基于显式与隐式反馈信息的概率矩阵分解推荐

针对现有的基于用户显式反馈信息的推荐系统推荐准确率不高的问题,提出了一种基于显式与隐式反馈信息的概率矩阵分解推荐方法。该方法综合考虑了显示反馈信息和隐式反馈信息,在对用户信任关系矩阵和商品评分矩阵进行概率分解的同时加入了用户评分记录的隐式反馈信息,优化训练模型参数,为用户提供精确的预测评分。实验结果表明,该方法可以有效地获得用户偏好,产生大量的准确度高的推荐。     

基于用户评论评分与信任度的协同过滤算法

针对现有基于评论分析推荐算法中的评论真实度问题和传统协同过滤算法中的数据稀疏问题,通过分析用户评论所包含的主题分布和反馈信息,将改进的用户偏好和信任度引入传统协同过滤算法中,提出了基于用户评论评分与信任度的协同过滤算法。该算法以用户评论为基础,学习物品特征在不同主题上的分布及用户对物品不同特征的偏好程度,生成用户评论主题分布,根据用户评分计算评论差异度来放大主题分布中的突出特征,并利用评论反馈数据生成评论帮助度,进一步矫正用户偏好,以减少虚假评论的影响;引入信任度用于计算更精确的用户相似度,进而对用户进行评分预测和物品推荐。在真实数据集上进行了实验验证,结果表明该算法有效提高了系统的评分预测性能和推荐效果。     

基于用户反馈的智能合作过滤模型的研究

为了提供给用户更准确的信息，提出基于用户反馈的智能合作过滤模型和一种基于用户兴趣的动态Q学习算法，并建立用户兴趣模型．通过隐式反馈和显式反馈这2种反馈方式更新用户模型并实现合作过滤．实验结果表明，在输入相同查询提问情况下ACFM在预测用户兴趣的效果和推荐搜索信息的查全率和查准率方面比传统的搜索引擎有明显改善．     

一种融合多因素社交活动个性化推荐模型

针对当前网络社交活动个性化推荐精度较低的问题,融合用户对活动兴趣度、召集者影响力以及地理位置偏好等三方面因素,提出一种融合多因素社交活动个性推荐模型。采用LDA文件主题模型求取用户与其参加过的所有社交活动的主题分布,利用隐含主题概率分布来表征用户的兴趣度,并构建用户与召集者间的影响力矩阵。根据活动举办地与用户常住地,建立距离幂律分布,并结合用户参加活动的频数,建立用户地理位置偏好概率模型。采用不同权值配比,综合三方面的因素形成最终的社交活动个性推荐。对比实验表明,该算法与三个因素个性推荐算法相比,准确率至少提高了36.7%,召回率至少提高了35.9%;与其他两个同类网络社交活动推荐算法相比准确率至少提高了8.77%,召回率至少提高了8.57%。     

融合显式反馈与隐式反馈的协同过滤推荐算法

显式反馈与隐式反馈相结合,可以有效提升推荐性能.但是现有的融合显式反馈与隐式反馈的推荐系统存在未能发挥隐式反馈数据缺失值反映用户隐藏偏好的能力,或者未能保留显式反馈数据反映用户偏好程度的能力的局限性.为了解决这个问题,提出了一种融合显式反馈与隐式反馈的协同过滤推荐算法.该算法分为两个阶段:第1阶段利用加权低秩近似处理隐式反馈数据,训练出隐式用户/物品向量;第2阶段引入了基线评估,同时将隐式用户/物品向量作为补充,通过显隐式用户/物品向量结合,训练得出用户对物品的预测偏好程度.该算法与多个典型算法在标准数据集上进行了实验比较,其可行性和有效性得到验证.     

