基于堆栈降噪自编码器改进的混合推荐算法

针对传统协同过滤算法仅利用评分信息作为推荐依据,没有利用用户评论和标签信息,无法准确反映用户对项目特征的偏好,推荐精确度低且容易过拟合等问题,提出一种基于堆栈降噪自编码（SDAE）改进的混合推荐（SDHR）算法。首先利用深度学习模型SDAE从用户自由文本标签中抽取项目的显式特征信息;然后,改进隐因子模型（LFM）算法,使用显式项目特征信息替换LFM中的抽象特征,进行矩阵分解训练;最后通过用户-项目偏好矩阵为用户提供推荐。在公开数据集MovieLens上的实验测试,与三组推荐模型（基于标签权重及协同过滤、基于SDAE和极限学习机、基于循环神经网络）比较,该算法推荐精确度分别提高了45.2%、38.4%和16.1%。实验结果表明,所提算法可以充分利用项目自由文本标签信息提高推荐性能。     

基于深度学习的混合推荐算法

针对传统的推荐系统存在推荐精度较低且冷启动较严重的问题,综合考虑评论文本与评分而提出改进的稀疏边缘降噪自动编码与近邻项目影响力的矩阵分解模型相结合的混合推荐方法。通过改进的稀疏边缘降噪自动编码模型从商品评论文本中来提取商品特征,将用户评论与评分联合,同时综合考虑了近邻用户对于目标用户的影响,将近邻项目影响力整合到矩阵分解算法之中,与传统的协同深度学习模型(CDL)和混合SDAE模型相比,最高可提升8. 370%。     

面向完全冷启动的深度混合协同过滤推荐算法

基于矩阵分解的协同过滤算法近年来获得了巨大的成功,但是依然存在冷启动,忽视用户及物品特征等问题,从而导致推荐质量不佳,用户体验度下降。论文提出了一种基于深度学习的混合协同过滤推荐算法,尝试引入堆栈降噪自编码器学习物品的隐含特征,同时结合半监督S4VM和隐含因子模型,综合考虑物品的内容特征及时间因素,以预测未评分的数据,解决冷启动问题。在标准数据集Movielens上进行的测试表明:该算法能有效预测冷启动物品的评分,性能提升显著,较传统推荐性能提升约为12%。     

基于降噪自编码器网络与词向量的信息推荐方法

基于降噪自编码器的推荐方法缺乏对项目共现关系的分析能力,且模型存在参数冷启动问题。为此,基于降噪自编码器网络与词向量,提出一种信息推荐方法。将用户看作文档,将用户评价过的项目看作词语,以此构建训练语料。利用词向量模型对语料进行训练,得到隐含上下文信息的项目向量。将所有项目向量作为初始权重构建降噪自编码器神经网络,训练得到模型参数。通过模型预测用户评分完成top-N推荐。在标准数据集上的实验结果表明,该方法能提高推荐准确率,训练速度优于降噪自编码、奇异值矩阵分解和协同过滤推荐方法。     

融入用户和项目特征的概率矩阵分解推荐算法

与传统的协同过滤推荐算法相比,概率矩阵分解(PMF)模型在大型、稀疏的数据集上表现良好,但其仅利用了用户对项目的评分信息,没有充分考虑用户和项目的特征,因此在推荐准确度等方面仍具有很大的提升空间.基于概率矩阵分解模型,融合用户属性特征、用户偏好特征和项目标签特征,提出一种新的推荐算法UFIF-PMF.首先,根据用户属性信息计算用户属性相似度,利用项目标签信息和用户评分信息计算用户偏好相似度,并通过加权构建用户相似度矩阵;然后,构建基于项目标签信息的项目相似度矩阵;接着,将用户相似度矩阵和项目相似度矩阵融入到概率矩阵分解模型中;最后,在电影公开数据集Movielens上进行模型训练和对比实验.实验结果表明,在训练集比例为90％、隐性特征维度为10的情况下,与PMF、基于用户偏好的概率矩阵分解推荐算法(USPMF)和融合物品相似度的概率矩阵分解推荐算法(ISPMF)相比,UFIF-PMF算法的均方根误差(RMSE)分别下降6.27％、3.65％和3.49％,平均绝对误差(MAE)分别下降8.46％、4.8％和4.67％,同时有效缓解了推荐系统的冷启动和数据稀疏问题,有较强的可扩展性.     

