融合知识图谱与注意力机制的个性化序列推荐

序列推荐系统可以根据用户和物品交互的时间序列信息,精确预测用户下一次交互物品.现有的序列推荐算法存在用户兴趣过渡拟合的问题,导致推荐内容同质化严重,从而无法实现个性化推荐.基于此,本文提出一种融合知识图谱与注意力机制的个性化序列推荐算法(SR-KGA):首先,引入知识图谱,通过图卷积网络对物品进行嵌入表示;其次,通过自注意力机制和多头注意力机制构建序列到序列(seq2seq)模型,最后,在损失函数中加入多样性正则项;实现用交互序列来预测未来可能交互的物品序列,从而进行推荐.通过在真实的数据集上实验,SR-KGA在保证推荐准确度的同时,提升了推荐列表的多样性,实现了用户个性化推荐.     

基于云‒端融合的个性化推荐服务系统

主流个性化推荐服务系统通常利用部署在云端的模型进行推荐,因此需要将用户交互行为等隐私数据上传到云端,这会造成隐私泄露的隐患。为了保护用户隐私,可以在客户端处理用户敏感数据,然而,客户端存在通信瓶颈和计算资源瓶颈。针对上述挑战,设计了一个基于云?端融合的个性化推荐服务系统。该系统将传统的云端推荐模型拆分成用户表征模型和排序模型,在云端预训练用户表征模型后,将其部署到客户端,排序模型则部署到云端;同时,采用小规模的循环神经网络（RNN）抽取用户交互日志中的时序信息来训练用户表征,并通过Lasso算法对用户表征进行压缩,从而在降低云端和客户端之间的通信量以及客户端的计算开销的同时防止推荐准确率的下跌。基于RecSys Challenge 2015数据集进行了实验,结果表明,所设计系统的推荐准确率和GRU4REC模型相当,而压缩后的用户表征体积仅为压缩前的34.8%,计算开销较低。     

一类考虑负面评价的个性化推荐系统构架研究

该文重新考虑了用户的负面评价对改进推荐系统的作用,构建了考虑用户负面评价的个性化推荐算法框架。基于物质扩散算法和MovieLens标准数据集的数值实验结果显示,该算法框架不仅能够识别出并去除掉掺杂在用户推荐列表中的错误推荐信息,使系统中的冗余信息明显减少,还可以显著地提高系统的推荐准确度,改善推荐结果的质量。该工作开辟了利用用户负面评价改进推荐算法的新思路。     

基于旅游用户数据和评论的推荐系统的设计

随着国民生活水平的提高,旅游业蓬勃发展,旅游业与互联网的结合促进了在线旅游业的形成,也就是当代所说的"智慧旅游"。用户可以通过互联网了解各种各样的旅游信息,但是,日趋严重的过载旅游数据现象让旅游商们难以准确的挖掘出符合用户兴趣的个性化旅游信息,推荐出一个智慧的旅游路线更是如同大海捞针,而旅游推荐系统是解决这一问题的关键技术。本文基于个性化推荐算法的研究,将用户信息,用户评论,用户行为,用户历史订单,用户未来订单等多项数据作为算法的训练测试集,对功能性需求进行分析,开发了基于用户数据的推荐系统。     

对话推荐算法研究综述

推荐系统是一种通过理解用户的兴趣和偏好帮助用户过滤大量无效信息并获取感兴趣的信息或者物品的信息过滤系统.目前主流的推荐系统主要基于离线的、历史的用户数据，不断训练和优化线下模型，继而为在线的用户推荐物品，这类训练方式主要存在3个问题：基于稀疏且具有噪声的历史数据估计用户偏好的不可靠估计、对影响用户行为的在线上下文环境因素的忽略和默认用户清楚自身偏好的不可靠假设.由于对话系统关注于用户的实时反馈数据，获取用户当前交互的意图，因此“对话推荐”通过结合对话形式与推荐任务成为解决传统推荐问题的有效手段.对话推荐将对话系统实时交互的数据获取方式应用到推荐系统中，采用了与传统推荐系统不同的推荐思路，通过利用在线交互信息，引导和捕捉用户当前的偏好兴趣，并及时进行反馈和更新.在过去的几年里，越来越多的研究者开始关注对话推荐系统，这一方面归功于自然语言处理领域中语音助手以及聊天机器人技术的广泛使用，另一方面受益于强化学习、知识图谱等技术在推荐策略中的成熟应用.将对话推荐系统的整体框架进行梳理，将对话推荐算法研究所使用的数据集进行分类，同时对评价对话推荐效果的相关指标进行讨论，重点关注于对话推荐系统中的后台对话策略与推荐逻辑，对近年来的对话推荐算法进行综述，最后对对话推荐领域的未来发展方向进行展望.     

