一种改进的偏好融合组推荐方法

近年来,组推荐系统已经逐渐成为推荐系统领域的研究热点之一.在电影电视和旅游推荐中,用户常常是参与活动的一组人,这就需要为多个用户形成的群组进行推荐.作为解决群组推荐问题的有效手段,组推荐系统将单个用户推荐扩展为群组推荐,目前已经应用在新闻、音乐、电影、餐饮等诸多领域.现有的组推荐融合方法主要是模型融合与推荐融合,其效用好坏目前仍没有定论,并且它们各有自己的优缺点.模型融合存在着群组成员间的公平性问题,推荐融合忽视了群组成员间的交互.提出一种改进的偏好融合组推荐方法,它结合了两种融合方法的优点.同时根据实验得出了"群组偏好与个人偏好具有相似性"的结论,并将它结合在改进方法中.最后,通过在Movielens数据集上的实验分析,验证了该方法的有效性,证明了它能够有效地提高推荐准确率.     

基于图卷积网络融合群组关系的社会化推荐方法

协同过滤推荐系统普遍面临交互数据稀疏，社会化推荐通过引入用户社交信息来缓解数据稀疏问题。现有社会化推荐方法主要关注好友关系，即用户间形成的直接社交关系，但社交数据的稀疏性限制了该类方法的性能表现。由用户加入兴趣小组所形成的群组关系数量繁多且富有价值，然而目前较少有研究关注这种关系，仅有的方法多采用矩阵分解等传统方法建模，对用户协同兴趣和社交影响的表达不够深入。为提升推荐质量，进一步研究群组关系，从缓解社交数据稀疏性的角度论证其在辅助推荐方面的作用，并基于建模能力更强的图卷积网络学习用户、项目与群组之间的高阶关系，分别设计出以间接和直接方式利用群组关系的推荐方法 IGRec-Trans和IGRec-Direc，探索更合理的群组关系融合方式。在真实数据集上的实验结果表明，所提方法能有效提升推荐性能，相比最优基准方法DiffNet++，在HR@10和NDCG@10指标上最高可提升4.55%和3.98%，在冷启动用户推荐任务上NDCG@10指标最高可提升18.6%。     

基于马尔可夫聚类和混合协同过滤的电视节目推荐

针对家庭用户的电视节目个性化推荐问题,提出一种基于马尔可夫聚类和混合协同过滤(MCL-HCF)算法的混合推荐方法。采用马尔可夫聚类对各个时间段的电视用户进行聚类,产生不同的群组,最小化每个群组里的个体成员和群组整体的偏好差异,再以群组为单位进行电视节目推荐;使用基于物品的协同过滤和基于用户的协同过滤算法分别产生推荐列表;采用基于加权融合的混合推荐算法对两个推荐列表进行处理,得到最终的混合推荐结果。在公开数据集上的实验结果表明,该算法在平衡推荐惊喜度和相关性的同时能够获得令人满意的推荐准确率。     

融合双层注意力机制的群组偏好融合策略研究

当前推荐系统研究热点及其演变趋势之一是个性化推荐由关注个体推荐逐步转向关注群体推荐。目前多数群组推荐方法在选择偏好融合策略时习惯采用预定义的静态策略，而静态策略的特点就导致算法无法最大化模拟出群组决策的真实过程。在前人研究的基础之上提出一种基于双层注意力机制的群组推荐方法，该方法充分考虑到群体用户的差异性和相互影响，以及对于不同领域的决策权等问题。计算群组内每位成员对其他成员的注意力权重，获得群组成员特征向量，再计算每个成员在选择某一个项目的注意力权重，为群组生成对于该项目的偏好向量，以此来充分还原群组用户之间的交互以及群组决策的过程。通过在CAMRa2011和Meetup数据集上与COM、SIG、AGR、AGREE、FastGR等方法在不同参数条件下进行了对比，在归一化折扣累计增益和命中率两个指标上，相较基线模型平均提高了0.025 4和0.030 7。     

融合概率矩阵分解与ER规则的群组推荐方法

群组推荐需要同时考虑一组内所有成员的偏好,通过融合成员偏好进而向群组推荐项目。现有的对于组推荐方法的研究中大多都将相同的权重分配给群组中所有用户,而未考虑在现实生活中不同组成员的重要性和可靠性应不同。针对该问题,提出一种新的融合概率矩阵分解与证据推理（evidence reasoning,ER）规则的群组推荐方法（FPMF-ER）,以改进群组推荐中个体预测和偏好融合的过程。联合用户关系信息对经典概率矩阵分解加以改进,以获取更为完整、精准的个人预测评分;在组成员偏好融合的过程中引入ER规则,根据组成员的权重和可靠性识别群组成员的影响力,使偏好融合更为合理、准确。为了验证该方法的有效性,在Book-Crossing数据集上进行了对比实验,实验结果表明,相较于最优的基准模型,FPMF-ER的推荐结果准确性和用户满意度分别至少提高了2.55%和2.06%。     

