可扩展的融合多源异构数据的推荐模型

社交关系在生活中扮演着重要角色,用户通常会受到其好友偏好的影响,更容易选择好友购买过的物品.为了解决推荐系统冷启动问题,对融合社交关系的推荐系统进行了研究,提出了贝叶斯个性化排序评论评分社交模型和可扩展的贝叶斯个性化排序评论评分社交模型,将评分、评论、社交关系等多源异构数据从数据源层面进行了融合,通过用户好友信任度模型将社交关系引入到推荐系统中,用基于段向量的分布式词袋模型处理评论,用全连接神经网络处理评分,用改进的贝叶斯个性化排序模型对排序结果进行优化.实验在Yelp公开数据集上进行了实验,实验结果表明,所提出的2种模型的推荐准确度均优于其他推荐模型.     

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。     

TPR-TF:基于张量分解的时间敏感兴趣点推荐模型

针对现有的兴趣点(POI)推荐研究没有合理地利用POI推荐的时间敏感性,对用户在不同时间段的行为偏好没有给予充分考虑,造成推荐效果较差的问题,提出了一种基于层次聚类的时间动态分段算法。把时间敏感的推荐和用户的直接朋友及潜在朋友影响相结合,扩充了用户的社交影响范围。在模型学习过程中采用按访问频次分布随机选择POI位置的方法,改善了经典的贝叶斯个性化排序(BPR)方法。实验结果表明,本文模型性能优于目前的主流POI推荐模型。     

一种基于深度学习的精准商品推荐方法

随着互联网技术的飞速发展,互联网用户在畅游网络的同时也面临着信息过载的问题,而个性化推荐技术则成为了解决信息过载问题的有力工具。为了对用户提供更精准的商品推荐服务,提出了一个基于栈式降噪自编码器（SDAE）和贝叶斯个性化排序（BPR）相结合的深度神经网络模型SDAE-BPR。首先,使用SDAE把商品评分数据作为输入,编码后得到隐特征。其次,用BPR的方法学习对应商品的隐特征向量。该模型能够避免矩阵稀疏性的影响,因此达到了更精准推荐商品的效果。最后,分别使用Movielens 20 M和Movielens 1 M数据集,对SDAE-BPR模型与传统基于商品的协同过滤模型（IB-CF）、传统基于用户的协同过滤模型（UB-CF）做了对比,结果发现SDAE-BPR具有更高的准确度。     

一种基于Bayesian网络的网页推荐算法

为改善用户的Web页面访问行为、提高访问效率, 设计了一种基于贝叶斯网络的网页推荐模型及推荐算法。通过收集和分析服务器中的描述文件和日志文件,利用Bayesian网络分析页面间的依赖关系,构建了基于贝叶斯网络的网页推荐模型并产生推荐集。通过在Microsoft公司提供的网络日志数据集上做的实验,可以获得超过80％的准确率和覆盖率。理论分析和实验结果表明,算法能够在线实时向用户做出个性化的推荐,与已有的推荐算法相比,算法能较快地给出推荐集,并且可以获得更高的准确率和覆盖率。     

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.     

基于PureSVD模型的协同过滤主动采样

提出了一种最大化参数变化的主动采样方法,可快速捕捉推荐系统中新用户的兴趣偏好.该方法在纯奇异值分解(PureSVD)模型的基础上,选取最大化模型参数变化的样本,然后向新用户查询样本物品的评分.得到的评分用来训练用户的纯奇异值分解模型参数,进而提供推荐列表.基于贪婪法提出了一种快速的近似采样算法,能在可接受的时间内得到采样列表.实验结果证明,在Movielens数据集上,该方法能在Top-N的标准下使用较小的样本,有效地提高了学习新用户偏好的效率.     

