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。     

旅游推荐系统研究综述

为用户提供个性化推荐服务并提高推荐的准确度和用户满意度,是当前旅游推荐系统的主要研究任务。文中分析了旅游推荐系统与传统推荐系统的异同点,并从基于内容的推荐、基于协同过滤的推荐、基于知识的推荐、基于人口统计的推荐、混和型推荐以及基于位置感知的推荐共6个方面考查了旅游推荐的研究现状。在此基础上,给出了旅游推荐系统的一个总体框架。最后,总结分析了旅游推荐系统面临的6个重点和难点问题,并指出了下一步需要关注的研究方向。     

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.     

互联网推荐系统比较研究

全面地总结推荐系统的研究现状,旨在介绍网络推荐的算法思想、帮助读者了解这个研究领域.首先阐述了推荐系统研究的工业需求、主要研究机构和成果发表的期刊会议;在讨论了推荐问题的形式化和非形式化定义之后,对主流算法进行了分类和对比;最后总结了常用数据集和评测指标,领域的重难点问题和未来可能的研究热点.     

联合正则化的矩阵分解推荐算法

推荐系统已成为一种解决信息过载和帮助用户决策的有效工具.当前的研究表明,结合社会关系的推荐模型能够提升推荐的性能.然而,已有的社会化推荐模型大都忽略了物品之间的关联关系对推荐性能的影响.针对此问题,提出一种度量物品之间关联程度的方法,并将其用于获取物品之间的关联关系.然后,将关联关系与社会关系相结合,提出一种基于联合正则化的矩阵分解推荐模型,并证明了联合正则化是一种加权的原子范数.最后,根据提出的模型构建了一种推荐算法CRMF.在4个真实数据集上的实验结果表明：与主流的推荐算法相比,该算法不仅可以缓解用户的冷启动问题,而且更能有效地预测不同类型用户的实际评分.     

推荐系统的应用及其安全性研究

文章介绍了推荐系统在电子商务和社交网络中的应用,并就相关安全问题进行了分析。     

社交网络环境下基于信任的推荐算法

现有的基于信任的推荐算法通常假设用户是单一和同质的,没有充分挖掘信任关系信息,且相似关系和信任关系的融合缺乏高效的模型,极大地影响了推荐的准确性和可靠性。本文提出一种基于信任的推荐算法。首先结合全局信任和局部信任,并利用信任的传播性质对信任关系进行建模,然后设置推荐权重,综合考虑相似度和信任度来构建用户间的偏好关系,筛选出邻居。接着将基于记忆的协同过滤思想和社交网络的信任关系融入概率矩阵分解模型,同时使用自适应权重动态决定各部分的影响程度,形成高效统一的可信推荐模型Trust-PMF。本文的算法在FilmTrust、Epinions这两个数据集上与相关算法做了对比验证,结果证实了此算法的高效性。     

面向微博用户标签推荐的关系约束主题模型

社会化标签系统允许用户使用个性化的词汇对网络中的资源进行标注而被用户广泛接受。在微博网络中,用户可以为自己加注标签以推广自己或者方便别人找到自己。深入分析了微博用户数据,总结了微博用户标签的特点,针对LDA（latent Dirichlet allocation）主题模型在处理短文本时存在的不足,提出了一种基于好友关系约束主题模型。在此基础上对微博用户标签进行主题分析,计算用户的主题分布,对标签词进行聚类,并最终为用户推荐标签。通过对比实验证明了该方法可以提高标签推荐的准确度。     

一种信任关系强度敏感的社会化推荐算法

为了进一步提高推荐算法的准确率,更好地对用户间的信任关系进行建模,首先提出了一种信任关系强度敏感的社会化推荐算法(StrengthMF).与以往的算法相比,该算法假设建立信任关系的两个用户之间并不一定存在着相似的兴趣爱好.在推荐过程中,StrengthMF算法通过共享的潜在用户特征空间来对信任关系强度和用户兴趣进行建模,通过进一步识别出那些与目标用户有着共同爱好的朋友来对求解的过程进行优化.为了验证算法所估计出的信任关系强度的准确性,接着又在SocialMF算法的基础上,提出了一种使用所估计的信任关系对其重新训练和学习的InfluenceMF算法.实验结果表明,与目前较为流行的方法相比,新方法能在RMSE和MAE上取得更好的推荐结果,其所推导出的信任关系强度能进一步提高已有推荐算法的性能.     