基于区间型符号数据的群组推荐算法研究

传统群组推荐算法基于点数据描述群组用户模型,存在着信息缺失、很难统筹考虑所有个体用户的需求等问题。针对该问题,对个体评分数据按照符号数据分析的思想进行"打包",将群组成员的评分信息汇总为区间型符号数据。在Hausdorff距离基础上,采用区间内部点数据的描述统计量,提出了一种全新的区间数距离度量方法,并利用这种距离对区间型符号数据描述的群组实施K-均值聚类,由此确定相似群组,最后通过最近邻的评分预测目标群组的评分。将这种全新的群组推荐算法与传统方法进行推荐精度与效率的对比实验,结果表明,在各种实验条件下,基于区间型符号数据的群组推荐算法均优于传统点数据的群组推荐算法。     

融合用户信任度的概率矩阵分解群组推荐算法

利用推荐系统进行群组推荐时,群组成员之间的交互关系对推荐结果有很大影响,但传统的群组推荐算法较少考虑用户信任度的重要性,致使社交关系信息不能得到充分利用。在群组融合时考虑群组内用户间的交互关系,提出一种基于用户信任度和概率矩阵的群组推荐算法。在获取用户信任度数据后,使用概率矩阵分解（PMF）算法补全信任度矩阵并进行归一化处理,得到相似度矩阵,同时在后验概率计算过程中加入用户间的信任度因素,通过极大化后验概率获得预测评分。在此基础上,对群组中用户的权重进行归一化处理,使用基于用户交互关系的权重策略融合群组成员偏好,得到最终的推荐结果。在Epinions和FilmTrust数据集上的实验结果表明,该算法可使融合结果更具群组特性,同时提高推荐结果的可靠性和可解释性,且均方根误差和命中率均优于PMF、NeuMF、RippleNet等对比算法。     

融合领导者影响与隐式信任度的群组推荐方法

群组推荐需要同时考虑一组内所有成员的偏好,融合偏好进而向群组推荐项目。现有关于群组推荐方法的研究中大多使用固定的、对称的关系权重进行预测评分,忽略了群体成员之间复杂的关系影响,这会导致组推荐准确度偏低。为了解决上述问题,提出了一种融合领导者影响与隐式信任度的群组推荐方法（GRS-IT）,该方法通过模糊C均值聚类与皮尔逊相关性结合的方法,发现高相似度群组,有效地提高群组推荐效果和稳定性;引入领导者影响的方法,结合皮尔逊相关性与一种隐式信任度计算找出组内领导者并获取领导者与成员、成员彼此之间的动态影响权重,降低群组推荐的误差率;此外,该方法将基于人类遗忘曲线的时间函数融入到项目评分预测中,预测评分随时间变化赋予不同的时间权重值,进一步提高了群组推荐的准确性。采用对比实验对GRS-IT的有效性进行验证,结果表明,在MovieLens100K数据集上与其他群组推荐方法相比,推荐结果在准确度和群组成员满意度方面都有显著提高。     

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。     

基于异质信息网络分析的主题感知群推荐方法研究

在社交网络上面向群组推荐物品时,已有研究大多基于群成员的完整偏好,运用一些合成策略生成群推荐结果。但在实际中,促使群成员加入目标群的可能只是其完整偏好中与该群相关的部分偏好。因此,使用群成员的完整偏好进行推荐便会带来大量的噪声,损害推荐效果。为解决这一问题,提出了一种基于异质信息网络分析的主题感知群推荐方法HINGR_GT（heterogeneous information network analysis based group recommendation method with group topic considered）,针对每个群组构建面向群组的异质社交网络子图,将成员偏好中与群组无关的偏好提前排除在外,在此基础上使用异质网络表示学习方法为群组生成物品推荐。为验证所提方法的有效性,在豆瓣电影数据集上进行了实验,结果表明所提方法在所有评价指标上均取得了更好的效果。     

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。     

基于位置社交网络的兴趣点推荐研究

兴趣点推荐是基于位置社交网络中的研究热点之一。首先对从Web of Science收集的兴趣点推荐研究文献进行了分析;然后分析了影响兴趣点推荐的多种因素,并在分析传统兴趣点推荐方法基础上重点从用户历史签到信息建模和用户社交生成信息提取两个方面对基于深度学习的兴趣点推荐方法进行了分析;最后,对未来可能提高兴趣点推荐效果的研究方向进行了展望。     

融合社交信息的矩阵分解推荐方法研究综述

随着社交网络的发展,融合社交信息的推荐成为推荐领域中的一个研究热点.基于矩阵分解的协同过滤推荐方法（简称为矩阵分解推荐方法）因其算法可扩展性好及灵活性高等诸多特点,成为研究人员在其基础之上进行社交推荐模型构建的重要原因.本文围绕基于矩阵分解的社交推荐模型,依据模型的构建方式对社交推荐模型进行综述.在实际数据上对已有代表性社交推荐方法进行对比,分析各种典型社交推荐模型在不同视角下的性能（如整体用户、冷启动用户、长尾物品）.最后,分析基于矩阵分解的社交推荐模型及其求解算法存在的问题,并对未来研究方向与发展趋势进行了展望.     

