基于矩阵分解的社交网络正则化推荐模型

社交网站的快速发展和普及使得实现高效的好友推荐成为了一个热点问题,而矩阵分解算法是被业界广泛采用的方法.虽然传统的矩阵分解算法能够带来良好的效果,但是仍然存在一些问题.首先,算法没有充分利用用户之间的社交网络结构化关系;其次,算法依赖的用户-物品评分矩阵只有二级评分不能充分表达用户的喜好.提出了一种基于矩阵分解的社交网络正则化推荐模型,利用社交网络中用户的近邻关系进行建模,并将其作为一种辅助信息融合到矩阵分解模型当中,该模型能够解决传统矩阵分解面临的问题.通过在腾讯微博数据集上进行实验对比,验证了本文提出的方法与传统的推荐方法相比能取得更高的推荐平均准确度.     

融合社交信息的矩阵分解改进推荐算法

矩阵分解的推荐模型具有推荐精度高和易扩展等特点,已成为目前融合社交信息构建推荐系统的主要模型,但在分解过程中,用户偏好矩阵和物品特征矩阵初始赋值的随机性影响了推荐的性能,忽略了物品以及用户之间隐含的联系与区别。为此,提出一种基于社交信息的矩阵分解改进算法。将评分值分别与社交信息和物品的特征属性相结合,构建用户相似网络与物品相似网络,同时应用社区划分充分挖掘用户、物品之间的潜在关系,并按不同类型节点的近邻差异性,通过建立核心、非核心节点的偏好向量与特征向量得到矩阵分解初始矩阵。在公开数据集上的实验结果表明,该算法的推荐性能优于MF、SR2等同类型算法,运行迭代次数明显降低。     

融合社交关系和局部地理因素的兴趣点推荐

兴趣点（Point-Of-Interest,POI）推荐是基于位置社交网络（Location-Based Social Network,LBSN）中一项重要的个性化服务,可以帮助用户发现其感兴趣的[POI],提高信息服务质量。针对[POI]推荐中存在的数据稀疏性问题,提出一种融合社交关系和局部地理因素的[POI]推荐算法。根据社交关系中用户间的共同签到和距离关系度量用户相似性,并基于用户的协同过滤方法构建社交影响模型。为每个用户划分一个局部活动区域,通过对区域内[POIs]间的签到相关性分析,建立局部地理因素影响模型。基于加权矩阵分解挖掘用户自身偏好,并融合社交关系和局部地理因素进行[POI]推荐。实验表明,所提出的[POI]推荐算法相比其他方法具有更高的准确率和召回率,能够有效缓解数据稀疏性问题,提高推荐质量。     

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.     

基于评论的隐式社交关系在推荐系统中的应用

传统推荐系统研究很少利用评论数据来提高推荐性能。评论数据富含用户对物品的评价观点,有助于建立用户间或物品间的关联。针对如何利用评论数据改善推荐效果,提出了一种基于评论的隐式社交矩阵分解模型。模型利用评论间的相似性构建用户间和物品间的隐式社交关系,并将该隐式关系集成到社交推荐框架中,改进了传统矩阵分解推荐模型。实验表明,基于评论数据的隐式社交关系在多个数据集上使传统矩阵分解算法的RMSE降低了约3%。特别是当系统面临用户冷启动困境时,即只有少量用户评分数据可被收集到时,推荐提升效果更为显著。这表明丰富的评论数据能够被转化为改善推荐系统的有用知识。     

LBSN中融合类别信息的混合推荐模型

针对基于位置的社交网络（Location-Based Social Network,LBSN）中用户签到数据的高稀疏性问题及用户隐私问题,提出了一种混合推荐模型（SoGeoCat）.首先,通过用户潜在兴趣点数据模型,学习用户的潜在兴趣点;其次,将用户的潜在兴趣点纳入融合类别信息的矩阵分解模型中并优化;最后,根据用户特征矩阵、兴趣点特征矩阵,提出推荐策略.基于Foursquare真实数据集,实验结果表明：（1）相比于其他几个推荐模型,该算法将用户的潜在兴趣点填充至用户-兴趣点矩阵中,可以有效地缓解数据稀疏性的影响;（2）该算法可保护用户家庭信息;（3）在推荐模型中纳入类别信息的影响能提高推荐效果.     

