基于深度学习的内容推荐算法研究综述

推荐系统是学习用户偏好,实现个性化推荐的系统化应用技术,在商品购买、影音推荐、关联阅读等多领域得到了广泛的应用。近年来,随着多源异构数据的激增和深度学习的兴起,传统推荐算法中的表征学习模式逐步被深度学习代替。梳理推荐算法的背景和发展趋势,并给出内容推荐的算法思路及其优劣评价,分别介绍多层感知机、自动编码器、卷积神经网络以及循环神经网络等深度学习方法的网络结构和算法优势。从技术应用的视角综述深度学习在内容推荐中的应用现状与研究成果,对不同经典深度推荐算法进行分析与比较。在此基础上,指出深度学习在可解释性、学习效率等方面的不足,并对交叉领域学习、多任务学习、表征学习等未来研究方向进行展望。     

基于USDR模型的云推荐方法研究

在云环境中,对于云数据的统一建模一直是研究热点。尤其在推荐系统中,对于多源异构数据灵活性和安全性的要求更高。随着数据信息技术的不断发展,网络更新逐步加快,数据的更新也越来越快,从海量信息中如何快速帮助用户获取偏好的信息变得更加困难。针对多源异构数据的特征,综合移动互联网安全性和隐私性等特点,提出了一种USDR模型,并在该模型的基础上对云环境中的推送方法进行了研究,主动帮助用户发现自己偏好的信息,并将这些信息展现给可能需要的用户,并且实现了传统的数据推荐方法无法处理的多源异构数据的云推荐。根据云推送平台在实验环境中的运行情况及相关指标分析,说明该云推荐方法能适用于多源异构数据的推荐,是一种高效可行的推荐方法。     

个性化广告推荐系统及其应用研究

近年来,随着互联网及智能移动设备的发展和普及,丰富了广告的推送方式和投放平台.但是传统的广告推送无法满足用户对个性化广告的需求,导致用户对广告产生抵触情绪,给广告推送带来极大的挑战.个性化广告推荐系统作为应对这些挑战的有效手段,成为个性化服务领域的研究热点之一.个性化广告推荐系统获取用户兴趣偏好,利用多种个性化广告推荐技术,通过PC端、移动终端等多平台为用户提供个性化广告,并且已经在一些应用系统中取得不错的效果.本文对个性化广告推荐系统的研究进展进行系统地综述,从个性化广告推荐的概述出发,对近年来个性化广告推荐的关键技术进行深入分析,包括数据采集与预处理、用户偏好获取、个性化广告推荐技术等.统计分析了个性化广告推荐中使用的多种数据集和评价指标,总结当前个性化广告推荐在传统互联网、移动服务、数字标牌、IPTV等场景下的应用.最后对个性化广告推荐系统存在问题和未来深入研究的方向进行讨论和展望.     

基于用户浏览行为的个性化推荐研究综述

研究如何充分利用海量用户浏览行为数据,构建更加精确的推荐算法和模型,以提高推荐系统性能,是目前个性化推荐领域研究的热点.针对这些问题,首先对用户的浏览行为进行了简要概括表述,给出了基于浏览行为推荐系统的总体框架,回顾总结了基于用户浏览行为的推荐系统的发展历程.对其关键技术和单一浏览行为量化方法与混合浏览行为量化方法进行总结、对比和分析.最后讨论了结合多源异构数据的浏览行为推荐的最新成果,总结了该领域未来研究难点和发展趋势.     

图表示学习短视频智能推荐研究综述

随着短视频数量的爆发式增长, 精准的个性化短视频推荐成为学术界和工业界的迫切需求。然而,现有的推荐方法没有考虑实际的短视频具有数据多源异构多模态、用户行为复杂多样、用户兴趣动态变化等特点。短视频模态间的语义鸿沟、社交网络用户多行为挖掘、用户动态兴趣捕捉依然是短视频推荐领域面临的三个重要问题。针对当前推荐系统存在的问题,并充分考虑短视频推荐系统的实际需求,本文介绍了短视频推荐中基于图表示学习的短视频推荐方法;研究了短视频异构多模态特征表示,充分挖掘视频内容特征并进行高效融合;研究了短视频社交网络用户多行为表示,通过社交网络用户多种行为挖掘更细粒度的用户偏好;研究了用户的动态偏好表示方法,通过利用时序信息建模用户的动态兴趣,保证推荐结果的准确度并增加其多样性与个性化。本研究可在理论和实践上推进基于图特征学习的短视频推荐研究,也可作为短视频推荐系统的关键技术。     