融合情境语义推理及社会网络的团购推荐研究

随着团购以及移动终端的发展越演越烈,传统的推荐机制在团购推荐问题上逐渐呈现出弊端。针对团购推荐的情境敏感性,设计了基于情境语义推理的偏好分析模块,综合考虑了消费者长期演化形成的长期偏好以及基于情境形成的短期偏好;并将团购网络中的每个成员设定为复杂网络中的一个节点,将成员间的相互关系表示为节点的链接,构建团购用户的复杂网络,并设计了基于复杂网络的社会影响分析模块,以进行团购社区的划分,以及评测社区中成员之间的影响。基于此,完成了团购平台中两类产品的团购推荐研究。仿真实验表明,融合情境语义推理及社会网络的团购推荐机制具有良好的有效性及用户反馈满意度。     

融合社会网络与信任度的个性化推荐方法研究

针对协同推荐技术存在的数据稀疏性和恶意评价行为等问题, 提出了一种新颖的基于社会网络的协同过滤推荐算法。该方法借助社会网络分析技术对协同推荐方法加以改进, 结合用户信任关系与用户自身兴趣, 通过计算网络节点的可信度来消减虚假评分或恶意评分给推荐系统带来的负面影响, 从而提高了推荐系统的准确度。实验表明, 相对于传统的协同过滤算法, 该算法可以有效缓解用户评分稀疏性及恶意评价行为带来的问题, 显著提高推荐系统的推荐质量。     

幂律特性在新浪微博个性化推荐中的应用研究

在社交网络数据中,幂率分布是数据的基本规律,幂率分布的长尾部分数据有明显的稀疏性,长尾推荐一直是推荐系统的挑战,而冷启动、数据稀疏和覆盖率这些问题也是推荐系统的重要研究内容。通过分析数据幂律分布的特性,在研究社交网络个性化推荐方法的基础上,结合社交网络用户行为数据反映出来的幂律分布特性,通过极大似然估计数据幂律分布的标度值。结合幂率特性改进了相似度计算方法,提出了一种基于幂率特性的混合推荐方法 PowerLawCF。最后,使用新浪微博的用户签到数据进行对比分析,PowerLawCF算法的推荐效果有显著提升,提高了长尾推荐的效果,对推荐系统的数据稀疏性和冷启动问题解决效果较好,说明基于幂律分布特征的推荐方法在推荐系统中的应用有积极的效果。     

基于深度学习的用户行为推荐方法研究

利用用户行为数据,采用有效推荐方法,提供个性化推荐服务是社交网络平台普遍采用的策略,其中推荐方法的有效性是决定推荐服务质量的关键。基于矩阵分解和基于协同过滤的推荐方法由于存在稀疏性和过拟合问题等瓶颈难以大规模推广应用。在研究用户行为序列中相邻行为之间相似性和关联性的基础上,挖掘词语之间内部结构关系的TextRank,融合word2vec提出新的用户行为推荐方法。分析与实验结果表明：该推荐方法较传统推荐方法,在各项指标上都得到了一定的提升,验证了该方法的有效性和准确性。     

科研社交网络中基于异质网络分析的列表级排序学习推荐方法研究

针对现有学术论文推荐方法不能充分利用科研社交网络中实体间的异质关系,且大多聚焦于预测评分的准确性,忽略用户偏好顺序的问题,提出一种基于异质网络分析的列表级排序学习推荐方法。首先采用异质网络分析充分探究科研社交网络中实体之间的关系,在此基础上将异质网络分析获取的信息融入列表级排序学习框架中,对学术论文的推荐排序列表进行优化,最终得到为科研人员推荐的学术论文列表。在科研社交网络科研之友数据集上的实验结果表明所提方法较其他传统推荐方法取得了更好的结果,验证了该方法的有效性。     

A Novel Attention-based Global and Local Information Fusion Neural Network for Group Recommendation

Due to the popularity of group activities in social media, group recommendation becomes increasingly significant. It aims to pursue a list of preferred items for a target group. Most deep learning-based methods on group recommendation have focused on learning group representations from single interaction between groups and users. However, these methods may suffer from data sparsity problem. Except for the interaction between groups and users, there also exist other interactions that may enrich group representation, such as the interaction between groups and items. Such interactions, which take place in the range of a group, form a local view of a certain group. In addition to local information, groups with common interests may also show similar tastes on items. Therefore, group representation can be conducted according to the similarity among groups, which forms a global view of a certain group. In this paper, we propose a novel global and local information fusion neural network (GLIF) model for group recommendation. In GLIF, an attentive neural network (ANN) activates rich interactions among groups, users and items with respect to forming a group′s local representation. Moreover, our model also leverages ANN to obtain a group′s global representation based on the similarity among different groups. Then, it fuses global and local representations based on attention mechanism to form a group′s comprehensive representation. Finally, group recommendation is conducted under neural collaborative filtering (NCF) framework. Extensive experiments on three public datasets demonstrate its superiority over the state-of-the-art methods for group recommendation.