基于信任和矩阵分解的协同过滤推荐算法

针对传统协同过滤算法普遍存在的稀疏性和冷启动问题,提出一种基于信任和矩阵分解的协同过滤推荐算法。提出一种基于用户评分值的隐式信任计算方法,该方法综合考虑用户的相似性和交互经验,运用信任传播方法使不存在直接信任的用户获得间接信任;通过动态因子将显式信任和隐式信任融入到SVD++算法当中。FilmTrust数据集下的实验表明,与其他矩阵分解推荐算法相比,该方法具有更好的预测效果,在冷启动用户的评分预测上也有很好的表现。     

引入隐式反馈的多维度推荐算法

针对显式反馈信息作出的推荐在准确率和数据稀疏性处理上还存在缺陷的问题,因此引入隐式反馈信息,设计和实现了一种引入隐式反馈的多维度推荐算法（iMCF）。该算法涵盖用户、项目和隐式反馈三个维度的信息。对于前两个维度的信息,通过云模型相似度建模;而隐式反馈维度的信息,主要是结合概率矩阵分解模型进行处理。之后再把这三个维度得出的预测评分根据权值进行平衡,得出最终预测评分并作出推荐。实验数据表明,该算法在召回率和准确率上的表现相对于其他算法有了较为明显的提升,且适合大数据环境。     

社会网络环境下基于信任传递的推荐模型研究

现有基于信任的推荐算法中没有充分挖掘用户间的信任关系,且缺乏合理的信任关系传递规则,极大地影响了推荐算法的可靠性和准确性。针对上述问题,通过用户评分数据与用户的社会关系建立信任传递模型,提出一种基于信任传递的推荐算法。该算法首先利用评分数据计算信任传递模型中用户的隐式直接信任关系,其次通过求解有序加权平均算子融合多条信任传递链的间接信任关系,最后将计算出的用户信任度与相似度融合为综合相似度进行预测推荐。实验结果证实了所提算法可有效提升系统的推荐质量。     

一种基于降噪自编码器的隐式反馈推荐算法

现有的隐式反馈协同算法直接利用稀疏的二值社交信任信息辅助推荐,存在严重的数据稀疏问题,且没有深层次地融合社交信任信息的影响。针对以上问题,提出利用降噪自编码器深度融合用户隐式反馈数据与社交信息的算法。首先从不同的角度区分用户信任,提出一种信任相似度的新度量方法来改善社交数据的稀疏性,利用降噪自编码器将信任数据与用户隐式交互信息深度融合,通过综合二者的影响,有效提高了推荐质量。实验表明,该算法优于现有主流的的隐式反馈推荐算法。     

聚类与协同过滤相结合的隐式推荐系统

针对目前大多推荐系统中使用的协同过滤算法都需要有显示的用户反馈的问题,提出一种在隐式反馈推荐系统中使用聚类与矩阵分解技术相结合的方法,为用户提供更好地推荐结果。其结果是由基于用户历史购买记录的隐式反馈产生的,不需任何显式反馈提供的数据。采用高维的、无参数的分裂层次聚类技术产生聚类结果,根据聚类的结果为每个用户提供高兴趣度的个性化推荐。实验结果表明,在隐式反馈的情况下该方法也能有效获得用户偏好,产生大量的高准确度推荐。     

基于用户信任和兴趣的概率矩阵分解推荐方法

传统协同过滤推荐算法存在数据稀疏性、冷启动、新用户等问题.随着社交网络和电子商务的迅猛发展,利用用户间的信任关系和用户兴趣提供个性化推荐成为研究的热点.本文提出一种结合用户信任和兴趣的概率矩阵分解（STUIPMF）推荐方法.该方法首先从用户评分角度挖掘用户间的隐性信任关系和潜在兴趣标签,然后利用概率矩阵分解模型对用户评分信息、用户信任关系、用户兴趣标签信息进行矩阵分解,进一步挖掘用户潜在特征,缓解数据稀疏性.在Epinions数据集上进行实验验证,结果表明,该方法能够在一定程度上提高推荐精度,缓解冷启动和新用户问题,同时具有较好的可扩展性.     

