基于标准标签的用户兴趣模型研究

信息大爆炸的网络时代,个性化推荐是解决信息“超负载”的有效办法。用户兴趣模型是个性化推荐的核心,关系着整个推荐系统的推荐质量。标签一直被用于资源分类,在个性化推荐方面却很少使用。本文采取向量空间模型的建模方法,利用个性化标签描述用户兴趣,并提出一套简洁有效的标签标准化方法—基于属性共现率的标签标准化以及基于聚类的标签标准化方法对用户的自定义标签进行标准化。该模型能有效降低用户兴趣模型的向量维数,避免分析标签语义的复杂过程,且能够从用户的角度贴切地表达用户兴趣,实验结果表明该模型有助于提高个性化推荐的服务质量。     

基于标签和PageRank的重要微博用户推荐算法

海量的微博信息使新进用户很难获取到其感兴趣的内容,重要微博用户推荐为新用户提供了一条有效获取信息的途径。目前,由于 用户间的关系没有被充分考虑及缺乏对用户个性化标签的处理,导致重要微博用户推荐的准确率不高。为此,提出了一种基于标签和PageRank的重要微博用户推荐算法。该算法首先对个性化标签进行分词、去噪、设置权重等处理,并将其作为用户兴趣的代表;然后根据PageRank计算模型来分析用户间的关系,结合标签相似度计算向新用户推荐与其兴趣相似的重要微博用户。 实验表明,该算法由于融入了对微博用户关系和用户个性化标签的重要性分析,因此与基于标签和协同过滤的个性化推荐算法相比 具有更高的重要微博用户推荐准确率。     

TEFRCF:标签熵特征表示的协同过滤个性化推荐算法

标签作为Web 2.0时代信息分类和检索的有效方式,已经成为近年的热点研究对象。标签推荐系统旨在利用标签数据为用户提供个性化推荐。现有的基于标签的推荐方法在预测用户对物品的兴趣度时往往倾向于赋予热门标签及其对应的热门物品较大的权重,导致权重偏差,降低了推荐结果的新颖性,未能充分反映用户个性化的兴趣。针对上述问题,定义了标签熵的概念来度量标签的不确定性,提出了标签熵特征表示的协同过滤个性化推荐算法。该算法通过引入标签熵来解决权重偏差问题,利用三分图形式描述用户-标签-项目之间的关系;构建基于标签熵特征表示的用户和项目特征表示,并通过特征相似性度量方法计算项目的相似性;最后利用用户标签行为和项目的相似性线性组合预测用户对项目的偏好值,并根据预测偏好值排序生成最终的推荐列表。在Last.fm数据集上的实验结果表明,该方法能够提高推荐准确性和新颖性,满足用户的个性化需求。     

一种社会化标注系统资源个性化推荐方法

目前许多基于社化化标注的个性化资源推荐方法均忽视了用户长短期兴趣和多义标签问题对推荐的不同影响,为此,设计区分用户长短期兴趣的指标——用户的标签偏好权重和资源偏好权重;在此基础上,提出一种结合基于内容和基于协同过滤方法优点的混合推荐方法,通过加入标注相同资源的标签向量相似度计算因子,来减小多义标签对推荐结果的影响。实验表明,将该方法引入社会化标注系统资源个性化推荐算法中,能提高推荐精度。     

基于事件本体的新闻个性化推荐

针对传统推荐系统中存在的冷启动、数据稀疏、语义缺乏、推荐精度较低等问题,提出一种基于事件本体的推荐算法。结合新闻的分类结构和新闻语料构建事件本体,对用户浏览的新闻进行要素抽取并构建用户兴趣模型。基于事件本体的分类结构计算新闻事件之间的相似度,通过用户兴趣模型计算用户兴趣相似度,根据事件本体非层次结构的语义半径寻找相关新闻事件。综合事件本体相似度、用户兴趣相似度和非层次结构相似度3个方面得出新闻个性化推荐结果。实验结果表明,该算法的推荐结果优于协同过滤推荐算法和基于内容的推荐算法。     