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.     

基于多属性的动态采样协同过滤推荐算法

针对目前协同过滤推荐算法推荐精度和用户数据在算法中匹配度都不高的问题,提出一种多属性的条件受限波尔兹曼机协同过滤推荐模型（MA-CRBM）。该模型基于实值状态的条件玻尔兹曼机,融合了用户职业和性别属性,充分利用数据集中潜在的评分与未评分信息。在训练过程中,采用动态迭代采样算法对原采样算法进行了改进,克服了训练后期数据采样误差波动太大导致精确度不高的问题。在MovieLens 数据集上的实验结果表明,MA-CRBM模型具有较好的推荐效果,可以有效提升推荐模型的精度和效率。     

基于RBLDA模型和交互关系的微博标签推荐算法

随着互联网技术的发展, 个性化标签推荐系统在海量信息或资源过滤中起着重要的角色. 在新浪微博平台中, 用户可以自主的给自己添加标签来表明自己的兴趣爱好. 同时, 用户也可以通过标签来搜索与自己兴趣爱好相似的用户. 针对新浪微博中大部分用户没有添加标签或添加标签数目较少的问题, 提出了一种基于RBLDA模型和交互关系的微博标签推荐算法, 它首先利用RBLDA模型来产生用户的初始标签列表, 然后再结合用户的交互关系而形成的交互图来预测用户标签的算法. 通过在新浪微博真实数据集上的实验发现, 该方案与传统的标签推荐算法相比, 取得了良好的实验效果.     

融合用户偏好和多交互网络的协同过滤算法

推荐系统中的辅助信息可以为推荐提供有用的帮助,而传统的协同过滤算法在计算用户相似度时对辅助信息的利用率低,数据稀疏性大,导致推荐的精度偏低.针对这一问题,本文提出了一种融合用户偏好和多交互网络的协同过滤算法(NIAP-CF).该算法首先根据评分矩阵和项目属性特征矩阵挖掘出用户的项目属性偏好信息,然后使用SBM方法计算用户间的项目属性偏好相似度,并用其改进用户相似度计算公式.在进行评分预测时,构建融合用户-项目属性偏好信息的多交互神经网络预测模型,使用动态权衡参数综合由用户相似度计算出的预测评分和模型的预测评分来进行项目推荐.本文使用MovieLens数据集进行实验验证,实验结果表明改进算法能够提高推荐的精度,降低评分预测的MAE和RMSE值.     

基于特征嵌入的去流行度偏差混合推荐算法

针对数据不均衡条件下贝叶斯个性化排序算法生成的推荐列表中存在强流行度偏差的问题,提出基于特征嵌入的去流行度偏差混合推荐算法。首先,利用卷积神经网络提取用户、物品特征确定用户偏好,并依据用户偏好对原始不均衡数据进行评分填充;其次,将卷积神经网络提取的用户偏好特征嵌入到贝叶斯个性化排序算法中进行混合推荐;最后,用评分填充数据训练混合推荐模型,得到去流行度偏差的个性化排序列表。为了验证算法的性能,在公开数据集MovieLens-100K和MovieLens-1M上进行分析与对比实验,实验结果显示流行度偏差降低了约50%~60%,精确度提高了约一倍。     

