基于用户-内容主题模型的兴趣点联合推荐算法

目前基于协同过滤的兴趣点推荐算法能够获得较好的推荐效果,但是当用户外出远离其常驻地时,推荐效果急剧下降,主要原因是用户的签到记录主要集中在其常驻地周围,而对其他兴趣点的签到行为较少,此时不能准确计算用户兴趣。因此提出了一种基于主题模型的兴趣点推荐算法,在推荐过程中同时考虑了用户的偏好分布和兴趣点的主题分布,使得当用户在新的兴趣点时,也能获得较好的推荐。实验证明,该方法不仅能够缓解推荐数据的稀疏性问题,而且与其他方法相比有更高的推荐准确率。     

基于相似度融合和动态预测的兴趣点推荐算法

现有的兴趣点推荐算法大都存在两个问题：第一,算法中利用用户签到的历史数据,而忽略了用户的评论和标签等信息,不能很好地解决冷启动问题。第二,部分算法在计算相似度时仅使用用户的签到评分,而由于POI签到矩阵的高稀疏性,会导致推荐结果不准确。鉴于上述问题,提出了利用潜在的狄利克雷分配（Latent Dirichlet Allocation,LDA）主题模型挖掘用户的兴趣话题,融合签到数据进行相似度度量,很好地解决了冷启动问题。在推荐生成阶段提出了一种动态预测法,动态填补缺失的访问概率,进一步缓解数据稀疏,提高推荐质量。在真实数据集上的实验结果表明,基于相似度融合和动态预测的兴趣点推荐算法有效解决了数据稀疏性和冷启动问题,推荐性能优于传统的推荐算法。     

融合评论文本和图像语义特征的兴趣点推荐

用户-兴趣点签到数据的高度稀疏性让传统的推荐算法的推荐效果大打折扣。基于此,提出评论文本和图像语义信息融合的兴趣点推荐新算法。该算法同时考虑用户评论对评分数据的可解释性和图像语义信息对兴趣点外观的描述性,充分利用评论文本和图像数据辅助用户偏好特征和兴趣点属性特征的学习。使用神经网络抽取与用户和兴趣点相关的评论文本和图像语义特征,分别建模用户-文本语义特征关系、兴趣点-图像语义特征关系,将两种关系与用户-兴趣点评分矩阵进行融合,基于概率矩阵分解构建统一的推荐模型。在Yelp数据集上实验表明,该算法有效地缓解了签到数据稀疏性带来的推荐准确性问题,在MAE和RMSE两项指标上均优于主流方法。     

基于上下文感知和个性化度量嵌入的下一个兴趣点推荐

随着基于位置的社交网络推荐系统的逐步发展,兴趣点推荐成为了研究热门。兴趣点推荐的研究旨在为用户推荐兴趣点,并且为商家提供广告投放和潜在客户发掘等服务。由于用户签到行为的数据具有高稀疏性,为兴趣点推荐带来很大的挑战。许多研究工作结合地理影响、时间效应、社会相关性等方面的因素来提高兴趣点推荐的性能。然而,在大多数兴趣点推荐的工作中,用户访问的周期性习惯和伴随用户偏好的上下文情境信息没有被深度地挖掘。而且,下一个兴趣点推荐中一直存在着数据的高稀疏度。基于以上考虑,针对用户签到的数据稀疏性问题,将用户周期性行为模式归结为上下文情境信息,提出了一种基于上下文感知的个性化度量嵌入推荐算法,同时将用户签到的上下文情境信息考虑进来,从而丰富有效数据,缓解数据稀疏性问题,提高推荐的准确率,并且进一步优化算法,降低时间复杂度。在两个真实数据集上的实验分析表明,本文提出的算法具有更好的推荐效果。     

LBSN中融合类别信息的混合推荐模型

针对基于位置的社交网络（Location-Based Social Network,LBSN）中用户签到数据的高稀疏性问题及用户隐私问题,提出了一种混合推荐模型（SoGeoCat）.首先,通过用户潜在兴趣点数据模型,学习用户的潜在兴趣点;其次,将用户的潜在兴趣点纳入融合类别信息的矩阵分解模型中并优化;最后,根据用户特征矩阵、兴趣点特征矩阵,提出推荐策略.基于Foursquare真实数据集,实验结果表明：（1）相比于其他几个推荐模型,该算法将用户的潜在兴趣点填充至用户-兴趣点矩阵中,可以有效地缓解数据稀疏性的影响;（2）该算法可保护用户家庭信息;（3）在推荐模型中纳入类别信息的影响能提高推荐效果.     