改进的基于标签的协同过滤算法

针对现存的基于标签的个性化推荐系统在构建用户兴趣模型时未充分挖掘用户真正的兴趣爱好,且未考虑到时间因素对推荐结果的影响,提出一种改进的基于标签的协同过滤算法（ITCF）。该算法将用户评分融入到用户对标签权重的计算中,考虑用户不同兴趣程度的项目对推荐结果的影响,并使用指数渐进遗忘函数和时间窗口相结合的方法来捕捉用户兴趣的变化。在数据集Movielens上的实验证明,改进后的算法在precision、hit-rank以及NDCG三个评价指标上均取得了较好的推荐效果,其推荐的质量和效果均优于传统方案。     

一种基于改进型协同过滤算法的新闻推荐系统

将个性化推荐技术运用于新闻阅读应用,以其快速、精准的特点帮助用户快捷获取兴趣新闻,是值得挖掘的研究方向。设计并实现了一种新闻推荐系统,该系统基于用户协同过滤推荐技术,通过收集用户数据,计算阅读耗时因子对用户偏好值进行修正,纳入新闻热度影响并通过热度惩罚用户相似度值;然后基于相似邻居集对用户未阅读的新闻进行Top-N排序得到推荐列表,从而向用户推送其感兴趣的新闻。经测试,原型系统能够实时更新用户兴趣模型,达到推新、推准的效果,各项功能均已达到设计预期目标。     

基于用户关注度的个性化新闻推荐系统

为满足用户需求,以用户为中心,解决用户关注度不断变化、数据稀疏性、优化时间和空间效率等问题,提出基于用户关注度的个性化新闻推荐系统。推荐系统引入个人兴趣和场景兴趣来描述用户关注度,使用雅克比度量用户相似性,对相似度加权求和预测用户关注度,从而提供给用户经过排序的新闻推荐列表。实验结果表明,推荐系统有效地提高了推荐精准度和覆盖度,改善了系统可扩展性和自动更新能力,具有良好的推荐效果。     

新闻推荐的多维兴趣模型与传播分析

如何将合适的信息推荐给合适的用户以满足用户的个性化需求,是推荐系统的基本问题。新兴的社会化推荐系统(social recommender system)通过兴趣相似的用户之间分享信息而达到个性化推荐的目的。使用多维兴趣向量刻画用户的兴趣,采用多智能体模型(multi-agent model)模拟,并引入用户和新闻的质量,分析了用户网络的结构特征以及质量因素对新闻推荐和传播的影响。实验结果表明:不同社区的主题不同,社区的中心用户兴趣专一,与社区的主题一致。此外,推荐中引入质量因素可以加快系统在高推荐成功率上的收敛速度,更能区分不同质量用户的粉丝数和不同质量新闻的传播深度与广度,增强了高质量用户和新闻的影响力,提高了系统中新闻推荐的专业水平。     

一种综合LBS和社会网络标签的个性化推荐方法

针对现有的基于LBS(Location Based Service)个性化推荐系统在构建用户兴趣模型时存在的缺陷,提出一种综合LBS和社会网络标签的个性化推荐(LTCF)方法。通过引入网络标签和用户社会关系,从用户标注的标签资源中找到拥有共同兴趣爱好的用户关系以及从社会网络中找到与目标用户关系紧密的用户,同时结合考虑用户兴趣爱好随空间不断变化的特点,依据协同过滤算法,计算用户社会关系度和用户空间相似性,依此得到目标用户的最近邻集合,在最近邻集基础上给出推荐结果。实验结果表明,相比于传统的基于LBS推荐方法,LTCF模型在查全率和产准率有了显著的提升,能更好地反映出用户偏好,显著提高了推荐准确度。     