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。     

基于多重信任的协同过滤推荐算法

针对评分数据稀疏性和用户冷启动所导致的协同过滤推荐系统的准确度与覆盖率较低的问题,文中融合显性信任和隐性信任因素,提出了一种基于多重信任的协同过滤推荐算法。首先,依据用户间推荐评分的准确性与可依赖度因子,提出一种改进的均方差(Mean Squared Difference,MSD)信任度量方法,并在此基础上提出基于隐性信任信息的评分模型;其次,以最大信任传播距离为约束,提出一种显性信任信息的关系模型;最后,依据评分相似性与显性信任关系,利用0-1背包组合优化策略选择出目标用户的最优近邻集合,从而进行评分预测。在Epinions数据集上与多种主流算法的对比仿真实验结果表明,该算法通过引入有效评分和显性信任关系,极大地缓解了数据稀疏性和冷启动问题,并且在不牺牲覆盖率的条件下显著提升了推荐准确度。     

耦合用户公共特征的单类协同过滤推荐算法

将显式特征与隐式反馈相结合是提高单类协同过滤(OCCF)推荐准确性的常用方法.但目前的研究一般是直接将原始显式特征或交叉特征集成到OCCF模型中,因其难以判断哪些显式特征是真正重要的,故很难获得显著的性能改进.基于此,提出了一种耦合用户公共特征的单类协同过滤推荐算法(UCC-OCCF).首先,建立基于邻居的共同偏好表示...     

结合用户组群和隐性信任的概率矩阵分解推荐

研究表明在社会网络推荐中添加明确的社会信任明显提高了评分的预测精度,但现实生活中很难得到用户之间明确的信任评分。之前已有学者研究并提出了信任度量方法来计算和预测用户之间的相互作用及信任评分。提出了一种基于Hellinger距离的社会信任关系提取方法,通过描述二分网络中一侧节点的f散度来进行用户相似度计算。然后结合用户分组信息,将提取的隐式社会关系加入改进的概率矩阵分解中,提出一种新的基于用户组群和隐性社会关系的概率矩阵分解算法（CH-PMF）。实验结果表明,提出的模型与应用实际用户明确表示的信任分数推荐结果表现几乎相同,且在无法提取到明确信任数据时,CH-PMF有着比其他传统算法更好的推荐效果。     

Robust recommendation method based on suspicious users measurement and multidimensional trust

The existing collaborative recommendation algorithms have poor robustness against shilling attacks. To address this problem, in this paper we propose a robust recommendation method based on suspicious users measurement and multidimensional trust. Firstly, we establish the relevance vector machine classifier according to the user profile features to identify and measure the suspicious users in the user rating database. Secondly, we mine the implicit trust relation among users based on the user-item rating data, and construct a reliable multidimensional trust model by integrating the user suspicion information. Finally, we combine the reliable multidimensional trust model, the neighbor model and matrix factorization model to devise a robust recommendation algorithm. The experimental results on the MovieLens dataset show that the proposed method outperforms the existing methods in terms of both recommendation accuracy and robustness.     

基于用户兴趣和社交信任的聚类推荐算法

个性化推荐系统中使用最广泛的算法是协同过滤算法,针对该算法存在的数据稀疏和扩展性差问题,提出了一种基于用户兴趣和社交信任的聚类推荐算法。该算法首先基于聚类技术根据用户评分信息将具有相同兴趣的用户聚为一类,并建立基于用户兴趣相近的邻居集合。为了提高兴趣相似度计算的准确性,采用了修正余弦计算公式来消除评分标准的差异问题。然后,引入信任机制,通过定义直接信任、间接信任、传递路径和计算方法来度量社交网络用户之间隐含的信任值,将社交网络转换为信任网络,依据信任程度来创建基于社交信任的邻居集合。通过加权的方式将基于两种邻居集合的预测值融合起来为用户产生项目的推荐。在Douban数据集上进行仿真实验,确定了最优的协调因子值和分类数值,并与基于用户的协同过滤算法和基于信任的推荐算法进行对比,实验结果表明,所提算法的平均绝对误差(MAE)减少了6.7%,准确率(precision)、覆盖(recall)和F1值分别增加了25%、40%和37%,有效提高了推荐系统的推荐质量。     

结合信任度和项目关联的混合推荐算法

推荐系统是大数据时代处理信息过载问题的重要手段,传统的推荐算法的准确性和可靠性相对较低。针对用户和项目冷启动问题,提出一种基于概率矩阵分解的混合型推荐算法(HR-TP),先从用户的评分角度挖掘用户的信任关系,再利用标签上下文根据用户特征测量项目间的关联关系,然后融合到概率矩阵模型中进行推荐。实验表明,本文提出的算法在推荐精度上对比常规方法取得了很好的效果。