基于知识图谱共同邻居排序采样的推荐模型

知识图谱作为辅助信息可以有效缓解传统推荐模型的冷启动问题。但在提取结构化信息时,现有模型都忽略了图谱中实体之间的邻居关系。针对这一问题,该文提出一种基于共同邻居排序采样的知识图谱卷积网络(KGCN-PN)推荐模型,该模型首先基于共同邻居数目对知识图谱中的每个实体邻域进行排序采样;其次利用图卷积神经网络沿着图谱中的关系路径将实体自身信息与接收域信息逐层融合;最后将用户特征向量与融合得到的实体特征向量送入预测函数中预测用户与实体项目交互的概率。实验结果表明该模型在数据稀疏场景下相较其他基线模型性能均获得了相应提升。     

基于注意力增强的热点感知新闻推荐模型

完全个性化的新闻推荐工作通常只基于用户兴趣，可能会导致推荐结果与点击过的内容过于相似甚至重复.事实上即使一些热点新闻并不完全符合用户兴趣，用户也可能希望点击类似的新闻.目前基于热点的新闻推荐方法不能很好挖掘潜在新闻的热点特征、灵活平衡用户兴趣和热点特征.本文提出一种新颖的注意力增强的热点感知新闻推荐模型（Hotspot-aware Attention enhaNced model,HAN），充分利用注意力网络和自注意力网络等深度神经网络的优势，在个性化推荐中将个性化兴趣与新闻热点性进行更好平衡与利用.该模型包括新闻编码器、热点特征提取器、用户兴趣提取器和点击预测器四个组件.提出一个热点特征提取器，使用注意力网络动态聚合热点新闻学习热点表示以更好挖掘热点特征；提出一个新颖的点击预测器来灵活融合热点特征、用户兴趣和候选新闻，以提升候选新闻的点击预测准确率.真实数据集上的实验表明HAN模型在AUC(Area Under the Curve of ROC)和F1两项指标上分别提升了7.51%和8.63%，且能够有效缓解用户冷启动问题.     

基于栈式降噪自编码器的深度推荐

针对推荐系统的自然噪声问题,提出一种基于栈式降噪自编码器的深度推荐算法(Deep Recommendation Algorithm Based on Stacked Denoising Auto-encoder,SDAE-DR)。该推荐算法包含采样、重构及推荐3个模块。采样模块利用交互矩阵中的隐式反馈和项目的属性信息构建知识图谱,利用知识图谱中项目之间共同的知识实体来执行负采样。重构模块利用采样模块初步筛选的数据获得用户和项目评分向量,利用栈式自编码器对数据进行重构,从而获得用户和项目的隐表示。推荐模块利用用户信息和项目信息分别获取用户和项目特征向量,再与重构模块获得的隐表示结合,通过多层感知机来获得预测评分。实验表明,该算法与基准线相比,具有更高的推荐准确性和算法运行效率。     

基于异质图表达学习的跨境电商推荐模型

跨境电商产品推荐已经成为电子商务领域新兴的研究议题之一。由于电商产品信息复杂多样、“用户-产品”关联矩阵极为稀疏并且冷启动问题突出,因此传统的协同过滤推荐模型很难奏效。而改进的深度协同过滤模型,只考虑了用户对产品的“显式”和“隐式”的反馈信息,忽视了由用户与项目组成的图结构信息,推荐性能很难满足平台和用户的要求。为了解决这些难题,该文提出基于异质图表达学习的图神经网络模型(HGNR)用于个性化的跨境电商产品推荐,该模型具有2个显著的优势:(1) 构造“用户-产品-主题”3部图作为模型的输入,通过图卷积神经网络(GCN)在异质图上进行高质量信息传播和聚合;(2)能够获取高质量的用户和产品表征向量,实现了用户和产品复杂交互关系的建模。在真实的跨境电商订单数据集上的实验结果表明,HGNR模型不仅在推荐性能上表现出色,还能有效提升冷启动用户的推荐准确率,与9种推荐基准算法相比,HGNR在评价指标HitRate@10, Item-coverage@10, MRR@10上至少提升了3.33%, 0.91%, 0.54%。     

