基于商品基因和遗传算法的个性化推荐系统

为解决“新用户”和“稀疏性”问题,引入商品基因的概念,通过将商品基因库、用户历史行为库、用户在线浏览内容及邻近用户行为数据耦合,形成用户偏好度候选集的兴趣模式抽取模块,然后利用改进的遗传算法优化模块进行模式选取与聚合,完成最优邻居的选择,最后经由推荐模块产生最终的推荐项目集.实验结果表明,提出的算法提高了推荐的准确度和...     

主题增强的多层次图神经网络会话推荐模型

基于会话的推荐旨在基于会话内数据,为匿名或未登录用户做出推荐.现有的研究工作通常仅以会话中单个商品作为最小单位进行建模,忽略商品在不同感受野下的表征.同时,尚未挖掘会话序列中蕴含的商品隐式主题信息.为了缓解上述问题,文中提出主题增强的多层次图神经网络会话推荐模型(Topic-Enhanced Multi-level Graph Neural Network for Session-Based Recommendation, TEMGNN).首先,设计多层次商品嵌入学习模块,拓宽商品的感受野,获取不同粒度下的商品表示.然后,结合文中提出的多层次图神经网络进行同粒度和跨粒度下的商品信息传播,捕获更丰富的商品嵌入表征.此外,提出商品主题学习模块,在不依赖任何商品属性信息的前提下,抽取商品在隐空间下的主题共性,并以显式的向量空间投影方式自动形成商品的主题表示,用于增强模型推荐性能.在3个基准数据集上的实验表明,TEMGNN的表现较优.     

融合网络和文本特征的智能课程推荐方法

针对在线教育平台上资源过载和传统推荐方法输入特征单一的问题,提出基于网络拓扑和文本数据的特征融合方法,使用深度学习的表示学习方法来进行智能课程推荐。对于课程设计策略构建网络拓扑结构,并使用Node2vec向量化方法将网络中的节点映射到低维向量空间;之后使用卷积神经网络抽取特征并融合经Doc2vec表示的文本数据,拟合用户数据与目标课程之间的相似度。在进行推荐时,选择两者相似度最高的Top N课程。实验结果表明,该方法的性能远远超过传统的推荐方法,同时,消除实验表明该文使用特征对于最终的推荐效果都有一定的积极作用。     

面向个性化推荐的node2vec-side融合知识表示

推荐系统中知识图谱对系统的推荐效果起到很重要的作用,图谱中的知识表示成为影响推荐系统的关键因素,这也成为当前的研究热点之一。针对推荐系统中知识图谱的结构特点,在传统node2vec模型基础上增加关系表示和多元化游走策略,提出一种基于node2vec的知识表示node2vec-side,结合推荐系统知识图谱网络结构,旨在挖掘大规模推荐实体节点间潜在的关联关系,降低表示方式复杂度,提高可解释性。经过时间复杂度分析可知,提出的知识表示方式在复杂度上低于Trans系列和RGCN。在传统知识图谱数据集FB15K、WN18和推荐领域数据集MovieLens-1M、Book-Crossing、Last.FM上分别进行链接预测对比实验。实验结果表明,在MovieLens-1M数据集上,Hits@10分别提升了5.5%～12.1%,MRR提升了0.09～0.24;在Book-Crossing数据集上,Hits@10分别提升了3.5%～20.6%,MRR平均提升了0.04～0.24;而在Last.FM数据集上,hits@1提升了0.3%～8.5%,MRR平均提升了0.04～0.16,优于现有算法,验证了所提方法的有效性。     

基于商品特征的个性化推荐算法

针对现有个性化商品推荐算法精度不高、新商品不能及时推荐等缺点,提出了一种基于商品特征、用户购买日志及用户实时浏览行为的个性化推荐算法。算法首先根据客户的在线浏览情况获取当前客户的购买倾向,然后将客户的购买日志与商品特征数据库进行对比分析,获得客户对商品特征的偏爱度及推荐参照组,依据特征实体的相似度矩阵进行特征推荐组推荐,最后结合当前的购买倾向向客户推荐商品。     