融合标签和长短期兴趣的矩阵分解推荐算法

为提高用户兴趣挖掘的准确性,实现更加精准的用户个性化推荐,提出一种融合标签和长短期兴趣的矩阵分解推荐算法。利用用户使用各标签的次数和生命周期挖掘用户的长短期兴趣,计算用户标签偏好值;利用用户标签偏好值比较用户间的兴趣,获得更加精准的用户间兴趣相似度;将用户间兴趣相似度引入矩阵分解模型,预测项目评分并进行推荐。实验结果表明,该算法挖掘出的用户兴趣比其它推荐算法准确。     

个性化高校新闻分类推荐的应用研究

随着信息化和数字化时代的到来,大数据广泛渗入到各个领域。信息过载使得用户无法快速、准确地获取个人最关注的内容,这严重影响了浏览页面时的用户体验。为了能精准地进行分类推荐,对新闻分类和推荐方法进行细致的研究,进而提出一种能够进行精准分类,准确获取信息的推荐方法。利用爬虫技术获取真实的高校新闻数据;采用基于肘部法则改进的K-means算法进行聚类分析;结合用户注册时选定的兴趣标签,利用基于内容与协同过滤组合的推荐策略,针对不同用户的需求进行个性化推荐;以列表等形式将个性化的推荐结果展示给用户。根据高校的真实数据进行实验,结果表明,该算法能够有效地对高校师生的个性化服务需求进行处理,提高获取新闻时的高效性、准确性和智能性。     

基于标签信息特征相似性的协同过滤个性化推荐

标签推荐系统旨在利用标签数据为用户提供个性化推荐。已有的基于标签的推荐方法往往忽视了用户和资源本身的特征,而且在相似性度量时仅针对项目相似性或用户相似性进行计算,并未充分考虑二者之间的有效融合,推荐结果的准确性较低。为了解决上述问题,将标签信息融入到结合用户相似性和项目相似性的协同过滤中,提出融合标签特征与相似性的协同过滤个性化推荐方法。该方法在充分考虑用户、项目以及标签信息的基础上,利用二维矩阵来定义用户-标签以及标签-项目之间的行为。构建用户和项目的标签特征表示,通过基于标签特征的相似性度量方法计算用户相似性和项目相似性。基于用户标签行为和用户与项目的相似性线性组合来预测用户对项目的偏好值,并根据预测偏好值排序,生成最终的推荐列表。在Last.fm数据集上的实验结果表明,该方法能够提高推荐的准确度,满足用户的个性化需求。     

基于用户兴趣三维建模的个性化推荐算法

针对推荐系统中用户的个性化需求,提出一种基于用户兴趣三维建模的个性化推荐算法.通过分析用户行为数据,从兴趣广度、兴趣深度和兴趣时效3个角度分析用户的兴趣构成,对用户兴趣进行三维建模,并在此基础上,逐步添加维度,设计用户之间兴趣相似度的三级计算方法.在真实推荐系统数据集上的实验结果表明,用户兴趣三维模型比一维模型、二维模型更能准确地表征用户兴趣,基于用户兴趣三维建模的个性化推荐算法能够提高个性化推荐的准确率.     

利用重叠社区检测技术提高大众分类网络的个性化推荐性能

在大众分类网络中,允许用户使用个性化标签对资源进行标注,标签可以使用户方便地表达的自己的兴趣与偏好.但是,标签自由、松散的分类方式使标签存在冗余、歧义以及一词多义的问题,使用户难以发现自己需要的资源,因此在基于标签的推荐系统中,推荐精确性低,用户体验差,社区发现(聚簇)技术是解决这一问题的重要手段.本文从构建标签共现图入手,采用标签共现图的重叠社区发现技术来理解标注的正确含义、减少冗余歧义标签带来的噪声.在此基础上设计了完整的个性化推荐方案,经过真实标签网络数据验证表明标签重叠社区检测能够提高推荐质量,算法在精确性和多样性上均有较好的改进.     