融合成对损失函数与分级图卷积网络的协同排名模型

协同排名方法是一类直接优化推荐项目序列的推荐方法,但在显式评分场景中,现有的协同排名算法对用户和项目间的交互信息利用不足,使用的交互函数对用户和项目间的非线性交互关系建模不充分。针对此问题,提出一种融合成对损失函数与分级图卷积网络的协同排名模型。首先根据评分数据构造用户和项目的分级异质交互二部图以及项目间的成对比较集合;之后利用分级图卷积网络挖掘用户和项目间的异质交互关系,并设计相应的自连接操作;接着利用神经网络融合辅助信息以构造两者的嵌入表示,结合神经网络与内积构造用户项目间的交互函数以建模非线性关系;最后基于成对比较数据优化模型,提升模型预测排名质量。在多个公开数据集上与同类方法的对比实验结果表明,所提算法预测排名质量较优。     

基于协同过滤的电子商务个性化推荐算法研究

采用基于使用者的协同过滤推荐算法进行电子商务个性化推荐,将获取的评价数据作为推荐算法的输入,根据使用者行为的相似性获取"最近邻居"集,统计其中各邻居对项目商品的评价分数,并以使用者对项目商品的评分形式和使用者关注度最高的多个项目商品推荐列表形式进行项目商品推荐。在获取"最近邻居"集的过程中,通过使用者特征集提升电子商务推荐系统推荐最近邻居的准确度,利用兴趣度随时间变化函数修正使用者评价矩阵,从使用者特性和兴趣两方面对协同过滤推荐算法进行个性化改进。研究结果表明,所提算法推荐项目商品所需时间始终低于对比算法,且采用该推荐算法后电子商务平台交易成功率由38.4%提升至87.2%。     

基于图神经网络的推荐算法研究

推荐系统中较为经典的协同过滤算法存在数据稀疏性和冷启动的问题,直接影响着评分预测的准确性。针对其存在的问题,文章提出一种端到端的基于图神经网络的推荐算法,该模型通过将原始的评分矩阵以用户项目二部图的形式作为输入,通过图卷积编码器来迭代聚合邻居节点信息得到用户及项目的潜在向量表示,经过非线性变换层传给解码器来重构邻接矩阵,缓解了数据的稀疏性对评分预测的影响。在MovieLens公开数据集上的实验结果表明,该模型的预测精度较经典的协同过滤模型有了明显的提升。     

基于对象特征组合联合知识图谱的推荐系统

目前主流的推荐系统模型需要在获取到足够多的数据时才有良好的表现,当获取的数据稀疏时推荐结果精确度较差;同时,把新加入推荐系统的项目推送给潜在用户以及获取新用户的兴趣点也都需要更好的解决方案.提出了一种基于对象特征组合联合知识图谱的推荐系统模型OCKG(Recommender System based on Object Feature Combination Embedded and Knowledge Graph).该模型以用户和项目为对立对象,通过用户和项目多维信息分别嵌入获取到相关性标签,加以训练得到同类共通性;同时,对嵌入后的的标签进行权重处理,将不同属性特征传播到知识图谱中以增强模型学习迁移能力,对推荐结果按照相关性紧密进行横向和纵向排位,从而实现推荐结果的预测.使用两个不同的公开数据集进行了对比实验,证明了该模型在稀疏数据和冷启动下推荐的有效性.实验结果表明,合理的特征组合以及控制知识图谱上的传播强度提升了模型的推荐性能,增强了模型鲁棒性.     

综合项目评分和属性的个性化推荐算法

针对传统协同过滤算法存在的数据稀疏性和冷启动问题,提出了一种综合项目评分和属性的个性化推荐算法.该算法在衡量项目相似性时,同时考虑用户评分和项目属性特征,并根据评分数据的实际稀疏情况动态调整两者的影响权重;预测评分时,利用用户对项目属性的偏好度来衡量其对未评分邻居项的喜好程度,并产生最终推荐.基于MovieLens数据集进行的实验结果表明,该算法使得最近邻的确定更加准确,系统推荐质量明显改善.     