基于文本深层语义特征的亚马逊商品推荐

商品评论挖掘在商品推荐领域取得了越来越多的成果。传统的评论挖掘方法只集中在挖掘评论中隐含的浅层语义,其语义表达效果不理想。因此,目前商品推荐领域的一大挑战是如何挖掘商品评论的深层语义,提升语义表达能力,以及最大化地利用商品评论来提升商品的推荐效果。文中使用深度学习中的跨思维向量模型(Skip-Thought Vectors,STV)来学习评论的潜在语义特征。为了提升评论的语义表达能力,把深度学习中的长短记忆模型(Long Short-Term Memory,LSTM)应用于STV,结合双向信息流挖掘方法、用户情感偏好挖掘方法以及深度层级模型,引入了一种深层语义特征挖掘模型。该模型不仅能挖掘评论的深层语义特征,还能挖掘发表评论的用户的情感偏好。然后,将深层语义特征挖掘模型与矩阵分解模型(Singular Value Decomposition,SVD)相结合来实现商品推荐。在两个亚马逊数据集上的实验结果证明,所提模型在深度语义挖掘能力上优于传统的评论挖掘模型,相比使用传统评论挖掘模型的商品推荐系统提升了商品推荐的效果。     

融合文本主题的异构网络学术刊物推荐方法

学术大数据的高速膨胀为学术工作者高效选择有效学术信息带来了巨大挑战,运用学术刊物推荐以应对学术信息过载是主流方式之一。此研究专门解决如何为论文手稿高效推荐合适投稿期刊这一问题。引入学术异构信息网络,融合论文文本主题信息,提出一种新的学术刊物推荐方法（SCVR）。借助主题模型建模论文摘要和标题等文本内容提取主题信息,指导不同类型节点映射到多主题特征空间;将元路径上下文信息聚合到目标节点,形成了多跳元路径下节点的多主题表示;将不同元路径下形成的节点向量进行融合,实现每个节点多元元路径下的多主题表示。SCVR利用节点文本内容和网络结构学习节点多主题表示,完成学术刊物推荐。在两个真实学术数据集上的测试发现,提出了一种基于异构信息网络且融合文本主题信息的学术刊物推荐方法,在相同条件下,SCVR的推荐效果比仅基于异构信息网络的推荐结果在Precision和NDCG上平均提高了2.7%,且比经典学术刊物推荐方法平均高了19%,说明SCVR在学术刊物推荐领域有更优良的性能。     

基于图卷积网络融合群组关系的社会化推荐方法

协同过滤推荐系统普遍面临交互数据稀疏,社会化推荐通过引入用户社交信息来缓解数据稀疏问题。现有社会化推荐方法主要关注好友关系,即用户间形成的直接社交关系,但社交数据的稀疏性限制了该类方法的性能表现。由用户加入兴趣小组所形成的群组关系数量繁多且富有价值,然而目前较少有研究关注这种关系,仅有的方法多采用矩阵分解等传统方法建模,对用户协同兴趣和社交影响的表达不够深入。为提升推荐质量,进一步研究群组关系,从缓解社交数据稀疏性的角度论证其在辅助推荐方面的作用,并基于建模能力更强的图卷积网络学习用户、项目与群组之间的高阶关系,分别设计出以间接和直接方式利用群组关系的推荐方法 IGRec-Trans和IGRec-Direc,探索更合理的群组关系融合方式。在真实数据集上的实验结果表明,所提方法能有效提升推荐性能,相比最优基准方法DiffNet++,在HR@10和NDCG@10指标上最高可提升4.55%和3.98%,在冷启动用户推荐任务上NDCG@10指标最高可提升18.6%。     