基于四阶奇异值分解的推荐算法研究

三阶奇异值分解推荐算法可以综合考虑用户、物品标签和物品三部分信息,挖掘三者之间的潜在关系进行推荐,然而该方法并没有引入其他方面的有效信息,如用户情感。为了考虑更多维度的信息,本文在三阶奇异值分解推荐算法的基础上,提出了一种加入用户情感信息的四阶奇异值分解推荐算法。该方法基于从评论中的emoji表情提炼出的用户情感偏好,再引入四阶张量模型,存储用户、用户情感、物品标签和物品四元组数据,应用四阶奇异值分解,从而进行个性化推荐。在某在线互联网教育的实证数据集上的实验结果表明,该方法比三阶奇异值分解推荐算法以及传统推荐算法在准确率和召回率性能指标上都有明显提升,其中进行Top-1推荐时,准确率和召回率可以达到0.513和0.339。本文的工作为移动通信端的个性化推荐提供了借鉴。     

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.     

面向服务推荐的QoS成列协同排序算法

针对传统基于服务质量(QoS)预测的推荐方法较少考虑服务间的排序对产生推荐列表的影响,不能准确体现用户偏好的问题。本文提出了一种基于QoS排序学习的服务推荐算法,选用计算复杂度较低的成列损失函数来优化矩阵因式分解模型,并通过挖掘用户间的近邻信息来进一步提高QoS排序的准确性。在真实数据集上的大量实验表明,该算法具有良好的性能。     

情境化条件下基于OBN模型的推荐算法研究

随着互联网的发展,用户获取信息精准度提高,个性化服务越来越重要.针对个性化推荐算法中用户相似性计算精度不高,导致算法的推荐精度低的问题,应用面向对象思想和贝叶斯理论、融合推荐对象的情境化因素,提出OBN模型,实现用户之间的相似度计算方法 ,该方法具有时间复杂度低、聚类稳定性强的特点.在此基础上设计个性化推荐算法.通过实验分析,提高个性化推荐的精度.     

基于Hadoop个性化推荐算法设计与实现

为了提升个性化推荐系统的大数据处理能力,选择基于用户聚类协同过滤的个性化推荐算法,并在Hadoop平台下实现算法的分布式并行化.离线状态下对用户物品矩阵降维,对用户进行聚类得到类别信息列表,对用户在类簇内进行推荐,并在相似度计算内引入物品贡献权重,最后对算法实现并行化得到推荐结果,实现基于用户聚类的分布式协同过滤推荐算法.最后对推荐结果进行测试分析,证明分布式个性化推荐有更好的推荐准确性和实时性.     

基于用户行为的个性化邮件分类算法

针对垃圾邮件过滤过程中分类模型难以个性化、难以适应用户兴趣动态变化的问题,提出了一种基于用户行为的个性化邮件分类算法.算法通过分析朴素贝叶斯分类算法的原理,改造朴素贝叶斯的算法使其具有动态调整能力.实验结果表明此算法具有较高的分类精度.     

基于竞争凝聚的个性化网页推荐

为了提高网站访问效率并得到有价值的个性化网页推荐,针对Web日志的新特性,提出了一种新的基于竞争凝聚的聚类算法.新算法对K-paths聚类算法进行了扩展和改进,按照路径的相似性进行聚类,采用竞争凝聚的思想,自动确定最佳的聚类数目.由于算法考虑了用户的访问兴趣,个性化网页推荐不打扰用户且不需要用户注册信息.利用关联规则得到个性化网页推荐集.用户推荐集和页面推荐集的结合大大提高了推荐效果,具有较好的扩展性.实验结果表明,与其他聚类方法相比该算法具有更高的推荐精度.     

网络资源中基于K-Means聚类的个性化推荐

为了实现在网络资源中为网络用户提供针对兴趣爱好的推荐项目,提出了一种基于K-means聚类的应用于动态多维社会网络的个性化推荐算法.首先根据用户评分数据对用户进行建模,并根据评分数据集构建多维用户网络,再加入局域世界演化理论形成动态多维网络;然后根据改进的K-means算法对用户聚类;最后根据最近邻居得到目标用户的预测评分作出推荐,从而形成一种应用于动态多维社会网络中的个性化推荐算法.实验表明,相比协同过滤个性化推荐系统,新推荐策略的预测值和真实值之间的误差较小,个性化推荐水平得到了一定程度的提高.     

