一种基于群组推荐的用户隐私保护方法

针对现有协同过滤推荐系统中存在的用户隐私泄露问题,提出上种基于群组推荐的用户隐私保护方法,利用群组的天然匿名特性,实现用户身份和个人数据的保护,具体方法包括:用户通过自组织或系统聚类形成群组后,在组内选举管理节点并构建Crowds网络,组内成员通过构建好的Crowds网络将推荐所需数据提交至管理节点,管理节点对收集的数据汇总后提交至推荐服务器;推荐服务器以群组为单位,采用基于群组—项目—标签三部图的物质扩散方法进行推荐,并将推荐结果返回至各管理节点;管理节点将结果分发至组内成员,各成员修正后生成最终推荐结果.实验结果表明,所提算法框架能够在保护用户隐私的同时,保证推荐结果质量.     

大规模隐式反馈的词向量音乐推荐模型

现有音乐推荐系统在大规模隐式反馈场景下存在推荐困难的问题,提出大规模隐式反馈的词向量音乐推荐模型（Word-Embedding Based Implicit Music Recommender）.本模型借鉴了自然语言处理领域的Word2Vec技术,通过学习用户音乐收藏播放记录里的歌曲共现信息,获得用户、音乐在分布式空间的低维、紧致的向量表示,从而得到用户、音乐之间的相似度进行推荐,并且在理论上论述了Word2Vec技术应用在推荐系统上的正确性.该模型在保证准确率和召回率几乎不变的同时,收敛速度快,占用内存小,试验结果表明该模型有效的解决了大规模隐性反馈场景下音乐推荐困难的问题.     

基于改进的BiasSVD和聚类用户最近邻的协同过滤混合推荐算法

随着现代互联网技术的飞速发展与不断完善,网络信息爆发式积累,信息推荐是缓解信息过载问题的重要手段.传统的协同过滤算法依托于大规模的用户物品空间,当出现新用户或新物品时,系统计算量将会倍增,时效性无法得到保证.为了有效改善用户物品评分矩阵的可扩展性问题,提出一种基于改进的BiasSVD和聚类用户最近邻的协同过滤混合推荐算法.实验结果表明,该算法预测准确度高,并能够缓解矩阵可扩展性问题,从而改善推荐系统的时效性问题.     

面向推荐系统数据安全的无证书门限解密方案

推荐系统是解决信息过载问题和满足用户个性化需求的有效途径之一。然而,由于推荐系统需要用户提供不同程度的个性化信息来提升推荐的准确度,因此各种数据的安全问题成为阻碍其发展的重要因素。在基于分布式体系结构的推荐系统中,门限解密技术是抵抗数据安全攻击、保护推荐系统用户隐私的有效方法之一。在无证书公钥密码体制下研究门限解密技术,既避免了传统公钥密码体制中昂贵的证书管理问题,又解决了基于身份密钥体制中固有的密钥托管问题。给出了无证书门限解密系统的形式化定义与安全模型,构建了一个新的无证书门限解密方案,并在随机预言模型下证明了该方案在适应性选择密文攻击下是安全的。与已有的方案相比,该方案的计算代价更小,传输速率更高,主密钥和公钥长度更短,用户之间需要传播的信息量更小。所提方案既能提高推荐系统的信息传输效率,又能有效地保证分布式推荐系统中用户隐私的安全性和可靠性。     

基于本体的商品推荐方法

文中主要针对目前大多数推荐系统所存在的冷启动问题和用户兴趣漂移问题提出基于本体的解决方案.该方案首先运用关联规则挖掘算法对已有的用户数据进行挖掘,生成规则库.接着利用推理机结合规则库和商品与客户本体进行推理,从推理结果中选择与当前用户所浏览的商品相比具有较高相似性的商品向用户推荐.该方案考虑到用户个性化的需求,帮助用户找到所需商品,从而将用户从浏览者转变为购买者,提高了用户的忠诚度,给企业带来效益.     

基于信任管理机制的推荐系统研究

针对用户兴趣迁移与用户对推荐行为无自主控制两个典型问题,提出了一种新颖的个性化协同过滤推荐策略.通过一种信任管理机制,用户自己管理信任关系.各用户拥有一个列表用来存放信任用户以及信任关系程度,通过用户自主行为可以控制系统的推荐.在推荐过程中,将信任度与相似度合并,得到复合权值,并以此进行推荐.同时,通过比较实际评价值与期望评价值,实时调整信任关系程度.实验结果表明,该策略提高了系统推荐的准确率,一定程度上增强了用户的信心.     

基于Web日志挖掘和相关性度量的电子商务推荐系统

基于Web日志挖掘的个性化推荐技术已在电子商务网站中广泛应用,针对现有推荐系统的准确性不高等问题,提出一种基于Web日志挖掘和相关性度量的个性化推荐系统. 首先,提取用户的访问日志,并对其进行预处理,以获得精简的结构化数据. 然后,对日志进行分析,提取出特征序列. 再后,根据特征的出现频率和页面停留时间,计算出页面与交易文本文档的相关性. 最终,利用夹角余弦公式计算出用户与页面的相关性,并以此形成推荐列表. 实验结果表明,该方案能够根据用户偏好精确的给出个性化推荐.     

基于领域最近邻的协同过滤推荐算法

协同过滤是目前电子商务推荐系统中广泛应用的最成功的推荐技术,但面临严峻的用户评分数据稀疏性和推荐实时性挑战.针对上述问题,提出了基于领域最近邻的协同过滤推荐算法,以用户评分项并集作为用户相似性计算基础,将并集中的非目标用户区分为无推荐能力和有推荐能力两种类型;对于前一类用户不再计算用户相似性以改善推荐实时性,对于后一类用户则提出"领域最近邻"方法对并集中的未评分项进行评分预测,从而降低数据稀疏性和提高最近邻寻找准确性.实验结果表明,该算法能有效提高推荐质量.     

基于智能多agent的推荐系统

针对传统推荐系统存在的用户评分稀疏性和系统扩展性问题,提出了一种基于智能多agent的推荐系统MASRS。首先采用余弦公式处理用户一项评分矩阵得到用户初始邻居集;然后将用户评分映射到相应项的属性值上,生成用户一属性值偏好矩阵UPm,并基于此矩阵进行用户相似性度量,得到用户产品推荐集,该方法有效缓解用户评分稀疏性问题;通过智能多agent架构推荐系统,使大量复杂计算在线下进行,从而改善系统存在的扩展性问题。同时实验表明新系统在推荐精度上收敛性更好。     

基于主题提取和记忆模型的新闻推荐系统设计

互联网的飞速发展产生了＂信息过载＂问题,新闻推荐系统可以帮助用户快速找到符合自己兴趣的新闻。文章完成了一个基于主题推荐的新闻推荐系统的研究和实现,针对该系统的关键部分即新闻主题和用户兴趣模型做了深入的研究并进行了程序上的实现。文章提出了一种基于主题的新闻推荐方式,将概率主题模型引入到文本推荐中,并深入研究了采用Gibbs抽样算法的LDA主题提取模型。文章在研究基于记忆的用户兴趣模型基础上提出了相应的改进方法,主要是针对记忆模型对用户长短期兴趣不适应的问题,提出了根据用户访问频率来确定不同兴趣度衰减速度的改进方案。