基于加权三部图的协同过滤推荐算法

针对基于用户的协同过滤算法推荐结果过度集中在热门物品,导致多样性和新颖性较低、覆盖率较小的问题,文中提出基于加权三部图的协同过滤推荐算法.在分析数据稀疏和附加信息较少的基础上引入标签信息,可同时反映用户兴趣和物品属性,利用用户、物品和标签三元关系构建三部图.通过三部图网络映射到单模网络的方法获得用户偏好度,构建用户偏好度加权的三部图模型.根据热传导方法在加权三部图上进行资源重分配,挖掘更多的相似关系,利用协同过滤框架预测评分并进行推荐.在真实数据集上的实验表明,文中算法可较好地挖掘长尾物品,实现个性化推荐.     

基于用户-标签-项目语义挖掘的个性化音乐推荐

个性化推荐系统面临的难题是推荐的准确性、多样性以及新颖性,同时其数据集存在稀疏、信息缺失(如用户描述、项目属性以及明确的评分)等问题.协同标注中的标签包含丰富的个性化描述信息以及项目内容信息,因此可以用来帮助提供更好的推荐.算法以二部图节点结构相似与重启型随机游走为基础,分析音乐社交网络Last.fm中用户、项目、标签两两之间的联系,首先构建音乐间及标签间的相邻关系,初步得到音乐推荐列表和间接关联音乐集合,然后按所提算法融合结果,重新排序,得到最终推荐列表,从而实现个性化音乐推荐算法.实验表明,在该数据集上,所提方法能够满足用户对音乐的个性化需求.     

融合朋友关系和标签信息的张量分解推荐算法

针对大众标注网站项目推荐系统中存在数据矩阵稀疏性影响推荐效果的问题,考虑矩阵奇异值分解(SVD)能有效地平滑数据矩阵中的数据,以及朋友圈能够反映出一个人的兴趣爱好,提出了一种融合朋友关系和标签信息的张量分解推荐算法。首先,利用高阶奇异值分解(HOSVD)方法对用户-项目-标签三元组信息进行潜在语义分析和多路降维,分析用户、项目、标签三者间关系;然后,再结合用户朋友关系、朋友间相似度,修正张量分解结果,建立三阶张量模型,从而实现推荐。该模型方法在两个真实数据集上进行了实验,结果表明,所提算法与高阶奇异值分解的方法比较,在推荐的召回率和精确度指标上分别提高了2.5%和4%,因此,所提算法进一步验证了结合朋友关系能够提高推荐的准确率,并扩展了张量分解模型,实现用户个性化推荐。     

基于社会化标签和历史价格曲线的网络结构个性化推荐方法

社会化标签包含商品丰富的内容,体现用户对商品的个性偏好,而商品的历史价格曲线影响用户的购买倾向。为此,提出社会化标签和历史价格曲线的个性化推荐方法。将用户-标签-商品的三部图网络结构分解为用户-标签、标签-商品的二部图网络结构。在用户-标签二部图中,利用商品历史价格曲线的权重,基于商品历史价格曲线求得用户对标签的评分,并区分用户对标签的积极和消极兴趣。在标签-商品的二部图中,计算标签对商品的重要程度。综合2种方法进行商品推荐,实验结果验证了提出方法能够有效提高推荐的召回率和多样性。     

基于模块度和标签传递的推荐算法

针对基于网络信息的商品推荐的问题,提出了在二部网络上基于社区挖掘和标签传递的推荐算法。首先,用带权的二部图来表达用户-项目的评分矩阵,利用标签传递技术对二部网络进行社区挖掘;然后,基于二部网络中的社区结构信息,充分利用用户所在的社区之间的相似性以及项目之间、用户之间的相似性来挖掘用户可能感兴趣的项目;最后,向用户进行项目的推荐。在实际网络上的实验结果表明,与基于双向关联规则项目评分预测的推荐算法（BAR-CF）、基于项目评分预测的推荐算法（IR-CF）、基于网络链接预测的用户偏好预测方法（PLP）和改进的基于用户的协同过滤的方法（MU-CF）相比,该算法的平均绝对差（MAE）低0.1~0.3,准确率高0.2。因此,所提算法可以取得比其他类似方法更高质量的推荐结果。     