基于SDA与SVR混合模型的迁移学习预测算法

为了解决大数据时代下小样本数据预测精度不高的问题,提出一种基于堆栈降噪自编码(SDA)与支持向量回归机(SVR)的混合模型。该方法采用源域大样本数据对堆栈降噪自编码和支持向量回归机混合模型进行迁移预训练,再利用目标域小样本数据微调混合模型。堆栈降噪自编码器具有良好的通用深层特征自主抽取能力,能够发掘源领域与目标领域相似任务间的共有特征知识,该知识能够辅助支持向量回归机在高维噪声小样本数据集上的预测。在多种数据集上的实验结果证明了该方法的有效性。     

一种结合主题模型的推荐算法

针对传统协同过滤推荐算法存在的冷启动、数据稀疏以及相似度度量的准确性问题,基于LDA主题模型对文本隐式主题挖掘的有效性和KL散度在主题分布相似性度量的准确性,提出了结合LDA主题模型的矩阵分解推荐算法。首先,利用改进的LDA算法输出项目-主题分布,并用困惑度作为主题数设置的修正函数;然后分别基于余弦相似度和KL散度计算得到项目相似度矩阵,将得到的相似度矩阵结合原评分训练集输出预评分,再将预评分填充到训练集;最后将训练集输入ALS矩阵分解算法得到推荐结果。通过MovieLens数据集的实验结果表明,该算法在不同隐式参数设定下均能得到比ALS推荐算法以及更小的预测误差,并且最优预测误差小于传统推荐算法。该实验说明了通过集成LDA主题模型的ALS算法效果要优于其他推荐算法。     

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.     

基于受限波兹曼机的推荐算法研究

本文针对推荐系统中传统推荐算法在处理较稀疏数据效果表现不佳的问题,将一种最新的机器学习方法带入到推荐算法中,利用多层波兹曼机组成的深度结构模型与传统最近邻推荐方法相结合,形成一种新的推荐模型算法。本文还利用有限步吉布斯采样的最小化散度差（Constrastive Divergence）方法解决了该模型的无监督训练问题,并且通过预训练和反馈微调使得模型的训练得以实现;最后利用深度结构抽取的抽象特征结合最近邻方法进行预测推荐。另外,本文利用传统基于相似度最近邻方法,矩阵分解方法和新模型算法在相关数据集上进行多组实验,实验结果表明该算法不仅在稀疏的数据上也表现出更好的效果,并且拥有着更快的收敛速度。     

LinkMF: 结合Linked Data的协同过滤推荐算法

协同过滤(CF)是推荐系统中应用最为广泛的推荐算法之一,然而数据稀疏性和冷启动问题是协同过滤方法的两个主要挑战。由于Linked Data整合了关于实体的丰富且结构化的特征,可以作为额外的信息源来缓解以上两种挑战。该文中我们首次提出了结合Linked Data改进CF推荐算法,基于矩阵分解提出了一种新的CF模型——LinkMF,在保证推荐准确度的基础上利用Linked Data缓解数据稀疏性和冷启动问题。首先,我们从Linked Data中抽取项目的特征表示并为项目建模;然后提出新的相似度度量方法计算项目相似度;最后利用项目相似度约束和指导MF分解过程产生推荐。在MovielLens和YAGO标准数据集上的大量实验结果表明,LinkMF优于现有的一些CF方法,特别在缓解数据稀疏性和冷启动问题上取得很好地效果。     

融合用户特征优化聚类的协同过滤算法

针对推荐系统领域中应用最广泛的协同过滤推荐算法仍伴随着数据稀疏性、冷启动和扩展性问题,基于用户冷启动和扩展性问题,提出了基于改进聚类的PCEDS(pearson correlation coefficient and euclidean distance similarity)协同过滤推荐算法。首先针对用户属性特征,采用优化的K-means聚类算法对其聚类,然后结合基于信任度的用户属性特征相似度模型和用户偏好相似度模型,形成一种新颖的PCEDS相似度模型,对聚类结果建立预测模型。实验结果表明:提出的PCEDS算法比传统的协同过滤推荐算法在均方根误差(RMSE)上降低5%左右,并且推荐准确率(precision)和召回率(recall)均有明显提高,缓解了冷启动问题,同时聚类技术可以节省系统内存计算空间,从而提高了推荐效率。     

基于Spark并行化改进混合地点推荐

推荐算法是数据挖掘中最重要的算法之一.地点推荐是推荐系统的重要研究内容.针对目前地点推荐面临的数据稀疏、冷启动、个性化程度低等问题,设计并实现了基于Spark并行化处理的改进混合地点推荐模型.该算法融合了基于内容的推荐和基于协同过滤的推荐,结合了用户当前的偏好和其他用户的意见.使用基于用户-地点属性偏好的矩阵填充方式,以此改善数据稀疏性问题;同时,对于海量数据,系统采用Spark分布式集群实现并行计算,缩短了模型训练时间.实验结果表明,与其他推荐算法相比,该算法能有效改善数据稀疏性、提升推荐效果.     

