基于信任和概率矩阵分解的协同推荐算法研究

为了解决推荐系统的冷启动和数据稀疏性问题,研究人员利用用户之间的信任关系,提出了多种基于信任的协同推荐算法,这些方法提高了推荐覆盖率,然而推荐精确度却有所降低。因此,本文综合考虑用户之间的信任关系和用户的潜在特征,提出了基于信任和概率矩阵分解的协同推荐算法,首先通过融入用户的相似性、影响力、专业性等知识,计算用户之间不对称的信任关系;然后结合概率矩阵分解模型进行评分预测;最后在数据集上进行实验测试评估,实验表明该算法可以有效提高推荐结果的精确度。     

基于矩阵分解模型的微博好友推荐算法

微博作为一种实时的信息传播和分享的社交网络平台,对人们日常生活的影响越来越大.在微博中,用户可以通过关注关系,添加自己感兴趣的好友,扩大自己的交际圈.但如何推荐高质量的关注好友,一直是个性化服务的难点之一.针对此种情况,提出一种微博好友推荐算法,旨在为用户推荐高质量的关注用户.该算法是对基于Seeker-Source矩阵分解模型的一种改进算法.文中分析了微博用户的多种数据源信息,并给出了相应的特征提出方法,最后将这些特征引入到Seeker-Source矩阵分解模型中,通过对模型的优化求解,得到最佳的参数因子矩阵,从而完成好友推荐.在真实的微博数据集上的实验表明,本文所提出的算法取得了良好的效果.     

基于GNN的矩阵分解推荐算法

相较于协同过滤,矩阵分解有着更好的拓展性和灵活性,但同样受到数据稀疏和冷启动的困扰。针对上述问题,提出一种融合GNN和PMF的推荐算法GNN_MF。该算法通过神经网络对社交网络图以及用户项目图进行建模,将两个图内在的联系起来,学习目标用户在社会空间以及项目空间上的特征向量。通过MLP将两个特征向量串联提取用户的潜在特征向量,集成在概率矩阵分解模型上,产生预测评分。在真实数据集Epinions、Ciao上的大量实验表明,GNN_MF算法的均方根误差和平均绝对误差较传统PMF分别降低了2.91%、3.10%和4.83%、3.84%。验证了GNN_MF算法在推荐系统中的有效性以及可行性。     

一种融合社交信任的矩阵分解推荐算法

为了解决数据稀疏性对推荐算法预测准确度的影响,本文提出了一种融合社交信任的矩阵分解推荐算法.在相关数据集上实验结果表明,预测的平均绝对误差和均方根误差都得到了明显的改善.     

基于动态标签偏好信任概率矩阵分解模型的推荐算法

为提高推荐算法性能,解决数据稀疏和冷启动因素造成的推荐精度不高的问题,提出一种改进的协同过滤推荐算法。基于三元组表示形式,利用标签集、用户集和项目资源集构建标签、用户以及项目之间的动态联系,并进行信任值评分矩阵的计算,使用信任评分矩阵融合协同推荐过程,构建概率矩阵分解模型,并基于期望最大法进行模型的求解。实验结果表明,与采用基于余弦、皮尔逊相关系数和启发式相似度模型的算法相比,该算法具有较低的绝对误差均值以及较高的覆盖率、精度与召回率。     

结合概率矩阵分解的混合型推荐算法

针对社交网络推荐系统中存在的数据稀疏、冷启动等问题,提出了一种结合特征传递和概率矩阵分解（TPMF）的社交网络混合型推荐算法。以概率矩阵因式分解（PMF）方法作为推荐框架,不仅考虑了用户信任网络,还结合推荐项目之间的关联关系、用户项目评分矩阵和自适应权重来权衡个人潜在特征和社交潜在特征对用户的影响程度。将社交网络中用户间的信任特征传递引入推荐系统中作为推荐的有效依据。实验结果表明,与基于用户的协同过滤（UBCF）、TidalTrust、PMF和SoRec算法相比,TPMF的平均绝对误差（MAE）直接相减后降低了4.1%到20.8%,均方根误差（RMSE）降低了3.3%到18.5%。在冷启动问题中,与上述四种算法相比,TPMF的平均绝对误差相减后降低了1.6%到14.7%,均方根误差降低了约1.2%到9.7%,能有效缓解冷启动问题,提高算法的鲁棒性。     

一种基于协同矩阵分解的用户冷启动推荐算法

位置服务作为一种信息共享平台,在方便人们交流和共享信息的同时,也因为用户数量的不断增加,而面临着严重的信息过载问题.如何利用推荐技术对信息进行过滤和筛选,帮助用户在位置服务中发现有价值的信息成为近年来研究的热点.但目前已有的推荐算法,在只有消费记录这种隐性数据情况下,针对用户较少活动区域或新用户的推荐效率较低,无法最大化挖掘隐性数据所带的信息.针对以上问题,结合位置服务平台的特点,针对用户冷启动问题,提出了一种结合协同概率矩阵分解与迭代决策树(gradient boosting decision tree, GBDT)的推荐算法.该方法首先使用多层协同概率矩阵分解在多个维度上得到用户潜在特征,然后使用GBDT学习算法对特征和标签进行训练得到用户对项目的偏好,最后使用考虑约束问题的top-N推荐产生推荐列表.在真实数据集上的实验结果表明,与目前较为流行的方法相比,提出的方法能在准确率、F1值上取得较好的结果,能更好地缓解位置服务中的冷启动问题.     