基于遗忘函数的均值贝叶斯个性化排序算法研究

针对贝叶斯个性化排序算法未能充分应用用户的行为信息,导致算法在数据稀疏情况下推荐性能以及鲁棒性均大幅度降低的问题,提出了均值贝叶斯个性化排序(MBPR)算法,来进一步挖掘用户对隐式反馈信息的偏好关系。考虑到用户兴趣随时间变化的特征,又将遗忘函数引入MBPR算法中。该算法首先对用户的历史评分记录进行预处理;然后根据用户的评分信息对项目进行正负反馈的划分,对每名用户进行个性化建模,挖掘用户对未参与项目的喜好程度,生成推荐列表。为验证提出算法的推荐性能,在公开数据集MovieLens及Yahoo上进行分析和对比实验。实验结果表明该算法的推荐性能及鲁棒性较对比算法均有显著提高。     

Diversified recommendation method combining topic model and random walk

As one of the most widely used algorithms in recommendation field, collaborative filtering (CF) predicts the unknown rating of items based on similar neighbors. Although many CF-based recommendation methods have been proposed, there still be room for improvement. Firstly, the data sparsity problem still remains a big challenge for CF algorithms to find similar neighbors. Secondly, there are many redundant similar items in the recommendation list generated by traditional CF algorithms, which cannot meet the user wide interest. Therefore, we propose a diversified recommendation method combining topic model and random walk. A weighted random walk model is presented to find all direct and indirect similar neighbors on the sparse data, improving the accuracy of rating prediction. By taking both users’ behavior data and items’ lags into account, we give a diversity measurement method based on the topic distribution of items discovered by Linked-LDA model. Furthermore, a diversified ranking algorithm is developed to balance the accuracy and diversity of recommendation results. We compare our method with six other recommendation methods on a real-world dataset. Experimental results show that our method outperforms the other methods and achieves the best personalized recommendation effect.     

Online social trust reinforced personalized recommendation

Recommendation techniques greatly promote the development of online service in the interconnection environment. Personalized recommendation has attracted researchers’ special attention because it is more targeted to individual tasks with the characteristics of diversification and novelty. However, the data sets that personalized recommendation process usually possess the characteristics of data sparseness and information loss, which is more likely to have problems such as cognitive deviation and interest drift. To solve these issues, in recent years people gradually notice the important role in which trust factor plays in promoting the development of personalized recommendation. Given the difference between online social trust and traditional offline social trust in facilitating personalized recommendation, this paper proposes a novel technique of online social trust reinforced personal recommendation to improve the recommendation performance. Compared with traditional offline social trust-based personal recommendation, our work synthesizes both factors of online social trust and offline social trust to identify private and public trusted user communities. The trusted degree or the accredited degree can be deduced by Bayesian network probabilistic inferences. In this way, the performance of personalized recommendation can be improved by avoiding excessive interest deviation. Moreover, we also get time sequence into personal recommendation model to effectively track how user’s interest changes over time. Accordingly, the recommendation accuracy can be improved by eliminating the unfavorable effect of interest drift caused by temporal variation. Empirical experiments on typical Yelp testing data set illustrate the effectiveness of the proposed recommendation technique.     

融合神经网络和泊松分解的兴趣点推荐算法

针对兴趣点推荐系统存在的隐式反馈建模用户-POI交互准确率不高和忽视用户签到数据的隐性反馈属性的问题。提出了一种新颖的兴趣点推荐算法。具体而言,采用一种基于神经网络的排序算法来捕获用户-兴趣点的交互关系,结合泊松分解算法和贝叶斯个性化排序技术建模用户的签到行为,将上述2个步骤得到的算法整合到统一的推荐算法架构中,从而提供兴趣点推荐服务。实验结果表明,提出的算法推荐性能优于传统主流先进兴趣点推荐算法。     

基于Cross-DeepFM的军事训练推荐模型

为了将推荐系统应用到军事训练领域,充分发挥军事训练大数据在个性化训练方面的价值,提出了一种基于深度学习的混合推荐模型Cross-DeepFM。首先采集和预处理真实军事训练数据,构建出自定义军事训练数据集;然后将深度残差神经网络、深度交叉网络和因子分解机相结合,设计了Cross-DeepFM模型结构并对模型细节进行分析;最后在自定义军事训练数据集上进行了实验与分析比较。实验结果表明,该模型与主流推荐模型相比具有更高的准确度,可有效完成军事训练个性化推荐任务。     