基于协同表示学习的个性化新闻推荐

新闻推荐是互联网推荐系统的研究热点之一,传统的协同过滤算法应用于新闻推荐中会面临严重的新闻冷启动问题,而且也没有考虑新闻内容本身包含的丰富的语义信息。该文将文档与词的表示学习模型与基于矩阵分解的协同过滤算法结合起来,提出一种用于推荐领域的协同表示学习模型,能同时学习带有语义信息的用户和文档的表示向量。在真实的新闻点击数据集上的实验表明,该文提出的模型优于其他基准模型。     

融合结构邻居和语义邻居的解耦图对比学习推荐模型

基于GCN的协同过滤模型在推荐领域取得了较好的效果, 但现有的图协同过滤学习方法通常不区分用户和项目的交互关系, 不易挖掘用户行为的潜在意图. 因此, 提出了一种融合结构邻居和语义邻居的解耦图对比学习推荐模型. 首先, 将用户和项目嵌入投影到独立空间进行意图解耦; 其次, 在图传播阶段, 依据用户和项目的意图特征挖掘其潜在语义邻居, 根据意图相似性对结构邻居和语义邻居进行解耦表征学习, 生成用户和项目的完整高阶表示. 在对比学习阶段, 对节点进行随机扰动并生成对比视图, 构建结构和语义的对比学习任务; 最后, 根据多任务策略, 对监督任务和对比学习任务进行联合优化. 在真实数据集Yelp2018和Amazon-Book上的实验表明, 提出的模型相比最优基准模型NCL在两个数据集上的Recall@20指标提高了7.54%、5.65%, NDCG@20指标提高了8.57%、6.28%.     

基于标签卷积神经网络的文本推荐算法

在面向用户的文章收集系统中,用户会将自己喜欢的文章收集起来构成自己的偏好文章集合,理解用户为何喜欢特定文章、如何精确的找到用户喜欢的文章目前成为了一个重要的研究课题.本文通过基于面向用户的文章收集系统中的一些相关信息,比如文本信息、标签等,来辅助推荐系统更好的进行文章的推荐.文中提出了基于标签卷积神经网络的文本推荐算法,结合神经网络和协同过滤算法的同时,将标签加入到神经网络的设计中.通过在真实的citeulike数据集进行的实验和验证,使用本文的模型可以有效的提高对用户偏好文章预测的准确性.     

基于模糊兴趣模型的个性化推荐算法

论文在分析现有个性化推荐算法的基础之上,针对个性化的本质特点,结合模糊数学的知识,提出了一种个性化模糊兴趣模型,并建立一对应的推荐算法。实验表明,该模型有着简单,方便,快速推荐的特点。     

应用知识图谱的推荐方法与系统

数据稀疏和冷启动是当前推荐系统面临的两大挑战. 以知识图谱为表现形式的附加信息能够在某种程度上缓解数据稀疏和冷启动带来的负面影响, 进而提高推荐的准确度. 本文综述了最近提出的应用知识图谱的推荐方法和系统, 并依据知识图谱来源与构建方法、推荐系统利用知识图谱的方式, 提出了应用知识图谱的推荐方法和系统的分类框架, 进一步分析了本领域的研究难点. 本文还给出了文献中常用的数据集. 最后讨论了未来有价值的研究方向.     

结合用户长短期兴趣的深度强化学习推荐方法

结合强化学习(特别是深度强化学习)的推荐算法,在近年来相比已有方法取得了较大的提升.然而,现有绝大多数基于深度强化学习的推荐方法仅使用循环神经网络(RNN)等方法学习用户的短期兴趣,忽略了用户的长期兴趣,导致对用户的兴趣建模存在不足.因此,该文提出一种结合用户长期兴趣与短期兴趣的深度强化学习推荐方法(LSRL).首先,...     