基于用户兴趣模型的推荐算法

传统的协同过滤算法虽然可以很容易地挖掘出用户的兴趣爱好,但存在数据冷启动和稀疏性问题.针对这些问题,提出一种基于用户兴趣模型的推荐算法.首先通过LDA主题模型训练数据集得到物品-主题概率分布矩阵,利用物品-主题概率分布矩阵得到用户历史兴趣模型,然后结合用户历史行为信息和物品内容信息得到用户兴趣模型,最后计算用户与候选集之间的相似度,进行TOP-N推荐.在豆瓣电影数据集上的实验结果表明,改进后的推荐算法能够更好地处理稀疏数据和冷启动问题,并且明显提高了推荐质量.     

LBSN中基于活动区域划分的元路径兴趣点推荐

基于位置的社交网络(Location Based Social Networks,LBSN)的相关服务推荐越来越多,而兴趣点(Point Of Interest,POI)推荐作为LBSN相关服务中的一项个性化推荐也备受关注,越来越多的学者投入研究。目前,各种基于位置的推荐算法层出不穷,但由于LBSN中的数据极度稀疏的原因,导致许多算法推荐精度不高,本文提出了一种基于用户活动区域划分的元路径推荐算法。首先,根据用户签到以及点评的地点呈现区域性,将用户活动区域分为频繁活动区域和不经常活动区域,根据LBSN结构特征构建用户-活动区域和活动区域-兴趣点之间的二分图模型,其次引入元路径,计算从用户到兴趣点的实例路径的关联度,最后根据关联度大小生成推荐列表。结果表明,该算法较传统的LBSN推荐算法有更好的推荐效果。     

融合地理信息、种类信息与隐式社交关系的兴趣点推荐算法

针对现有大多数兴趣点推荐算法都存在签到数据稀疏、社交关系难以获取、用户个性难以考虑等问题,文中提出融合地理信息、种类信息与隐式社交关系的兴趣点推荐算法.首先考虑用户签到种类信息,同时分解用户签到地点矩阵和用户签到种类矩阵,减小签到数据稀疏带来的影响.再在显式社交关系的基础上,使用信息熵的方法度量用户的隐式社交关系,缓解社交网络稀疏的问题,并通过正则化的方法在矩阵分解模型中加入该隐式社交关系.最后,使用自适应核密度估计方法个性化建模地理信息对用户签到行为的影响,提高推荐的准确性.在Foursquare、Yelp数据集上的实验验证文中算法的有效性.     

一种基于评分矩阵局部低秩假设融合地理和文本信息的协同排名POI推荐模型*

针对目前LBSN中,用户只对少数兴趣点进行签到,使得用户签到历史数据及其上下文信息（如评论文本）极其稀疏,同时传统的评分推荐系统只考虑用户和评分二元信息,具有一定的局限性。为此,提出一种基于评分矩阵局部低秩假设的局部协同排名兴趣点推荐算法。首先,假设用户-兴趣点矩阵在由用户-兴趣点对所定义度量空间中某些邻域内是低秩;其次,对于地理信息建模采用一种自适应二维核密度方法,然后,对于文本信息利用潜在狄利克雷分配模型挖掘兴趣点相关的文本信息建模用户的兴趣主题;最后,基于局部协同排名模型将兴趣点的地理信息和评论文本信息有效融合。实验结果表明:该模型的性能优于主流先进兴趣点推荐算法。     

融合时间序列的POI动态推荐算法

兴趣点(POI)的签到数据体现了用户的偏好和兴趣点的分布特征,这在兴趣点推荐领域有极为重要的价值.为了缓解数据稀疏造成的推荐不准确等问题,本文提出了融合时间序列的POI动态推荐算法,结合用户与用户之间的关系、兴趣点位置以及流行度信息等.首先划分时间序列,得到时间因子的相似度;其次时间序列融入到基于用户的协同过滤算法,再根据时间的连续性特征得到基于用户的预测评分,然后将地理影响因子与基于时间的流行度信息结合,预测用户的评分,进而与基于用户的评分加权融合;最后,在Gowalla数据集上进行实验,结果表明,本文提出的融合时间序列的POI动态推荐算法能够有效减小推荐误差,提高推荐精度与召回率.     