联合用户兴趣矩阵及全局偏好的推荐算法

如何从大量无序的信息中向用户准确推荐其最感兴趣的信息,是推荐系统研究领域的重要课题。为此提出一种融合用户兴趣矩阵及全局偏好的推荐算法,用于个性化服务推荐。首先,引入兴趣标签机制形成用户兴趣链,对用户服务评分集合中未评价服务进行填充,对已评价服务进行互补,从而形成用户兴趣矩阵;其次,采用兴趣矩阵的欧几里德距离进行局部相似度计算;最后,联合用户认知差异和全局行为差异形成全局偏好相似度。算法在有效融入了用户的个性化偏好信息的同时,减少了数据集稀疏性,提高了推荐的准确性。在真实的Movie Lens 1M数据集上进行的大量实验表明,与当前具有代表性的推荐算法相比,算法显著提高了推荐精度。     

一种面向排序的Top-N推荐算法

研究用户优化服务算法问题,应为用户提供个性化的推荐服务的系统.Top-N推荐问题,是指通过对用户历史偏好信息的挖掘,给每个用户推荐N个最可能喜好的内容.针对上述问题,提出了一种面向排序的推荐算法EIBRO-MF,通过融合系统中的显式和隐式反馈数据,建立用户喜好的偏序对关系来训练协同过滤的参数模型,最后利用优化的模型参数给出推荐结果.仿真结果表明,与传统的协同过滤算法、以及只能利用隐式反馈数据的排序算法相比,提出的算法能大幅提高推荐列表的排名精准度.     

基于偏好推荐的可信服务选择

针对现有服务选择中服务推荐技术的不足,提出一种基于偏好推荐的服务选择(trustworthy services selection based on preference recommendation,简称TSSPR)方法.首先搜索一组偏好相似的推荐用户,并通过皮尔逊相关系数计算用户的评价相似度,然后基于用户的推荐等级、领域相关度和评价相似度等对用户的推荐信息进行过滤,从而使推荐信息更为可信.模拟实验结果表明,通过正确的参数设置,该方法能够有效地解决推荐算法中冷启动、推荐信息不准确等问题.     

基于粗糙集理论的金融信息推荐算法研究

信息推荐是根据用户需求为用户主动推荐相关内容的一种信息服务的技术,现有的信息推荐技术更多地从全局信息空间为用户提供通用的信息服务,而特定领域信息内容结构、用户需求、服务模式、推荐算法等都有很大差异,与领域信息服务相关的个性化推荐方法是推荐质量的重要保证.针对金融领域信息服务的特点提出一种基于粗糙集的金融信息推荐算法,将粗糙集算法和内容过滤技术结合起来实现金融信息推荐.首先进行基于粗糙集的资源分类,包括数据预处理、特征值提取、属性约简、规则的生成、分类结果产生等步骤.然后在资源分类的基础上进行特定领域信息推荐.实验证明,推荐算法的效率比较高,比基于普通分类的信息推荐算法在查全率和查准率上都有较大改进,能很好地为某些特定领域的用户提供比较准确的推荐信息.     