基于项目属性和BP神经网络的协同过滤推荐

针对协同过滤推荐中存在的数据稀疏性问题,文中提出了一种基于项目特征属性和BP神经网络相结合的协同过滤推荐算法,并通过Movielens数据集验证了该模型的有效性。此方法首先将用户评分数据映射为用户对项目特征属性的偏好,然后使用BP神经网络训练得到目标用户的特征属性偏好模型并对新项目的评分进行预测,从而降低用户项目评分矩阵的数据稀疏性,最后使用协同过滤推荐算法,形成最近邻并生成推荐建议。     

一种改进相似度计算方法的协同过滤推荐算法

由于新用户和新项目的不断加入,传统的协同过滤推荐算法存在冷启动问题。针对该问题,提出了一种改进相似度计算方法的协同过滤推荐算法。首先根据项目的属性特征,计算项目的属性相似性,然后根据项目的用户评分,计算项目的得分相似性,按一定的权重比例将两种相似性组合起来作为最终的项目相似性。最后,根据项目相似性计算目标项目的邻居项目集,根据邻居项目集预测目标项目的用户评分。实验结果表明,新算法能提高推荐精度,并能在一定程度上解决冷启动问题。     

基于注意力机制和用户行为序列的推荐模型研究

现有多数推荐方法主要根据用户在会话期间点击的物品信息为用户推荐所需信息,但用户的兴趣在不同的时间会发生变化,因此很难从用户会话所点击的项目中获得用户的准确信息。为此,文中提出一种结合自我注意力网络（SAN）和循环神经网络中的门控循环单元（GRU）的SAN-GRU混合推荐模型,以预测用户的真实意图。首先,使用多层自我注意网络捕获会话中用户-物品之间交互的全局依赖,从而获取用户行为序列中的用户长期偏好,并采用GRU隐藏层的最后一个隐藏状态来表示用户在当前会话中的短期兴趣;其次,将长期兴趣和短期兴趣进行线性结合以获得会话最后的表示,来预测下一个项目被点击的概率。为验证所提方法的有效性,选取Yoochoose和Diginetica两个公开标准数据集,与基于会话的递归神经网络推荐模型（GRU4REC）等基线方法进行实验对比。结果表明,相较于基于会话推荐的短期注意力/记忆优先级模型（STAMP）,SAN-GRU混合推荐模型在Yoochoose 1 64数据集下的召回率提升6.8%,在Yoochoose 1 4数据集下的召回率和排名倒数的平均值分别提升1.6%和9.3%。     

基于上下文相似度和社会网络的移动服务推荐方法

针对传统的基于协同过滤的移动服务推荐方法存在的数据稀疏性和用户冷启动问题,提出一种基于上下文相似度和社会网络的移动服务推荐方法(Context-similarity and Social-network based Mobile Service Recommendation,CSMSR).该方法将基于用户的上下文相似度引入个性化服务推荐过程,并挖掘由移动用户虚拟交互构成的社会关系网络,按照信任度选取信任用户;然后结合基于用户评分相似度计算发现的近邻,分别从相似用户和信任用户中选择相应的邻居用户,对目标用户进行偏好预测和推荐.实验表明,与已有的服务推荐方法TNCF、SRMTC及CF-DNC相比,CSMSR方法有效地缓解数据稀疏性并提高推荐准确率,有利于发现用户感兴趣的服务,提升用户个性化服务体验.     

融合知识图谱与注意力机制的产学合作推荐研究

针对产学合作数据稀疏导致推荐精准性和解释性不高问题,提出了一种基于融合知识图谱与领域感知注意力机制的产学合作推荐模IUCR-SKG,旨在为企业用户推荐合适的科研团队,促进产学合作效率。首先构建了产学合作知识图谱和合作关系图,然后合并异构图并使用RotatE技术优化嵌入表示,接着采用基于注意力机制的领域融合方法扩展用户实体,最后使用多层感知机循环叠加结构预测企业用户和科研团队发生合作的概率。以“人工智能AI”领域为例,所提出的模型性能相较于基准模型均有显著提升,且注意力机制将邻域信息融合,扩展了企业用户的合作关系,使得推荐效果相较其他注意力机制的嵌入算法效果也得到一定的改善。     