协同过滤中相似度算法研究进展

推荐算法通过历史数据发现用户的兴趣偏好,在数据资源中寻找用户的偏好信息,并对用户进行推荐。目前,推荐系统中的协同过滤算法在各领域应用广泛,由于数据稀疏性和冷启动,使得推荐质量有所下降,为提升推荐精度,有学者从相似度方向进行研究。总结了推荐系统中最广泛使用的协同过滤算法,以及推荐系统中常用的传统相似度算法;对比分析了基于Pearson相关系数的相似度、余弦相似度、修正的余弦相似度等的适用场景;从冷启动和数据稀疏等方面分析了相似度的研究现状,研究表明通过混合相似度计算用户相似性,提高了推荐质量。最后,总结了相关文献在改进后存在推荐效率低、复杂度增高的问题,在提高推荐精度和推荐效率方面对相似度改进进行了展望。     

一种基于径向基函数与模糊自适应共振的电子商务推荐方法*

针对协同过滤推荐算法面临数据稀疏特征时推荐效果较差,存在冷启动、稀疏性、可扩展性等问题,提出应用径向基函数神经网络(RBFN)去解决传统协同过滤的缺点,有效地对稀疏性数据进行平滑处理,得到消除稀疏性后的完全评价矩阵。并提出通过模糊自适应共振神经网络对用户相似性聚类进行改进,进行实时推荐。实验评价结果表明,该方法与传统协同过滤推荐方法相比,无论在推荐精度还是推荐相关性上都更为有效。     

双通道深度主题特征提取的文章推荐模型

针对传统的文章推荐方法存在的冷启动、用户反馈稀疏以及相似度衡量准确性欠佳等问题, 本文提出了融合主题模型和预训练模型BERT的文章相似度计算模型(contextualized topic BERT, ctBERT). 给定查询, 该算法会计算查询与相关文章之间的相似度分数, 文章经过预处理分别输入独立的子模块进行特征抽取并计算相似度得分, 相似度得分与支撑集的个性化得分相结合以获得最终分数, 该方法将单样本学习整合进推荐框架中, 进一步取得了显著的改进. 本文在3个不同的数据集上的实验结果表明, 所提出方法在3个数据集上的NDCG标准均有提升, 例如在Aminer数据集上NDCG@3和NDCG@5标准比对比方法分别提高了6.1%和7.2%, 验证了该方法的有效性.     

基于MLP改进型深度神经网络学习资源推荐算法

针对在线学习过程中出现的知识过载及传统推荐算法中存在的数据稀疏和冷启动问题,提出了一种基于多层感知机（MLP）的改进型深度神经网络学习资源推荐算法。该算法利用多层感知机对非线性数据处理的优势,将学习者特征和学习资源特征进行向量相乘的预测方式转换为输入多层感知机的方式,改进了DN-CBR神经网络推荐模型。为验证模型的有效性,以爱课程在线学习平台数据为样本构建数据集,通过对比实验表明,在该数据集上,改进后模型相较于DN-CBR模型在归一化折损累积增益和命中率指标上分别提升了1.2%和3%,有效地提高了模型的推荐性能。     

基于混合自编码器的协同过滤推荐算法优化

协同过滤算法已广泛应用在推荐系统中,在实现新异性推荐功能中效果显著,但仍存在数据稀疏、扩展性差、冷启动等问题,需要新的设计思路和技术方法进行优化.近几年,深度学习在图像处理、目标识别、自然语言处理等领域均取得突出成果,将深度神经网络模型与推荐算法结合,为构建新型推荐系统带来新的契机.本文提出一种新式混合神经网络模型,该模型由栈式降噪自编码器和深度神经网络构成,学习得到用户和项目的潜在特征向量以及用户-项目之间的交互行为模型,有效解决数据稀疏问题从而提高系统推荐质量.该推荐算法模型通过MovieLens电影评分数据集测试,实验结果与SVD、PMF等传统推荐算法和经典自编码器模型算法作对比,其推荐质量得到显著提升.     

一种混合模式的协同过滤算法

当今是一个数据爆炸时期,促进信息过滤技术发展,个性化推荐系统作为其中一种重要的应用方式,已经成为很多网站一种个性化信息服务方式,但传统的协同过滤算法存在扩展性和稀疏性的问题。提出一种基于项目聚类、项目语义相似度和奇异值分解的混合推荐模型,来应对传统的协同过滤推荐系统面临的算法的伸缩性问题、数据稀疏性问题和推荐的精准度问题,进行推荐。结果表明,与传统的算法相比,使用该改进算法能显著地提高推荐系统的推荐质量。     

基于用户-项目的混合协同过滤算法

针对传统协同过滤方法中存在的冷启动和数据稀疏等问题,结合基于用户的协同过滤和基于项目的协同过滤提出一种混合协同过滤算法。在相似度的计算中提出改进算法来提高相似度计算的精确度;在预测未评分值时引入控制因子、平衡因子进行加权综合预测,最后再进行综合推荐。实验过程中采用Movie Lens数据集作为测试数据,同时采用平均绝对误差作为实验的测试标准。实验结果表明,基于用户-项目混合协同过滤算法在评分矩阵极度稀疏的环境下提高了推荐的性能,并能有效提高预测的精度。