对象级搜索中基于图的对象排序模型（英文）

摘要：提出了一种对象级搜索中领域无关的对象排序模型.给定对象集合以及对象间的关系,根据用户输入的对象查询,该模型按照对象与查询的相关度输出一个对象的排序表.采用一个多平面的图表示对象级搜索的空间,并基于该图分别提出了对象流行度评估算法、根据查询计算相关度的算法,以及合并多个对象查询的算法.针对ACM数据集上的实验结果表明该算法是有效的,在论文推荐与合并多对象查询方面,均取得了比PaperRank更好的结果.     

基于兴趣注意力网络的会话推荐算法

针对现有基于图神经网络的会话推荐算法对用户主要兴趣偏好提取不充分的问题,提出了一种基于兴趣注意力网络的会话推荐算法（Session-Based Recommender Method Based on Interest Attention Network,SR-IAN）。首先,使用图神经网络捕获物品之间的上下文转换关系,得到物品的图嵌入向量;其次,将图嵌入向量输入兴趣注意力网络中,提取用户的主要兴趣偏好;然后通过注意力层对物品的图嵌入向量进行加权区分;最后,通过预测层得到候选物品的点击概率值并对其进行排序。算法模型在3个公开数据集Diginetica、Retailrocket和Tmall上进行了实验验证,相比基准模型在MRR@20指标上分别有0.942%、1.183%和2.977%的提升,同时降低了模型时间复杂度,验证了该方法的有效性和高效性。     

相关性视觉对抗贝叶斯个性化排序推荐模型

传统推荐模型存在“数据稀疏”问题，且异构特征间深层语义未有效挖掘。提出相关性视觉对抗贝叶斯个性化排序（Correlation Visual Adversarial Bayesian Personalized Ranking, CVABPR）推荐模型。首先，基于原始MovieLens数据集，在IMDB爬取对应电影海报图像，构建全新多模态数据集：MovieLens-100k-WMI和MovieLens-1M-WMI。其次，基于SENet模型提取一组具有互补性的异构图像特征，准确描述电影海报图像。然后，改进聚类典型相关性分析模型，深入挖掘异构SENet特征间的聚类典型相关性。基于该相关性优化视觉贝叶斯个性化排序模型，以精准刻画待推荐项目。最后，在模型中主动加入扰动因子，通过对抗学习来增强视觉特征鲁棒性，使推荐模型更稳定，从而生成高质量个性化推荐结果。为验证CVABPR模型，在新的多模态数据集上完成全部实验。实验结果表明：CVABPR模型在这两个数据集上都有效。在MovieLens-100k-WMI数据集上，其推荐的均值平均精度（Mean Average Precision, MAP）指标较最强基线提升3.802%；在MovieLens-1M-WMI数据集上，其推荐的MAP指标较最强基线提升4.609%。CVABPR模型优于主流基线。消融分析实验表明：相比改进的聚类典型相关性分析模型，对抗学习在推荐中发挥更重要作用。此外，在数据稀疏度更高的MovieLens-1M-WMI数据集上，CVABPR模型能获得更大幅度性能提升，“数据稀疏”问题得到有效缓解，且异构特征间的深层语义也得以充分利用，CVABPR模型具备较高应用价值。     

基于门控循环单元与主动学习的协同过滤推荐算法

针对传统协同过滤推荐算法存在无法反映用户短时兴趣的问题,提出一种基于门控循环单元(gated recurrent unit, GRU)神经网络与主动学习的协同过滤推荐算法。在采用GRU神经网络的基础上,将数据进行时序化处理,反映用户兴趣变化,并利用主动学习动态采样数据中的高质量的数据进行GRU神经网络的训练,使模型快速建立。在MovieLens1M数据集上的试验结果表明:加入主动学习的GRU模型的推荐算法比基于用户的协同过滤推荐算法(user-based collaborative filtering, UCF)、基于马尔科夫模型的协同过滤推荐算法(markov chain, MC)、基于隐语义模型的协同过滤推荐算法(latent factor model, LFM)算法有更高的短时预测率、召回率、项目覆盖率以及用户覆盖数,能够有效预测用户短时兴趣,提升精度,发掘长尾物品,且与原始GRU模型相比能够以更少的迭代次数达到相同效果。     

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.