基于启发式聚类模型和类别相似度的协同过滤推荐算法

基于k-近邻的协同过滤推荐算法对于邻居数量k的确定过于主观,并且推荐时以k-近邻均值加权推荐不够准确．针对这两个问题,本文首先引入并改进最大最小距离聚类算法,进而设计启发式聚类模型将用户进行不规定类别数的自由聚类划分,目标用户所在类的用户为邻居用户,客观确定邻居数量;然后在推荐时定义类别相似度,针对性地建立目标用户未评分和评分项目的潜在类别关系,改进k-近邻均值加权算法．实验结果表明,该算法提高了推荐准确度（约0．035MAE）．     

基于深度学习与社交感知的地点推荐

随着基于位置的社交网络的普及,地点推荐作为推荐系统的重要分支,在解决信息过载、提升用户体验、增加平台收益等方面的作用愈加明显。现有的地点推荐算法大多基于矩阵分解,难以刻画用户和地点之间复杂的交互关系;此外,在基于位置的社交网络中,社交信息是建立用户画像的重要数据来源,如何融合社交信息辅助地点推荐成为亟待解决的问题。本文研究了基于深度神经网络的地点推荐解决方案,通过设计基于社交信息的新型采样方式和正则化损失函数,从两个角度融合社交信息。在两个真实世界数据集上的实验表明,本文提出的方案可以极大提升地点推荐的精准度。     

基于大数据AI算法的IPTV推荐场景应用

北京IPTV智能推荐系统项目以现有北京IPTV用户的收视/订购行为数据和海量北京IPTV节目内容数据为基础，采用深度机器学习、自然语言处理等大数据AI人工智能算法和多维度分析推荐方法，根据机器训练数据和推荐结果反馈数据，不断优化北京IPTV大数据智能推荐系统策略及相关算法模型，以满足北京IPTV业务各个用户场景对智能推荐的要求，目标是实现提升北京IPTV各项核心业务指标。本文主要论述人工智能算法在北京IPTV业务应用中的思路和系统设计方案。     

基于交互感知的动态自适应的信任评估模型

构建了一种基于交互感知的动态自适应信任评估模型,将历史交互窗口和可信推荐数引入到了总体信任评估中,克服了传统模型对交互证据感知能力不足的问题。提出了基于满意度迭代的直接信任积累方法,并采用实体稳定度实现了激励和惩罚2种迭代策略,有效抑制了恶意伪装实体的作弊行为。给出了一种基于直接和间接相结合的综合推荐信任聚合方法,通过引入实体熟悉度和评分相似度解决了传统模型推荐准确度低和不可靠的问题。实验结果表明,与已有模型相比,该模型有效地提高了信任评估的准确性,并具有更强的抵御串谋实体协同作弊的能力。     

基于深度学习的压缩感知图像重构算法综述

压缩感知突破奈奎斯特采样定律(NST),很大程度缓解了数据的获取和传输压力.近年来,随着深度学习迅速发展,深度神经网络技术在压缩感知领域的应用使压缩感知重构的精度和效率均得到有效提升,并引起学者们的广泛关注和研究.为了对现有的基于深度学习的压缩感知图像重构算法进行梳理归纳,首先,介绍压缩感知的基础数学知识以及两种极具代表性的传统压缩感知重构迭代优化算法:ISTA和ADMM;接着,详细讨论上述两种传统算法的深度网络展开框架以及对基准框架的改进技术:ISTA-Net++和ADMM-Net,并对SDA、ReconNet、DR^(2)-Net等五种非传统算法展开的端到端的深度神经网络框架进行对比分析;然后,以峰值信噪比(PSNR)为评价指标,将代表性网络模型在自然图像数据集Train400和医学图像数据集MICCAI上的重构精度进行比较分析;最后,总结并展望深度学习技术在压缩感知重构领域的研究前景.     

一种基于信息老化的协同过滤推荐算法

协同过滤推荐算法中存在推荐信息低时效性问题,该文针对此问题,结合信息老化理论,提出一种基于信息老化的协同过滤推荐算法。该算法利用用户的点击记录,构建项目的时效性评价模型来预测项目当前时刻被点击的概率;将模型与基于项目协同过滤推荐算法结合,综合考虑用户的兴趣和项目的时效性来发现项目的最近邻居,从而进行高时效性的推荐。实验结果表明,与传统基于项目的协同过滤推荐算法相比,该算法提高了推荐结果的时效性。