个性化微博推荐算法

微博不同于传统的社会网络和电子商务网站,存在用户活跃程度低,微博数据稀疏和用户兴趣动态变化等特点,将传统推荐算法应用于微博推荐时,效果并不理想。提出了一种基于贝叶斯个性化排序的微博推荐算法,对用户进行个性化微博推荐。该基于贝叶斯个性化排序的微博推荐算法,以微博对的形式提取微博系统中的隐式信息,对这些微博对进行学习,从而得到用户对不同微博的兴趣值。根据每条微博发出的时间,估计每条微博对的可信度。发出时间越接近的微博对,它的可信度就越高,并且对用户的兴趣值影响就越大。在新浪微博的真实数据上进行实验和评测,结果表明该基于贝叶斯个性化排序的微博推荐算法相比于对比算法,在进行微博推荐时有更好的效果。     

一种基于CW-RNN的多时间尺度序列建模推荐算法

序列化推荐试图利用用户与物品的历史交互序列,预测下次即将交互的物品。针对序列化推荐中推荐物品依赖于用户的长时间全局兴趣、中时间兴趣还是短时间局部兴趣的不确定性,该文提出了一种基于CW-RNN的多时间尺度序列建模推荐算法。首先,该算法引入CW-RNN层,从用户与物品的历史交互序列中抽取多个时间尺度的用户兴趣特征。然后,通过尺度维卷积来建模对不同时间尺度的用户兴趣特征的依赖,生成多时间尺度用户兴趣特征的统一表示。最后,利用全连接层建模统一的多尺度用户兴趣特征和隐式物品特征的交互关系。在MovieLens-1M和Amazon Movies and TV两个公开数据集上的实验结果表明,相比于现有最优的序列推荐算法,该文提出的算法在准确率上分别提升了3.80%和8.63%。     

一种基于用户播放行为序列的个性化视频推荐策略

本文针对在线视频服务网站的个性化推荐问题,提出了一种基于用户播放行为序列的个性化推荐策略.该策略通过深度神经网络词向量模型分析用户播放视频行为数据,将视频映射成等维度的特征向量,提取视频的语义特征.聚类用户播放历史视频的特征向量,建模用户兴趣分布矩阵.结合用户兴趣偏好和用户观看历史序列生成推荐列表.在大规模的视频服务系统中进行了离线实验,相比随机算法、基于物品的协同过滤和基于用户的协同过滤传统推荐策略,本方法在用户观看视频的Top-N推荐精确率方面平均分别获得22.3%、30.7%和934%的相对提升,在召回率指标上分别获得52.8%、41%和1065%的相对提升.进一步地与矩阵分解算法SVD++、基于双向LSTM模型和注意力机制的Bi-LSTM+Attention算法和基于用户行为序列的深度兴趣网络DIN比较,Top-N推荐精确率和召回率也得到了明显提升.该推荐策略不仅获得了较高的精确率和召回率,还尝试解决传统推荐面临大规模工业数据集时的数据要求严苛、数据稀疏和数据噪声等问题.     

CAESAR: context-aware explanation based on supervised attention for service recommendations

Explainable recommendations have drawn more attention from both academia and industry recently, because they can help users better understand recommendations (i.e., why some particular items are recommended), therefore improving the persuasiveness of the recommender system and users’ satisfaction. However, little work has been done to provide explanations from the angle of a user’s contextual situations (e.g., companion, season, and destination if the recommendation is a hotel). To fill this research gap, we propose a new context-aware recommendation algorithm based on supervised attention mechanism (CAESAR), which particularly matches latent features to explicit contextual features as mined from user-generated reviews for producing context-aware explanations. Experimental results on two large datasets in hotel and restaurant service domains demonstrate that our model improves recommendation performance against the state-of-the-art methods and furthermore is able to return feature-level explanations that can adapt to the target user’s current contexts.

     

垂直学习社区基于学习兴趣与风格的社会化推荐算法

垂直学习社区包含了海量的学习资源,出现了信息过载现象,个性化推荐是解决这个难题的方法之一.但垂直学习社区中评分数据稀疏而文本、社交信息丰富,传统的协同过滤推荐算法不完全适用.基于用户产生的文本和行为信息,利用作者主题模型构建新的用户学习兴趣相似度衡量模型;根据用户交互行为信息综合考虑信任与不信任因素构建用户全面信任关系计算全面信任度;通过分析用户多维度学习行为模式,自动识别用户学习风格;最后提出融合兴趣相似度、全面信任度及学习风格的社会化推荐算法.用垂直学习社区网站CSDN实际数据集进行了实验分析.结果表明本文提出的推荐方法能更好向用户推荐其感兴趣的学习资源,有效地提高了推荐精度,进而提高用户学习效果.     

