果表明,服装图像视觉特征能够有效缓解协同过滤算法冷启动问题.     

基于属性偏好自学习的推荐方法

推荐系统从海量数据中挖掘出有用信息来学习用户偏好．目前主流研究的推荐算法是在考虑 评分数据和社交数据的基础上执行协同过滤算法．协同过滤方法包括传统的用户、商品协同过滤算 法和经典的矩阵分解方法．用户、商品协同过滤算法具有可解释性但训练速度慢,矩阵分解模型虽 然训练速度快但缺乏解释性．此外,评分数据和社交数据在获取难度上高于属性信息．针对这些问 题,提出一种基于属性偏好的自学习算法．该算法在评分数据和属性信息的基础上,首先利用用户 对属性的初始偏好程度与属性对商品的评分构建预测评分模型,通过预测评分和实际评分的平方 差及正规化项构造损失函数,使用梯度递减方法对损失函数中预测评分模型的属性偏好程度进行 迭代训练,最后使用训练后的属性偏好程度和属性值评分来预测用户评分．实验在两个经典数据集 上证明了该模型运行时间较快,且在评分数据稀疏的情况优于传统的协同过滤方法和基本矩阵分 解模型．     

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。     

基于社交信息和物品曝光度的矩阵分解推荐

为了解决隐式反馈推荐中的数据稀疏性和未观测值二义性,提出基于社交信息和物品曝光度的概率矩阵分解推荐算法. 该算法通过对用户-用户社交矩阵进行矩阵分解来约束用户偏好潜在因子,一定程度上缓解了数据稀疏性问题;将物品曝光度作为观测值的条件,结合物品本身的流行度和用户的社交信息,对物品曝光度进行建模,解决未观测值的二义性. 在Lastfm公开数据集上开展多个层次的实验和分析. 结果表明,与已有的隐式推荐算法相比,在召回率、平均准确率（MAP）和归一化折损累计增益（NDCG）3个评价标准上都有一定程度的提高.     

一种基于三部图网络的协同过滤算法

推荐系统是电子商务领域最重要的技术之一,而协同过滤算法又是推荐系统用得最广泛的.提出了一种基于加权三部图网络的协同过滤算法,用户、产品及标签都被考虑到算法中,并且研究了标签结点的度对用户相似性计算的影响.实验结果表明,此算法在解决用户冷启动问题的同时,还具有较高的推荐准确性.     

融合信任传播和矩阵分解的协同推荐算法

针对现有基于模型的协同推荐算法推荐精度不高和覆盖面较小的问题,引入社会网络中的信任信息对基于矩阵分解的推荐模型进行扩展,提出一种融合信任传播和矩阵分解的协同推荐算法。首先,基于社会网络中的直接信任关系,提出一种信任传播规则,实现社会网络中信任关系的传递;然后,利用矩阵分解技术降维处理大规模数据集的优势,提出一种融合信任传播机制和矩阵分解模型的协同推荐算法。在Epinions数据集上的实验结果表明,本文提出的推荐算法不仅提高了推荐的精度,而且增加了推荐的覆盖面。     

一种融合用户偏好与信任度的增强协同过滤推荐方法

协同过滤是一种最流行的推荐技术, 但仍然受到数据稀疏和冷启动问题的困扰。针对Shambour提出的信任-语义融合(TSF)的混合推荐方法中计算量较大的问题, 提出一种融合用户偏好与信任度的增强协同过滤推荐方法。该方法在计算评分预测时, 对基于用户的信任增强协同过滤算法进行改进, 先将用户相似度和信任度分别进行近邻选择和加权评分, 再通过一个加权因子对2部分进行融合, 从而得到总体的预测评分。在Movielens数据集下进行仿真验证, 其结果表明, 与基准算法相比, 本文方法具有更好的MAE性能。       