基于注意力机制的规范化矩阵分解推荐算法

近年来,矩阵分解(MF)技术因其有效性和简便性在推荐系统中得到广泛应用.但是,数据稀疏和冷启动问题导致MF学习到的用户特征向量不能准确地代表用户的偏好以及反映用户间的相似关系,影响了模型的性能.为了解决该问题,规范化矩阵分解(RMF)技术引起了研究者的关注.挖掘用户间可靠的相似关系,是RMF需要解决的问题.此外,MF将目标用户特征向量和目标项目特征向量的内积作为目标用户对目标项目的评分,这种简单的线性关系忽略了用户对项目各个属性特征不同的关注度.如何分析用户对项目属性特征的关注度,获取用户更准确的偏好,仍然是一个挑战.针对上述问题,提出了基于注意力机制的规范化矩阵分解模型(ARMF).具体地,为了获取用户间可靠的相似关系解决数据稀疏和冷启动问题,该模型同时依据用户信任网络和评分记录构建用户-项目异构网络,并基于该异构网络挖掘用户间的相似关系;为了进一步提升模型性能,通过在MF中引入注意力机制,分析用户对项目各个属性特征不同的关注度来获取用户更准确的偏好.最后,在两个真实数据集上对比ARMF与现有工作,实验结果证明,ARMF有更好的准确性和健壮性.     

广域推荐:社会网络与协同过滤(英文)

商务企业应用数据挖掘技术向潜在客户推荐产品。大多数推荐系统聚焦研究兴趣于特定的领域,如电影或书籍。使用用户相似度或产品相似度的推荐算法通常可以达到较好效果。然而,当面临其他领域问题时,推荐常变得非常困难,因为数据过于稀疏,难以仅基于购买历史发现用户或产品间的相似性。为解决此问题,提出使用社会网络数据,通过对历史的观察提高产品推荐有效性。利用人工协同过滤和基于社会网络的推荐算法的最新进展进行领域推荐工作。研究显示社会网络的应用对于产品推荐具有很强的指导作用,但是,高的推荐精度需以牺牲召回率为代价。数据的稀疏性意味着社会网络并不总是可用,在这种情况下提出一种解决方案,很好地利用了社会网络的有效信息。     

基于近邻用户评论的推荐辅助网络

评论数据存在稀疏问题,不足以支撑学习出更全面的用户偏好。针对评论稀疏问题进行了研究,并提出一种应对评论稀疏的“即插即用”辅助网络（NRSN）,其能与不同的模型进行结合,以添加辅助信息的方式,来重新调整当前模型输出的用户偏好向量。首先根据目标用户,使用aspect-attention机制从其近邻用户评论中学习出近邻用户的偏好,然后采用co-attention机制将近邻用户和目标用户进行契合度匹配,调整出目标用户新的偏好向量。在三组公开数据集下的实验结果表明,NRSN不仅能提高所结合模型的推荐性能,且能有效应对“冷启动”场景下的评论稀疏问题。     

基于位置的社会化网络推荐技术研究进展

随着移动互联网技术、定位技术和无线传感技术的飞速发展以及智能手机的不断普及,基于位置的社会化网络及其带来的应用服务应运而生并得到了迅速的发展.位置数据弥合了物理世界和数字世界之间的鸿沟,使得人们能够更深入地了解用户的偏好和行为.针对用户的兴趣所在,为用户提供基于位置的个性化推荐服务,已成为当前基于位置的社会化网络的一项重要服务,得到工业界和学术界的广泛重视,正成为推荐系统和社会化网络研究领域的一个新的研究热点.从推荐对象、推荐方法和评价方法3个方面对基于位置的社会化网络推荐技术进行概括、比较与分析;在此基础上,对这一研究领域未来可能的研究方向进行了总结与展望.     

GRSAT: A Novel Method on Group Recommendation by Social Affinity and Trustworthiness

ABSTRACT

Existing group recommender systems generate a consensus function to aggregate individual preference into group preference. However, the systems encounter difficulty in gathering rating-scores and validating their reliability, since the aggregation strategy requires user rating-scores. To solve these problems, we propose Group Recommendation based on Social Affinity and Trustworthiness (GRSAT) based on social affinity and trustworthiness, which is obtained from the user’s watching-history and content features, without rating-score. Our experiment proves that GRSAT has outstanding performance for group recommendation compared with the other consensus functions, in terms of the number of the movies and users, on both biased and unbiased groups.     