基于图游走的并行协同过滤推荐算法

针对目前协同过滤推荐算法存在的数据稀疏性问题和可扩展性问题,本文进行了相关研究。针对稀疏性问题,在传统的皮尔逊相关相似度中引入交占比系数计算用户间直接相似度,该方法缓解了用户间共同评分项的占比问题;提出一种基于图游走的间接相似度计算方法,该方法根据用户间的直接相似度建立用户网络图,在用户网络图上通过游走计算用户间的间接相似度,并进行推荐。在Spark平台上实现本文方法的并行化,缓解了数据规模增加带来的可扩展性问题。实验结果表明:本文提出的算法在不同数据集上均取得了良好效果,有效地提高了推荐准确度,并且在分布式环境下具有良好的可扩展性。     

融合隐语义和邻域算法的兴趣点推荐模型*

近年来,随着众多具有传感功能的智能手机和可穿戴设备的普及,基于位置的服务得到了快速发展,其中基于位置的社交网络（location-based social networks,LBSN）逐渐被大多数人所接受,基于位置社交网络可以为人们提供兴趣点推荐服务,为了提供更加精准的兴趣点推荐服务本文提出了一种融合的算法模型。本文通过隐语义分析算法来充分挖掘用户的历史行为,使用基于邻域的方法结合好友和地理位置等因素,然后在统一的框架中融合这两种推荐方式的结果,实现了对用户行为更好的预测。实验结果表明,本文提出的兴趣点推荐方法拥有较好的准确率和召回率。     

融合用户评分与显隐兴趣相似度的协同过滤推荐算法

协同过滤算法是推荐系统中使用最广泛的算法,其核心是利用某兴趣爱好相似的群体来为用户推荐感兴趣的信息。传统的协同过滤算法利用用户-项目评分矩阵计算相似度,通过相似度寻找用户的相似群体来进行推荐,但是由于其评分矩阵的稀疏性问题,对相似度的计算不够准确,这间接导致推荐系统的质量下降。为了缓解数据稀疏性对相似度计算的影响并提高推荐质量,提出了一种融合用户评分与用户显隐兴趣的相似度计算方法。该方法首先利用用户-项目评分矩阵计算用户评分相似度;然后根据用户基本属性与用户-项目评分矩阵得出项目隐性属性;之后综合项目类别属性、项目隐性属性、用户-项目评分矩阵和用户评分时间,得到用户显隐兴趣相似度;最后融合用户评分相似度和用户显隐兴趣相似度得到用户相似度,并以此相似度寻找用户的相似群体以进行推荐。在数据集Movielens上的实验结果表明,相比传统算法中仅使用单一的评分矩阵来计算相似度,提出的新相似度计算方法不仅能够更加准确地寻找到用户的相似群体,而且还能够提供更好的推荐质量。     

基于多维度兴趣注意力和用户长短期偏好的新闻推荐

在这个网络媒体平台成为获取新闻资讯的主流方式的时代,新闻推荐扮演着至关重要的角色。一方面,媒体平台使用新闻推荐可帮助用户过滤掉不感兴趣的新闻,定制个性化阅读内容推送;另一方面,智能推送服务能够增加新闻点击率,帮助媒体平台实现新闻的快速传播。目前,新闻推荐逐渐成为数据分发领域核心技术之一,逐渐引起国内外学者的关注。该文针对新闻热度不均衡问题造成的长尾现象,提出了一种基于多维度兴趣注意力的用户长短期偏好的新闻推荐模型。首先,对用户长期偏好进行挖掘时把用户兴趣分成多个维度,并采用注意力机制控制不同兴趣维度的重要程度,从而学习到包含不同维度兴趣信息的长期偏好。其次,采用CNN与注意力网络相结合的模型对新闻进行表示学习,采用GRU在用户近段时间内的阅读历史中学习用户短期偏好。最后,通过大量在真实新闻数据集上的实验,以AUC、MRR、NDCG为评价指标与其他基线方法进行比较,证实了该模型均优于其他方法。