基于多维信任和联合矩阵分解的社会化推荐方法

针对现有社会化推荐算法在信任分析方面的不足，研究了从社交辅助信息中充分挖掘用户信任关系的方法，进而提出一种基于多维信任计算和联合矩阵分解的社会化推荐算法。首先，从用户社交行为、社交圈特征获得用户的动态和静态两种局部信任度，再利用信任网络的结构特征提取全局信任度；然后，构造一种对增强关注矩阵和社交信任矩阵进行联合矩阵分解的社会化推荐算法，并采用随机梯度下降法对其求解。基于新浪微博数据集的实验结果表明，所提出的算法在推荐精度和Top-K推荐能力方面明显优于socailMF、LOCABAL、contextMF和TBSVD这几种代表性的社会化推荐算法。     

融合社交网络和兴趣的正则化矩阵分解推荐模型

针对目前用户偏好数据和社交关系数据十分稀疏的问题,以及用户可能更加喜欢朋友推荐的商品而不喜欢非朋友推荐的商品这样一个事实,提出了一种结合社交网络和用户间的兴趣偏好相似度的正则化矩阵分解推荐算法,首先针对社交关系数据稀疏问题,利用网络的全局和局部拓扑特性挖掘出用户间的信任和不信任关系矩阵,然后定义了一种改进的用户间的兴趣偏好相似度计算方法,最后在矩阵分解的过程中将信任矩阵、不信任矩阵以及兴趣相关性综合起来为用户作出推荐。实验表明该方法优于主要的正则化推荐方法,与基本的矩阵分解模型（SocialMF）、SoRec、TrustMF、CTRPMF、RecSSN算法相比,算法在均方根误差（RMSE）和平均绝对误差（MAE）上分别减小了1.1%~9.5%和2%~10.1%,取得了较好的推荐效果。     

基于矩阵分解模型的微博好友推荐算法

微博作为一种实时的信息传播和分享的社交网络平台,对人们日常生活的影响越来越大.在微博中,用户可以通过关注关系,添加自己感兴趣的好友,扩大自己的交际圈.但如何推荐高质量的关注好友,一直是个性化服务的难点之一.针对此种情况,提出一种微博好友推荐算法,旨在为用户推荐高质量的关注用户.该算法是对基于Seeker-Source矩阵分解模型的一种改进算法.文中分析了微博用户的多种数据源信息,并给出了相应的特征提出方法,最后将这些特征引入到Seeker-Source矩阵分解模型中,通过对模型的优化求解,得到最佳的参数因子矩阵,从而完成好友推荐.在真实的微博数据集上的实验表明,本文所提出的算法取得了良好的效果.     

融合社交关系与地理信息的兴趣点推荐模型

基于LBSN的兴趣点推荐存在用户签到矩阵稀疏、推荐精度不高、上下文信息利用不充分等问题,提出一种融合社交信任的矩阵分解算法TGMF（Trust-Geo?Matrix?Factorization）来缓解以上问题。利用BPR模型优化矩阵分解的过程,改进偏序关系的生成策略。把信任影响和相似度计算相结合,提高推荐精度。融合两种模型得到用户的最终偏好列表。把偏好列表中的top-[k]个兴趣点推荐给用户。实验结果表明,在真实数据集Gowalla和Foursquare上,TGMF算法在准确率和召回率两个指标上均优于传统的兴趣点推荐算法。     

社会化推荐研究进展

文章提供了一个关于社会化推荐研究进展的概述。随着推荐系统研究的不断深入,将社会化影响融入推荐系统成为一个新的研究热点和问题丰富的研究领域。首先描述了社会化推荐的相关技术：推荐系统和社会化网络分析。对当前社会化推荐的一些最新技术方法进行分类介绍,具体包括利用社会化关系推荐物品,利用社会化关系推荐好友,根据内容推荐社会化关系,小组推荐和为团体推荐五个方面。     

Exploiting Structural and Temporal Influence for Dynamic Social-Aware Recommendation

Recent years have witnessed the rapid development of online social platforms,which effectively support the business intelligence and provide services for massive users.Along this line,large efforts have been made on the socialaware recommendation task,i.e.,leveraging social contextual information to improve recommendation performance.Most existing methods have treated social relations in a static way,but the dynamic influence of social contextual information on users'consumption choices has been largely unexploited.To that end,in this paper,we conduct a comprehensive study to reveal the dynamic social influence on users'preferences,and then we propose a deep model called Dynamic Social-Aware Recommender System(DSRS)to integrate the users'structural and temporal social contexts to address the dynamic socialaware recommendation task.DSRS consists of two main components,i.e.,the social influence learning(SIL)and dynamic preference learning(DPL).Specifically,in the SIL module,we arrange social graphs in a sequential order and borrow the power of graph convolution networks(GCNs)to learn social context.Moreover,we design a structural-temporal attention mechanism to discriminatively model the structural social influence and the temporal social influence.Then,in the DPL part,users'individual preferences are learned dynamically by recurrent neural networks(RNNs).Finally,with a prediction layer,we combine the users'social context and dynamic preferences to generate recommendations.We conduct extensive experiments on two real-world datasets,and the experimental results demonstrate the superiority and effectiveness of our proposed model compared with the state-of-the-art methods.     