基于矩阵分解的个性化推荐系统研究

随着社交网络的快速发展,用户在使用社交应用时会产生大量有价值的数据。通过对社交网络进行数据挖掘,发现隐藏在数据中关联用户与物品之间的偏好关系。然后对用户建模分析,选择合适的推荐引擎进行个性化物品推荐,这是一个非常有价值的研究方向。该文重点研究矩阵分解算法对处理大规模用户与物品评分矩阵的推荐效果,为了提高推荐的准确度展开了对用户社交关系和隐性反馈的研究,在组合预测模型中加入社交关系、人口统计学信息配置项、用户的消费记录等隐因子项,通过实验验证了扩展之后的混合预测模型在RMSE值上比SVD算法降低了0.259 475,在推荐性能有较大幅度的提高。     

联合正则化的矩阵分解推荐算法

推荐系统已成为一种解决信息过载和帮助用户决策的有效工具.当前的研究表明,结合社会关系的推荐模型能够提升推荐的性能.然而,已有的社会化推荐模型大都忽略了物品之间的关联关系对推荐性能的影响.针对此问题,提出一种度量物品之间关联程度的方法,并将其用于获取物品之间的关联关系.然后,将关联关系与社会关系相结合,提出一种基于联合正则化的矩阵分解推荐模型,并证明了联合正则化是一种加权的原子范数.最后,根据提出的模型构建了一种推荐算法CRMF.在4个真实数据集上的实验结果表明：与主流的推荐算法相比,该算法不仅可以缓解用户的冷启动问题,而且更能有效地预测不同类型用户的实际评分.     

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.     

结合矩阵分解的混合型社会化推荐算法

推荐系统是用来解决当今时代信息过载的重要工具。随着在线社交网络的出现和普及,一些基于网络推荐算法研究的出现,已经引起研究者的广泛关注。信任是社会网络中的重要信息之一,通常用来改进基于社交网络的推荐系统,然而,大多数信任感知的推荐系统忽略了用户有不同行为偏好在不同的兴趣域;本文不仅考虑了用户间特定域信任网络,并且结合推荐项目之间特征属性信息,提出了一种新型社会化推荐算法(H-PMF)。实验表明,H-PMF算法在评分误差和推荐精度上都取得了更好的效果。     

基于协同回归模型的矩阵分解推荐

推荐系统是解决信息过载的有效途径。传统的推荐系统难以从海量数据中推选出 符合用户个性化偏好的项目,推荐质量不高。为此,通过优化传统的协同过滤推荐算法,针对 数据稀疏性等问题,提出协同回归模型的矩阵分解算法(CLMF)。通过机器学习算法发掘内容信 息的深层次特征,提升了原始数据的信息量;并构建辅助特征矩阵,通过融合特征矩阵,CLMF 最大化了特征标签的作用,并结合数据标签,语义信息和评分矩阵得到推荐算法框架。在真实 数据集上实验结果显示,新型推荐算法可有效解决特征值缺失问题,改善了数据稀疏性,提升 了算法扩展性,并显著增强覆盖性。     

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。     

融合用户社会地位和矩阵分解的推荐算法

随着社交网络服务的日益流行,社交网络平台为推荐算法提供了丰富的额外信息.假设朋友之间共享更多的共同偏好并且用户往往易于接受来自朋友的推荐,越来越多的推荐系统利用社交网络中用户之间的信任关系来改进传统推荐算法的性能.然而,现有基于社交网络推荐算法忽略了2个问题：1)在不同的领域中,用户信任不同的朋友;2)由于用户在不同的领域内具有不同的社会地位,因此,用户在不同的领域内受朋友的影响程度是不同的.首先利用整体的社交网络结构信息和用户的评分信息推导特定领域社交网络结构,然后利用PageRank算法计算用户在特定领域的社会地位,最后提出了一种融合用户社会地位信息的矩阵分解推荐算法.在真实数据集上的实验结果表明：融合用户地位信息的矩阵分解推荐算法的性能优于传统的基于社交网络推荐算法.     

基于用户类别偏好相似度和联合矩阵分解的推荐算法

利用上下文信息来提高推荐准确率并增强用户体验是当前推荐领域研究热点之一,然而现有的上下文感知推荐算法依然面临数据稀疏性问题的挑战。为了进一步缓解数据稀疏性问题,本文提出一种基于用户类别偏好相似度及联合矩阵分解的推荐算法(Joint matrix factorization with user category preference, JMF-UCP),它结合用户评分数据及用户类别偏好进行物品推荐,以解决用户评分数据稀疏时评分预测准确率低的问题。算法的时间复杂度随着数据量的增加呈线性增长,因此适用于大规模数据。通过在真实数据集Movielens上的实验结果表明,本文提出的方法在RMSE评价指标上优于现有代表性的算法,验证了本文所提出的推荐算法的有效性。     

融合社交信息的矩阵分解改进推荐算法

矩阵分解的推荐模型具有推荐精度高和易扩展等特点,已成为目前融合社交信息构建推荐系统的主要模型,但在分解过程中,用户偏好矩阵和物品特征矩阵初始赋值的随机性影响了推荐的性能,忽略了物品以及用户之间隐含的联系与区别。为此,提出一种基于社交信息的矩阵分解改进算法。将评分值分别与社交信息和物品的特征属性相结合,构建用户相似网络与物品相似网络,同时应用社区划分充分挖掘用户、物品之间的潜在关系,并按不同类型节点的近邻差异性,通过建立核心、非核心节点的偏好向量与特征向量得到矩阵分解初始矩阵。在公开数据集上的实验结果表明,该算法的推荐性能优于MF、SR2等同类型算法,运行迭代次数明显降低。