足球视频搜索引擎中的用户偏好挖掘

目的：互联网信息量的急速增长使得人们需要花费大量时间从搜索引擎召回的结果中浏览自身感兴趣的内容,结合用户的搜索日志信息和社交平台信息,提出一种分层的实时偏好挖掘模型,为用户提供个性化搜索服务。方法：在系统分析偏好挖掘的国内外研究现状的基础上,针对足球视频,提出一种分层权重无向图（Hierarchical Weighted Undirected Graph,HWUG）用户偏好模型,充分考虑了用户偏好之间的关联信息,通过获取用户足球领域的显式和隐式反馈信息,提取反馈信息中的偏好标签和偏好动作,并引入时间衰减因子,实现了用户足球偏好的实时计算。结果：算法已经应用在在搜球网（www.findball.net）的个性化检索结果排序和视频推荐上,并已经取得了很好的效果。结论：实验结果表明,结合特定领域的知识,基于分层无向权重图模型的偏好挖掘算法能更准确和实时反映用户的足球偏好。     

面向产业链协同SaaS平台的多源异构信息动态集成技术研究

为降低协作企业内部系统与产业链协同SaaS平台交换大量数据所消耗的时间和空间代价,提高实时数据查询的准确性,对多源异构信息集成服务技术进行了研究。设计了面向产业链协同SaaS平台的多源异构信息集成模型;构建了多源异构信息动态发布和动态发现机制;提出了以SaaS平台为核心的多源异构信息转换与注册算法以及事件驱动的数据源动态调用算法;实现了面向产业链协同SaaS平台的多源异构信息实时准确查询服务。该模型和算法在汽车零部件产业链协同平台服务商配件库存管理中的应用证明了该技术的可行性和有效性。     

数字图书馆系统中基于Ontology的用户偏好模型

个性化服务技术为数字图书馆的研究带来一些新的挑战.如何描述用户的偏好以及如何使数字图书馆支持偏好查询是有待研究的一个问题.人们已经提出了基于偏序关系的用户偏好模型,并针对关系数据提出了一系列偏好构造方法.数字图书馆中的数据是半结构数据.半结构数据上用户偏好的描述比关系数据复杂得多.偏序模型无法有效地表达数字图书馆中的用户偏好.提出基于ontology的新的用户偏好模型,用ontology来描述数字图书馆中的文本和文本上的偏好.该模型能够充分表达用户偏好的结构和语义,并提供了复杂的偏好操作,能够有效地支持数字图书馆中的个性化检索和推荐操作.     

基于Apriori算法的关键词推荐在面向主题的用户个性化搜索中的应用

对传统协作过滤方法在关键词推荐系统中的应用进行分析.在Apriori算法的基础上,提出一种面向主题的用户个性化搜索的关键词推荐算法.该算法基于Apriori算法,对用户的搜索历史关键词集合进行频繁集挖掘.实验证明,该算法可以根据用户输入的历史关键词推荐给用户满足其当前搜索兴趣倾向的新的关键词,使用户的查询更加精确化和个性化.     

基于用户兴趣变化融合的个性化推荐模型

移动互联网的发展带来了大量的应用,提供个性化服务和个性化推荐是解决用户“应用迷航”的有效手段,针对与某电信运营商“游戏”应用平台类似的应用商店领域,提出了一种融合的个性化推荐解决方案.该方案通过对用户行为日志的分析生成用户的兴趣偏好模型,同时引入时间因子反映用户兴趣的漂移,将基于用户偏好分析的推荐方法与基于物品的协同过滤算法相结合形成了融合的个性化推荐模型.实验对比结果表明,该模型避免了两算法之不足,发挥了两算法的优势,有效地提高了该应用平台的综合推荐性能.     

面向移动应用的探索式个性化服务推荐方法

个性化推荐系统是应用系统中广泛应用的技术之一,用户兴趣偏好模型的建立与更新是个性化推荐系统的关键环节,针对移动设备位置随时变化的特点,以移动端的应用系统为研究对象,提出了一种随用户位置变化而动态更新的用户兴趣偏好模型,并对实现过程中的几个关键问题,包括用户兴趣偏好模型表示方法、用户兴趣关键字提取、用户兴趣偏好模型的建立与更新算法进行了详细描述,最后利用用户兴趣偏好模型根据协同过滤算法进行个性化推荐,并根据用户对推荐结果的评价进一步修正用户兴趣偏好模型.用户兴趣偏好模型采用基于兴趣关键字的向量空间模型表示,用户兴趣关键字由根据TF-IDF算法获得的用户隐式兴趣和用户参与的显式兴趣相结合获得,用户位置信息变化时,系统获取当前位置附近的服务,对已存在于用户兴趣关键树中的服务权值进行增强,而对不存在其中的进行遗忘以调整用户兴趣树从而更新用户兴趣偏好模型.验证表明,该方法推荐的服务更符合用户所处的位置上下文环境,并且具有高度的可达性.     