基于多权重相似度的随机漫步推荐算法

在传统个性化推荐算法的基础上,提出了一种基于多权重相似度的随机漫步推荐算法。为了解决传统协同过滤算法中忽略了社交网络、热门项目以及共同评分项目之间影响等问题,通过引入万有引力公式计算社交网络中的用户相似度,并对传统协同过滤算法中的相似度进行改进,采用权重因子结合这两者相似度,最后开拓性地结合随机漫步算法进行商品推荐。实验结果表明,提出的算法具有比其他推荐算法更好的推荐性能。     

融合时间隐语义填充和子群划分的推荐算法

随着个性化推荐技术的发展，推荐系统面临着越来越多的挑战。传统的推荐算法通常存在数据稀疏性和推荐精度低等问题。针对以上问题，提出了一种融合时间隐语义填充和子群划分的推荐算法[K]-TLFM（Time Based Latent Factor Model Integrated with [k]-means）。该算法利用融合时间因素的隐语义模型对原始用户物品评分矩阵缺失项进行填充，避免了用全局平均值或者用户/物品平均值补全矩阵带来的误差，有效缓解了数据稀疏性问题，同时融合时间因素有效地刻画了用户偏好随时间的变化；完成评分矩阵缺失项填充后，基于二分[k]-means聚类算法将偏好、兴趣特征相似的对象划分到同一个子群中，在目标用户所属的子群中基于选定的协同过滤算法为用户产生推荐列表，提高了推荐效率和准确性。在MovieLens和Netflix数据集上对该算法的推荐性能进行了对比实验，结果表明该算法具有更高的推荐精度。     

基于二分图卷积表示的推荐算法

随着数据驱动智能技术的快速发展,个性化推荐算法及相关应用成为了研究热点。推荐可视为将用户与物品进行匹配的问题,但用户与物品之间存在的语义差距不便于两者之间的直接匹配。现有的许多基于深度学习的推荐算法采用的思路都是将不同空间中的实体映射到统一潜在语义空间,利用其嵌入表示来进行匹配度计算。随着网络表示学习方法的出现,由于用户和物品的交互可构成二分图,用户和物品的嵌入表示可被视作二分图节点表示,许多基于二分图节点表示的推荐算法被提出,但现有算法仍难以对高阶交互信息进行有效提取。针对这一问题,文中提出了一种基于二分图卷积表示学习的推荐算法BGCRRA(Bipartite Graph Convolution Representation-based Recommendation Algorithm)。该算法首先将用户和物品交互视作二分图,然后通过实现自适应融合多阶、多层次的图卷积模型来对节点进行嵌入表示,最后计算用户和物品的匹配度,并实现推荐。文中在3个公开的数据集上进行对比实验,通过将该算法与当前表现优异的算法进行HR和NDCG(Normalized Discounted Cumulative Gain)指标的比较分析,验证了所提推荐算法的有效性。     

简化的Slope One在线评分预测算法

个性化推荐系统是大数据时代信息过滤的有效手段,影响推荐系统预测准确性的主要原因之一是数据稀疏性。Slope One评分预测推荐算法采用简单的线性回归模型解决数据稀疏问题,具有易于实现、评分预测速度快的特点,但它在训练阶段生成项目之间评分差的时间和空间消耗大,训练阶段需离线进行。为解决以上问题,提出一种简化的Slope One算法——Simplified Slope One,以两项目历史平均分之差代替项目评分差,来降低算法的时间复杂度和空间复杂度,简化耗时最多的生成项目之间评分差的过程,以有效提高评分数据的利用率,对稀疏数据有更好的适应性。在Movielens数据集上利用按照时间戳排序后划分的测试集进行实验,结果表明Simplified Slope One算法对评分预测的准确性与原Slope One算法接近,但时间复杂度和空间复杂度均低于原Slope One算法,更适合在数据规模增长迅速的大型推荐系统中应用。