幂律特性在新浪微博个性化推荐中的应用研究

在社交网络数据中,幂率分布是数据的基本规律,幂率分布的长尾部分数据有明显的稀疏性,长尾推荐一直是推荐系统的挑战,而冷启动、数据稀疏和覆盖率这些问题也是推荐系统的重要研究内容。通过分析数据幂律分布的特性,在研究社交网络个性化推荐方法的基础上,结合社交网络用户行为数据反映出来的幂律分布特性,通过极大似然估计数据幂律分布的标度值。结合幂率特性改进了相似度计算方法,提出了一种基于幂率特性的混合推荐方法 PowerLawCF。最后,使用新浪微博的用户签到数据进行对比分析,PowerLawCF算法的推荐效果有显著提升,提高了长尾推荐的效果,对推荐系统的数据稀疏性和冷启动问题解决效果较好,说明基于幂律分布特征的推荐方法在推荐系统中的应用有积极的效果。     

结合LDA和用户特征的协同过滤算法

针对协同过滤推荐算法的冷启动和数据稀疏问题,提出一种结合LDA和用户特征的协同过滤算法.利用基于吉布斯采样的LDA主题模型生成项目-主题隶属概率矩阵,通过矩阵运算构造用户-主题评分数据,设计结合夹角余弦法的用户相似性计算方案,从概率角度论证方案处理稀疏数据的有效性;针对用户特征信息结合海明距离进行编码,设计冷启动用户相似性评价方案,提高冷启动用户相似性评价的合理性.基于MovieLens数据集的实验结果表明,所提算法在面临数据稀疏和冷启动问题时均有较好推荐效果,在最近邻个数较少时有较好表现.     

结合概率矩阵分解的混合型推荐算法

针对社交网络推荐系统中存在的数据稀疏、冷启动等问题,提出了一种结合特征传递和概率矩阵分解（TPMF）的社交网络混合型推荐算法。以概率矩阵因式分解（PMF）方法作为推荐框架,不仅考虑了用户信任网络,还结合推荐项目之间的关联关系、用户项目评分矩阵和自适应权重来权衡个人潜在特征和社交潜在特征对用户的影响程度。将社交网络中用户间的信任特征传递引入推荐系统中作为推荐的有效依据。实验结果表明,与基于用户的协同过滤（UBCF）、TidalTrust、PMF和SoRec算法相比,TPMF的平均绝对误差（MAE）直接相减后降低了4.1%到20.8%,均方根误差（RMSE）降低了3.3%到18.5%。在冷启动问题中,与上述四种算法相比,TPMF的平均绝对误差相减后降低了1.6%到14.7%,均方根误差降低了约1.2%到9.7%,能有效缓解冷启动问题,提高算法的鲁棒性。     

基于图嵌入模型的协同过滤推荐算法

传统协同过滤算法存在严重的数据稀疏和冷启动问题。利用社交网络中的丰富信息为解决传统协同过滤算法的数据稀疏和冷启动带来了契机。然而,传统基于社交网络的协同过滤算法仅利用粗粒度、稀疏的用户信任关系来改进传统协同过滤算法,即用0或1表示用户之间信任程度。另外,传统基于社交网络推荐算法仅仅集成用户之间显式信任关系,而忽略用户之间隐式的信任关系。本文提出一种基于图嵌入模型的协同过滤推荐算法,即利用图嵌入模型技术学习社交网络中用户的低维特征表示,并根据用户的低维特征表示推导用户之间细粒度的信任关系。最后,根据信任用户和相似用户对目标物品的评分权重预测用户对目标物品的评分。在真实数据集上的实验结果表明,基于图嵌入模型的协同过滤算法的性能优于传统的协同过滤算法。     

基于信任计算和矩阵分解的推荐算法

基于矩阵分解的推荐算法普遍存在数据稀疏性、冷启动和抗攻击能力差等问题.针对上述问题,文中提出信任加强的矩阵分解推荐算法.首先,借鉴社会心理学中的信任产生原理,提出基于用户信誉度的信任扩展方法,缓解信任数据的稀疏性问题.然后,基于社交同质化原理,利用信任用户对评分矩阵分解过程中的用户潜在因子向量进行扩展,解决评分数据的稀疏性和新用户的冷启动问题.同时,利用信任关系对目标优化函数进行规格化约束,提高评分预测的准确性.基于通用测试数据集Epinions的实验表明,文中方法在推荐性能方面具有明显改善,可以有效解决数据稀疏性问题和冷启动问题.     