科研社交网络中基于联合概率矩阵分解的科技论文推荐方法研究

近年来随着科研社交网络中科技论文数量爆炸式的增长,科研人员很难高效地找到与之相关的科技论文,因此面向科研工作者的科技论文推荐方法应运而生。然而,传统的科技论文推荐方法没有充分挖掘科研社交网络中广泛存在的社会化信息,导致科技论文推荐质量不高。为此,提出了一种科研社交网络中基于联合概率矩阵分解的科技论文推荐方法,在传统概率矩阵分解的基础上,融入了社会化标签信息和社会化群组信息来进行科技论文推荐。为了验证所提方法的有效性,抓取了科研社交网络CiteULike上的数据进行了实验。实验结果表明,与其它传统推荐方法相比较,所提方法在Precision和Recall两个评价指标上均取得了较好的推荐结果,并且能够应用于大规模数据集,具有良好的可扩展性。     

动态融合社交信息的社会化推荐

针对推荐算法中的数据稀疏问题,通常引入社交数据作为辅助信息进行社会化推荐。传统的社会化推荐算法忽略用户的兴趣迁移,导致模型无法描述用户兴趣的动态变化特征,也忽略了社交影响的动态特性,导致模型将很久以前的社交行为与近期社交行为同等对待。针对这两点提出一种社交信息动态融合的社会化推荐模型SLSRec。首先,利用自注意力机制构建用户交互物品的序列模型,以实现对用户兴趣的动态描述;然后,设计具有时间遗忘的注意力机制对社交短期兴趣进行建模,并设计具有协同特性的注意力机制对社交长期兴趣进行建模;最后,融合社交的长短期兴趣与用户的短期兴趣来获得用户的最终兴趣并产生下一项推荐。利用归一化折损累计增益（NDCG）和命中率（HR）指标在稀疏数据集brightkite和稠密数据集Last.FM上把所提模型与序列推荐模型（自注意力序列推荐（SASRec）模型）和社会化推荐模型（社会推荐的神经影响扩散（DiffNet）模型）进行对比验证。实验结果显示,SLSRec模型与DiffNet模型相比,在稀疏数据集上的HR指标提升了8.5%;与SASRec模型相比,在稠密数据集上的NDCG指标提升了2.1%,表明考虑社交信息的动态特性使推荐结果更加准确。     

一种面向获取空间信息的潜在好友推荐算法

随着社交网络的不断发展,朋友推荐已成为各大社交网络的青睐对象,在能够帮助用户拓宽社交圈的同时可以通过新朋友获取大量信息.由此朋友推荐应该着眼于拓宽社交圈和获取信息,然而传统的朋友推荐算法几乎没有考虑从获取信息的角度为用户推荐潜在好友,大多是依赖于用户在线的个人资料和共同的物理空间中的签到信息.而由于人们活动具有空间局部性,被推荐的好友分布在用户了解的地理空间,并不能够满足用户通过推荐的朋友获取更多地理信息的需求.本文采用用户在物理世界中的签到行为代替虚拟社交网络中的用户资料,挖掘真实世界中用户之间的签到行为的相似性,为用户推荐具有相似的签到行为且地理位置分布更广泛的陌生人,能够增加用户接受被推荐的陌生人成为朋友的可能性和在保证一定的推荐精度的基础上增加用户的信息获取量.本文采用核密度估计估算用户签到行为概率分布,用时间熵度量签到行为在时间上的集中程度,选择可以为用户带来更多新的地理信息的陌生人作为推荐的对象,通过大规模Foursquare的用户签到数据集验证本文的算法在精度上保证了与目前已有LBSN上陌生人推荐算法的相似性,在信息扩大程度上高于上述已有算法.     