基于模块度和标签传递的推荐算法

针对基于网络信息的商品推荐的问题，提出了在二部网络上基于社区挖掘和标签传递的推荐算法。首先，用带权的二部图来表达用户-项目的评分矩阵，利用标签传递技术对二部网络进行社区挖掘；然后，基于二部网络中的社区结构信息，充分利用用户所在的社区之间的相似性以及项目之间、用户之间的相似性来挖掘用户可能感兴趣的项目；最后，向用户进行项目的推荐。在实际网络上的实验结果表明，与基于双向关联规则项目评分预测的推荐算法（BAR-CF）、基于项目评分预测的推荐算法（IR-CF）、基于网络链接预测的用户偏好预测方法（PLP）和改进的基于用户的协同过滤的方法（MU-CF）相比，该算法的平均绝对差（MAE）低0.1~0.3，准确率高0.2。因此，所提算法可以取得比其他类似方法更高质量的推荐结果。     

融合“用户-项目-用户兴趣标签图”的协同好友推荐算法

随着社交网络的用户数量呈爆炸式增长,如何为用户推荐具有相同兴趣爱好的好友已成为当前研究的焦点。为此,提出了一种基于"用户-项目-用户兴趣标签图"的协同好友推荐算法。该算法首先利用基于"用户-项目-标签"的三部图物质扩散推荐算法来计算用户之间的相似度,并引入"用户-用户兴趣标签图"二元关系,通过用户的兴趣标签图来发掘用户的兴趣主题;然后根据用户主题分布,利用KL距离来计算用户之间的相似度;最后将两组结果采用调和平均数方式融合得到用户间的综合相似度,并进行好友的推荐。通过在Delicious和Last.fm数据集上的实验证明,该算法能有效提高Top-N推荐的准确率和召回率,同时通过在学术社交网站——学者网数据集上进行的学者推荐实验表明,该算法能有效提高核心用户的推荐度。     

基于四部图的协同过滤推荐算法比较研究

推荐系统通常利用商品属性、用户信息以及用户对商品的已有评分来获取用户或者商品之间的相似度,进而预测未知评分。构造了关于这些信息的四部图,然后根据图中不同部分的组合获得了10类推荐算法,并比较了它们的时间复杂度。前两类算法基于用户与商品之间的关系,为经典的协同过滤算法。中间4类算法以用户或商品为中心,利用相应的标签信息进行相似度的计算并预测评分。后4类算法为中间4类算法的部分拓展,进一步考虑了评分信息。以MAE(mean absolute error)和RMSE(root-mean-square error)为评价指标,在两个Movie Lens数据集上的测试结果表明,商品之间的相似度比用户之间的相似度更可靠,商品标签也比用户标签更有用,而且某些信息的简单线性组合可以提高推荐质量。     

基于改进鱼群算法与张量分解的社会化标签推荐模型

基于大众分类法(folksonomy)的标签应用已逐渐成为一种重要的互联网内容组织方式,但随着数据规模的海量增长,产生了严重的信息过载问题,而传统的基于“用户-项目”二元关系的个性化推荐算法难以有效应对由“用户-项目-标签”所构成的三元关系。通过对基本人工鱼群算法进行改进,提出一种对标签推荐系统初始数据集进行聚类分析的方法,用以降低标签推荐系统的数据分析规模。在此基础上,综合考虑标签推荐系统中的元素权重以及反映用户偏好的评分信息,将元素权重和评分等级进行加权处理,以处理结果作为张量中的元素,建立了一种新的加权张量模型,并利用动态增量更新的张量分解算法进行模型求解,进而完成个性化的推荐。最后在两个真实的实验数据集上对比分析了所提算法(FTA)与另外两个经典标签推荐算法的推荐性能,实验结果表明FTA算法在准确率和召回率上均具有较好的表现。     

基于潜在标签挖掘和细粒度偏好的个性化标签推荐

为进一步提高个性化标签推荐性能,针对标签数据的稀疏性以及传统方法忽略隐藏在用户和项目上下文中潜在标签的缺陷,提出一种基于潜在标签挖掘和细粒度偏好的个性化标签推荐方法。首先,提出利用用户和项目的上下文信息从大量未观测标签中挖掘用户可能感兴趣的少量潜在标签,将标签重新划分为正类标签、潜在标签和负类标签三类,进而构建〈用户,项目〉对标签的细粒度偏好关系,在缓解标签稀疏性的同时,提高对标签偏好关系的表达能力;然后,基于贝叶斯个性化排序优化框架对细粒度偏好关系进行建模,并结合成对交互张量分解对偏好值进行预测,构建细粒度的个性化标签推荐模型并提出优化算法。对比实验表明,提出的方法在保证较快收敛速度的前提下,有效地提高了个性化标签的推荐准确性。