基于用户信任和兴趣的概率矩阵分解推荐方法

传统协同过滤推荐算法存在数据稀疏性、冷启动、新用户等问题.随着社交网络和电子商务的迅猛发展,利用用户间的信任关系和用户兴趣提供个性化推荐成为研究的热点.本文提出一种结合用户信任和兴趣的概率矩阵分解（STUIPMF）推荐方法.该方法首先从用户评分角度挖掘用户间的隐性信任关系和潜在兴趣标签,然后利用概率矩阵分解模型对用户评分信息、用户信任关系、用户兴趣标签信息进行矩阵分解,进一步挖掘用户潜在特征,缓解数据稀疏性.在Epinions数据集上进行实验验证,结果表明,该方法能够在一定程度上提高推荐精度,缓解冷启动和新用户问题,同时具有较好的可扩展性.     

社交网络服务中的多维空间视频推荐算法

视频推荐作为一项帮助用户迅速找到其最感兴趣视频的关键技术,是社交网络服务中比较重要的研究内容之一。传统推荐算法未能充分利用视频社会化网站中的多维信息,会导致冷启动和数据稀疏的问题。为此,提出一种社交网络服务中的多维空间视频推荐算法。综合分析构成视频社会化网络的多维信息源要素,在此基础上,通过构建多维聚类空间,进而实现基于多维聚类空间的视频推荐算法,利用构成视频社会化网络的多维信息源要素,为视频的个性化推荐提供信息来源,以解决冷启动和数据稀疏问题。实验结果表明,该算法在视频推荐准确度方面相对于传统视频推荐算法有明显提高。     

结合物品相似性的社交信任推荐算法

随着互联网的快速发展,用户很难在大量的网络数据中找到自己感兴趣的内容,而推荐系统能帮助解决这一问题.传统的推荐系统仅依赖用户历史行为数据进行推荐,存在数据稀疏和冷启动的问题.将社交网络信息融入推荐系统中被证明能够有效地解决传统推荐系统的问题,提高了推荐质量.但是,大部分基于社交网络的推荐仅关注用户之间的单向信任关系,忽...     

融合隐含信任度和项目关联度的矩阵分解推荐算法

随着社交网络的发展,融合社交信息的推荐系统在一定程度上解决了协同过滤推荐系统的冷启动和数据稀疏等问题,但是在信任数据稀疏情况下,仍会造成推荐精度降低等问题。为此,提出了一种融合隐含信任度和项目关联度的矩阵分解推荐算法。首先,利用矩阵分解模型将信任数据进行分解,得到用户的潜在被信任矩阵,在此基础上引入用户的影响力,从而提出了基于隐含信任度的推荐模型;然后,为了更好的利用项目间的关联信息,反映项目间的有向性,提出了基于项目关联度的推荐模型;最后,综合两种推荐模型并构建了一种推荐算法TCRMF。实验结果表明,所提算法在评分数据和信任数据稀疏的情况下仍然可以有效地提高推荐算法的精度,具有良好的应用前景。     

基于社交关系与无监督学习的大数据推荐算法

针对大数据推荐系统中推荐准确率与效率较低的问题,设计一种基于社交关系与多上下文因素的大数据推荐系统。基于活动用户的社交网络,构建一个社交关系的张量模型;通过张量分解获得用户的上下文因素;基于候选集的相似性产生一个推荐列表。基于用户的反馈预测社交关系的范围,有效地减少推荐系统的计算量。真实数据集的实验结果证明,该算法提高了推荐系统的推荐精度,有效地缓解了稀疏性问题与冷启动问题,并且实现了较快的响应时间。