满足差分隐私保护的矩阵分解推荐算法

协同过滤推荐算法在工作过程中需要分析和使用大量的用户数据,存在个人隐私泄露的安全隐患。现有的大多数在推荐系统中实施隐私保护的方法,容易引入过大噪声,导致推荐质量下降。针对此问题,该文提出一种满足差分隐私保护的矩阵分解推荐算法。该算法首先将矩阵分解问题转化为两个交替进行的用户隐因子和项目隐因子优化问题,然后采用遗传算法对这两个优化问题进行求解。将增强指数机制融入到遗传算法的个体选择中,并基于寻找重要隐因子的思想设计了遗传算法的变异过程。理论分析和实验结果显示,该算法可以为用户数据提供良好的差分隐私保护,同时有效保证了推荐的准确性,在推荐系统中具有良好的应用价值。     

利用项目属性和偏好改进协同过滤推荐

协同过滤(CF)推荐系统可以通过了解用户过去的行为向用户推荐项目. 针对现有的CF推荐系统没有利用潜在的项目偏好信息,提出了一种利用项目偏好改进CF的推荐方法. 该方法首先采用K-means算法对用户进行聚类,然后利用用户聚类和效用矩阵构建项目偏好矩阵,最后在基于项目的CF方法中,综合项目评分相似度、项目属性及其偏好特征相似度产生推荐. 实验结果表明,该方法获得了较好的推荐精度,在一定程度上缓解了稀疏问题.     

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.     

基于标签和因子分析的协同推荐方法

根据在线社区中群体的历史行为进行物品(或信息)推荐是当前研究热点之一,传统推荐算法都面临数据稀疏性问题的挑战. 针对传统推荐算法知识表示的局限性进行了研究,提出了一种基于标签系统的用户行为知识表示法,把用户在物品上历史行为的统计,转化为对用户在物品标签上的统计,从而缓解数据稀疏的情况. 为了降低标签维度过高导致的计算复杂性问题,提出了采用因子分析法,抽取出潜在重要且稳定的特征因子向量来最终表示用户的历史行为,并据此度量用户行为在特征因子向量上的相似性. 最后采用协同过滤的思想给出了一种新的协同推荐方法. 通过在真实数据集上的大量对比实验,表明该方法在处理具有稀疏性的数据集时,总是能保持更高且更稳定的推荐准确率.     

基于用户关系挖掘的多策略推荐算法

个性化推荐服务为解决网络信息过载问题提供了有效手段。传统的推荐方法大多只关注于如何提高推荐的准确性,而忽略了推荐多样性对用户体验的影响。文章将社会网络用户关系挖掘应用于用户偏好预测及推荐中,提出了一种基于用户关系挖掘的多策略推荐算法。采用信任传播模型挖掘用户间的信任度,计算用户偏好配置文件的余弦相似性获得用户间的相似度,并给出4种将用户信任度、相似度结合的策略,在定义用户偏好预测函数的基础上采用Topn原则为用户给出推荐结果。实验结果表明,文章方法不仅减少了数据稀疏性的影响,而且兼顾了推荐准确性与多样性指标,提高了推荐系统的整体性能。     

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.     

融合用户信任和影响力的top-N推荐算法

针对现有基于信任的推荐方法通常直接利用社交网络的二值信任关系来提高推荐质量,较少考虑用户间信任强度的差异和潜在影响的问题,提出结合用户信任和影响力的混合推荐算法进行top-N项目推荐. 采用自动编码器对用户行为进行无监督的初始特征优化,将高维、稀疏的用户行为压缩成低维、稠密的用户及项目特征向量;提出融合用户交互信息、偏好度和信任的新型信任度量模型,发掘社交网络中用户间的隐含信任关系,重构社会信任网络;将社会信任网络的拓扑结构和用户的交互信息融入结构洞算法,通过改进的结构洞算法来识别网络中的影响力用户,提高top-N项目推荐性能. 实验在FilmTrust、Epinions、Ciao这3个标准数据集上进行对比验证,实验结果证明了所提算法的有效性.