融合社交网络用户潜在因子的社会化推荐

针对传统社会化推荐准确率不高的问题,提出一种融合社交网络用户潜在因子的推荐算法SGCN-MF。SGCN-MF考虑社交网络中用户的隐语义信息对推荐结果的影响。使用图卷积神经网络将用户-项目历史交互信息和用户社交网络进行编码嵌入,学习得到具有用户特征和网络结构信息的节点在低维向量空间的潜在特征表达;将用户潜在因子融入基于矩阵分解的社会化推荐模型中;使用梯度下降算法训练模型参数。在Filmtrust、Ciao和Epinions数据集上的实验表明,与传统的社会化推荐算法相比,SGCN-MF能够提升推荐的准确率。     

协同过滤系统隐私保护和推荐准确性研究

针对协同过滤推荐系统在预测过程中容易泄漏用户概貌数据的问题,在不影响推荐准确性的前提下,提出一种用户数据混淆策略,使响应用户的评分数据在计算用户相似度之前被假数据代替,用户尽量少泄露(或不泄露)个人评分信息,进而实现用户隐私的保护。通过实验分析数据混淆策略对协同过滤推荐准确性的影响,证明该策略的有效性。     

Deep Learning Enabled Social Media Recommendation Based on User Comments

Nowadays, review systems have been developed with social media Recommendation systems (RS). Although research on RS social media is increasing year by year, the comprehensive literature review and classification of this RS research is limited and needs to be improved. The previous method did not find any user reviews within a time, so it gets poor accuracy and doesn’t filter the irrelevant comments efficiently. The Recursive Neural Network-based Trust Recommender System (RNN-TRS) is proposed to overcome this method’s problem. So it is efficient to analyse the trust comment and remove the irrelevant sentence appropriately. The first step is to collect the data based on the transactional reviews of social media. The second step is pre-processing using Imbalanced Collaborative Filtering (ICF) to remove the null values from the dataset. Extract the features from the pre-processing step using the Maximum Support Grade Scale (MSGS) to extract the maximum number of scaling features in the dataset and grade the weights (length, count, etc.). In the Extracting features for Training and testing method before that in the feature weights evaluating the softmax activation function for calculating the average weights of the features. Finally, In the classification method, the Recursive Neural Network-based Trust Recommender System (RNN-TRS) for User reviews based on the Positive and negative scores is analysed by the system. The simulation results improve the predicting accuracy and reduce time complexity better than previous methods.     

软集在移动套餐推荐中的应用

过多的资费套餐项目对移动电话使用者来说是一种信息超载，本文主要讨论如何利用软集对移动套餐进行推荐。基于软集的基本理论，本文设计移动套餐推荐的软集模型，并给出利用软集进行移动套餐推荐的算法，最后总结该方法的优缺点。     

考虑用户时空行为的众包任务推荐方法

当前的时空众包任务推荐方法大都是针对有奖励约束、全职做众包任务的众包工人,忽略了有兴趣偏好、不受奖励约束完成任务的兴趣型众包工人,如何将众包任务推荐给这些兴趣型工人,是亟待解决的问题。针对此情况,提出考虑兴趣型时空众包工人的时空行为规律和兴趣偏好的推荐方法。引入基尼系数,在数据中筛选出兴趣型时空众包工人的数据,利用地理-社会关系模型的聚类方法对众包任务进行聚类,用高斯分析的马尔可夫模型预测众包工人在下一转移时间点可能到达各个地点的概率,把位于众包工人可能到达地点的任务按概率降序推荐给兴趣型工人。实验结果表明,所提方法有效提高了兴趣型时空众包任务的完成率。     

Studying Recommendation Algorithms by Graph Analysis

We present a novel framework for studying recommendation algorithms in terms of the 'jumps' that they make to connect people to artifacts. This approach emphasizes reachability via an algorithm within the implicit graph structure underlying a recommender dataset and allows us to consider questions relating algorithmic parameters to properties of the datasets. For instance, given a particular algorithm 'jump,' what is the average path length from a person to an artifact? Or, what choices of minimum ratings and jumps maintain a connected graph? We illustrate the approach with a common jump called the 'hammock' using movie recommender datasets.