基于多维社交关系嵌入的深层图神经网络推荐方法

社会化推荐系统通过用户的社会属性信息能缓解推荐系统中数据稀疏性和冷启动问题，从而提高推荐系统的精度。然而大多数社会化推荐方法主要针对单一的社交网络，或对多个社交网络进行线性叠加，使得用户社会属性难以充分参与计算，因而推荐的精度有限。针对该问题，提出一种多重网络嵌入的图形神经网络模型来实现复杂多维社交网络下的推荐，该模型构建了统一的方法来融合用户-物品、用户-用户等各种关系构成的多维复杂网络，通过注意力机制聚合不同类型的多邻居对节点生成作出贡献，并将多个图神经网络进行组合，从而构建了多维社交关系下的图神经网络推荐框架。这种方法通过拓扑结构直接反映推荐系统中实体及其相互间关系，直接在图上对相关信息进行不断更新计算，具有很强的归纳性，有效避免了传统推荐方法中信息利用不完全的问题。通过与相关的社会推荐算法进行比较，实验结果表明，所提方法在均方根误差（RMSE）和平均绝对误差（MAE）等推荐精度指标上有所改善，甚至在数据稀疏情况下也有良好的精度。     

社会化推荐研究综述

社会化推荐系统正随着互联社交网络的快速发展逐渐成为人们关注的热点问题。首先,介绍了社会化推荐的基础理论,阐述了社会化推荐的概念及基本框架,并在此基础上将其分类为面向个体的社会化推荐和面向群组的社会化推荐。接着,分别给出了面向个体和面向群组的社会化推荐的形式化定义,从个体和群组两个角度对社会化推荐系统的研究现状进行了综述。面向个体的社会化推荐主要包括基于评分预测的推荐方法和基于排序学习的推荐方法;面向群组的社会化推荐主要包括推荐方法的融合和推荐结果的融合。     

基于多维社交关系嵌入的深层图神经网络推荐方法

社会化推荐系统通过用户的社会属性信息能缓解推荐系统中数据稀疏性和冷启动问题,从而提高推荐系统的精度。然而大多数社会化推荐方法主要针对单一的社交网络,或对多个社交网络进行线性叠加,使得用户社会属性难以充分参与计算,因而推荐的精度有限。针对该问题,提出一种多重网络嵌入的图形神经网络模型来实现复杂多维社交网络下的推荐,该模型构建了统一的方法来融合用户-物品、用户-用户等各种关系构成的多维复杂网络,通过注意力机制聚合不同类型的多邻居对节点生成作出贡献,并将多个图神经网络进行组合,从而构建了多维社交关系下的图神经网络推荐框架。这种方法通过拓扑结构直接反映推荐系统中实体及其相互间关系,直接在图上对相关信息进行不断更新计算,具有很强的归纳性,有效避免了传统推荐方法中信息利用不完全的问题。通过与相关的社会推荐算法进行比较,实验结果表明,所提方法在均方根误差（RMSE）和平均绝对误差（MAE）等推荐精度指标上有所改善,甚至在数据稀疏情况下也有良好的精度。     

基于事件社会网络推荐系统综述

基于事件社会网络（Event-Based Social Network,EBSN）是一种结合了线上网络和线下网络的新型社会网络,近年来得到了越来越多关注,已有许多国内外重要研究机构的研究者们对其进行研究并取得许多研究成果.在EBSN推荐系统中,一个重要任务就是设计出更好、更合理的推荐算法以提高推荐精确度和用户满意度,其关键在于充分结合EBSN中的各种上下文信息去挖掘用户、事件和群组的隐藏特征.本文主要对EBSN推荐系统的最新研究进展进行综述.首先,概述EBSN的定义、结构、属性和特征,介绍EBSN推荐系统的基本框架,以及分析EBSN推荐系统与其他推荐系统的区别.其次,对EBSN推荐系统的主要推荐方法和推荐内容进行归纳、总结和对比分析.最后,分析EBSN推荐系统的研究难点及其发展趋势,并对本文作出总结.     

基于人工智能推荐算法的智能家庭社会服务机制

随着社交网络时代的来临,社交网络的类型逐渐覆盖到不同的用户群体,对不同用户群体进行社交网络需求的潜力挖掘是目前的研究热点。本文研究基于人工智能推荐算法构建家庭社交网络的多级圈层结构,并以此提出家庭和亲属的智能推荐算法,以智能算法和家庭这一特殊群体的社交模式设计由个人信息模块、基本功能模块、家庭信息模块、应用服务模块和开放API模块所构成的家庭社交网络系统。研究结果表明,在数据量达到一万以上时,智能推荐算法的执行效率是非智能推荐算法的3倍左右,集群节点数对执行效率有显著影响。此外,智能推荐算法下的社交系统表现出良好的使用效果,这说明智能推荐算法具有较高的实用性。通过对家庭社会服务进行数据化的推荐算法研究,以及对算法执行效率进行定量验证,为社交网络服务机制提供了数据支持,验证了家庭社会服务的市场潜力。