突破智慧教育:基于图学习的课程推荐系统

近年来随着互联网技术迅猛发展，以慕课（MOOC）为代表的在线教育平台广泛普及.为助力”因材施教”的个性化智慧教育，以推荐算法为代表的人工智能技术受到了学术界与工业界的普遍关注.虽然在电子商务等领域获得成功应用，推荐算法与在线教育融合时仍面临严峻挑战：现有算法对隐式交互数据的挖掘不充足，推荐背后的知识指导作用不明显，面向实践的推荐系统软件有缺失.对此，设计了一套面向工业化场景的智慧课程推荐系统：（1）提出基于图卷积神经网络的推荐引擎，将”用户-课程”隐式交互数据建模为异构图；（2）将课程知识信息融入”用户-课程”异构图，深入挖掘了”用户-课程-知识”关联关系；（3）设计高效的在线推荐系统，实现了”预处理-召回-离线排序-在线推荐-结果融合”的多段流水线原型，不仅能够快速响应课程推荐请求，更能有效缓解推荐算法落地最大障碍——冷启动问题.最后，基于真实课程学习平台数据集，以对比实验证明了离线推荐引擎相比其他主流推荐算法的先进性，并基于两个典型用例分析验证了在线推荐系统面临工业场景需求的可用性.     

Web服务个性化推荐研究综述

随着Web服务的广泛使用和互联网上服务数量的增加,如何向用户提供最佳的服务选择列表成为了新的挑战.Web服务个性化推荐实现了由被动接受用户请求向主动感知用户需求的转变.个性化的Web服务推荐方法已经成为Web服务发现和选择的有效辅助手段.Web服务的个性化推荐技术也成为了近年来服务计算领域的研究热点.对当前Web服务个性化推荐的文献进行了归类分析,总结了当前Web服务个性化推荐的技术现状、研究方法和实验的数据集,列出了未来Web服务个性化推荐研究热点和挑战.     

一种融合多种用户行为的协同过滤推荐算法

协同过滤作为目前应用最成功的个性化推荐技术,在电子商务、社交网络等领域得到了广泛应用。然而,当此类算法应用到个性化医疗推荐领域时,由于个人医疗行为本身的复杂性和多样性,出现了推荐准确率下降的问题。针对这一问题,提出一种融合多种用户行为的协同过滤推荐算法,使用权重因子来综合衡量不同用户行为对推荐质量的影响,并引入重合依赖度的概念来修正传统的相似度度量方法。在收集的Top-md数据集上的实验结果表明,该算法能够全方位表达用户的就医偏好和意愿,有效提高个性化医疗推荐系统的推荐质量。     

个性化影片推荐系统中用户模型研究

个性化影片推荐服务是解决目前网络视频服务中影片资源迅速增长,用户"信息迷航"的有效方法.针对影片点播应用,给出个性化影片推荐服务系统的架构,根据用户点播历史记录即可实现与用户当前兴趣相关的影片推荐.提出基于本体论的影片模型,该模型有效保存了影片中与用户点播相关的信息,并在此基础上提出新的用户兴趣偏好学习算法,建立用户兴趣偏好模型.实验结果表明,基于影片本体论模型的推荐效果与传统方法相比,具有更高的准确率.     

基于Spark和微服务架构的电影推荐系统设计与实现

推荐系统广泛应用于人们生活的多个领域,日常生活中常见的有电商、电影、音乐和新闻推荐等。推荐系统根据用户的历史偏好主动推送相关的信息,节约了用户的时间,极大地提升了用户的体验。随着大数据技术的发展成熟,数据处理的速度变得更快。该文选取MovieLens电影数据集,并基于大数据分布式处理框架Spark和交替最小二乘法ALS等算法搭建数据处理平台,然后再结合Spring Boot和Spring Cloud等搭建电影后台服务,实现一个基于微服务架构的电影推荐系统。