基于标签的强化学习推荐算法研究与应用*

针对协同过滤推荐算法性能稳定性往往受到数据稀疏性影响的问题,在强化学习的框架下提出一种基于标签的协同过滤推荐算法,利用标签模拟用户兴趣来构造非稀疏的个性化数据,并将模拟数据与历史用户访问数据相结合进行协同过滤推荐。实验结果表明,引入基于标签的个性化数据可以有效提升协同过滤算法的性能,且对两种数据的有效结合可以获得最好的效果。     

基于内容的推荐与协同过滤融合的新闻推荐方法

针对基于内容的新闻推荐方法中用户兴趣多样性的缺乏问题和混合推荐方法存在的冷启动问题,提出一种基于内容与协同过滤融合的方法进行新闻推荐。首先利用基于内容的方法发现用户既有兴趣;再用内容与行为的混合相似度模式,寻找目标用户的相似用户群,预测用户对特征词的兴趣度,发现用户潜在兴趣;然后将用户既有兴趣与潜在兴趣融合,得到兼具个性化和多样性的用户兴趣模型;最后将候选新闻与融合模型进行相似度计算,形成推荐列表。实验结果显示,与基于内容的推荐方法相比,所提方法的F-measure和整体多样性Diversity均有明显提高;与混合推荐方法相比,性能相当,但候选新闻无需耗时积累足够的用户点击量,不存在冷启动问题。     

基于电子商务的个性化推荐系统研究

在电子商务环境中,实现个性化服务,理解用户兴趣就成了提供个性化服务的关键任务。因此,建立用户兴趣模型和构建推荐库就成为个性化推荐系统的实现基础。论文通过网络爬虫获取到相关的网页,进行预处理后,采用SVM（支持向量机）分类文档建立推荐库。通过对用户访问路径、搜索关键字等分析,获取用户兴趣,采用向量空间模型表示用户兴趣,利用机器学习构建用户兴趣模型。在推荐库和用户兴趣模型的基础上,加入推荐引擎,实现了基于电子商务的个性化推荐系统。     

基于综合相似度和社交标签的推荐算法

针对传统个性化推荐方法所面临的冷启动、数据稀疏等问题,本论文结合了项目组的前期研究,在综合考虑用户特征和用户信任度的基础上,引入了用户兴趣,形成综合相似度.针对目前推荐系统中评分数据较少的问题,论文结合了社交标签,丰富了推荐数据.首先利用综合相似度,找到用户的相似近邻,并将相似近邻所标注的标签形成一个标签集.其次利用基于标签的推荐算法,产生最终的推荐列表.实验结果表明,该算法能够有效提高推荐的准确率和召回率.     

基于张量分解的个性化标签推荐算法

基于互联网的社会标签推荐系统为广大用户提供了一个信息共享平台,让用户以"标签"的形式为其浏览的物品标注信息。标签既描述了物品语义,又反映了用户偏好。标签系统的最大优势在于可以发挥群体的智能,获得用户对物品比较准确的关键词描述,而准确的标签信息是提升个性化推荐系统性能的重要资源。然而,现存的标签推荐系统面临的问题是:由于兴趣的不同,不同的用户对于同一物品可能会打不同的标签,或者是同一标签对于不同用户可能会蕴含不同的语义。因此如何有效获取用户、物品、标签3者之间潜在的语义关联成为标签推荐系统需要解决的主要问题。为此引入三维张量模型,利用三维张量的3个维度来分别描述社会标签推荐系统中3种类型的实体:用户、物品、标签。在基于历史标签数据(标签元数据)构建初始张量的基础上,应用高阶奇异值分解(HOSVD)方法降低张量维度,同时实现3种类型实体之间潜在的语义关联分析,从而进一步提高标签推荐系统的准确性。实验结果表明,该方法较当前两种典型的标签推荐算法(FolkRank和PR)在准确率和召回率性能指标上有明显提升。