基于相似模式聚类的电子商务网站个性化推荐系统研究

保证个性化推荐系统产生高质量的推荐结果的重要因素是:系统必须要确定访问者在访问行为的相似程度,从而能预测访问者的访问和购买兴趣。实现此功能的关键技术是计算访问者对象在整个或者部分属性空间的相似距离,从而得到访问行为的相似程度。该文首先分析了目前在推荐系统中常用的用于计算访问行为相似程度的距离函数,发现它们是测定访问者对象在所有测试属性空间上的平均测定,而在属性集的子维空间上的相似模式并没有有效地挖掘出来。然后提出一种新的基于相似模式聚类算法的电子商务个性化推荐系统,综合考虑可供挖掘的数据源(如:网站内容,网站的超链接结构,顾客访问网站的行为,以及商业的实际购买情况,顾客的身份数据等)获取用户访问电子商务网站的访问页面序列,构建较高购买者的顾客行为的矩阵模型,高效地得到访问者对象在整个或者部分属性空间的相似访问行为,然后通过挖掘潜在购买者与较高购买者的相似模式特征,帮助顾客发现他所希望购买的产品信息,用于提高实际购买量,实验数据表明,该系统高效并可广泛使用。     

面向用户偏好建模的个性化对话推荐算法

推荐系统的目标是从物品数据库中，选择出与用户兴趣偏好相匹配的子集，缓解用户面临的“信息过载”问题。因而近年来推荐系统越来越多地应用到电商、社交等领域，展现出巨大的商业潜力。传统推荐系统中，系统对用户的认知往往来源于历史交互记录，例如点击率或者购买记录，这是一种隐式用户反馈。对话推荐系统能够通过自然语言与用户进行多轮对话，逐步深入挖掘其兴趣偏好，从而向对方提供高质量的推荐结果。相比于传统推荐系统，对话推荐系统主要有两方面的不同。其一，对话推荐系统能够利用自然语言与用户进行语义上连贯的多轮对话，提升了人机交互中的用户体验；其二，系统能够询问特定的问题直接获取用户的显式反馈，从而更深入地理解用户兴趣偏好，提供更可靠的推荐结果。目前已经有不少工作在不同的问题设定下对该领域进行了探索，然而尽管如此，这些工作仍仅局限于关注当前正在进行的对话，忽视了过去交互记录中蕴涵的丰富信息，导致对用户偏好建模的不充分。为了解决这个问题，本文提出了一个面向用户偏好建模的个性化对话推荐算法框架，通过双线性模型注意力机制与自注意力层次化编码结构进行用户偏好建模，从而完成对候选物品的排序与推荐。本文设计的模型结构能够在充分利用用户历史对话信息的同时，权衡历史对话与当前对话两类数据的重要性。丰富的用户相关信息来源使得推荐结果在契合用户个性化偏好的同时，更具备多样性，从而缓解“信息茧房”等现象带来的不良影响。基于公开数据集的实验表明了本文方法在个性化对话推荐任务上的有效性。     

一种基于个性化成对损失加权的新颖推荐

推荐系统的目的是为了基于用户喜爱,为用户提供最高匹配度的潜在项目.但如果用户和项目提供者喜欢单一的热门项目,那么用户不能发现新颖性项目,会给用户和项目的提供商双方造成巨大损失.现有的新颖推荐工作主要集中在对由精度为基础的基础模型生成的前N个列表进行重新排序.结果,这些框架是两阶段的,并且结果基本上限于基础模型.另外,在...     

融合核密度估计和奇异值分解的多样化推荐算法

现今的推荐算法大多以提高推荐列表准确率为目标,而对推荐的多样性考虑较少,这样会导致推荐结果新颖性不强,在考虑多样性的时候又会降低准确率.本文提出了一种融合兴趣分布与奇异值分解的多样化推荐算法(KDE-SVD),首先使用核密度估计的方式估计用户兴趣分布,得出用户在兴趣分布上相似的邻居,并使用兴趣分布上相似的邻居的评分对当前用户未评分的物品进行预评分,然后将上一步得到的预评分填入用户-评分矩阵,进行SVD分解,此时获取推荐列表即包含了兴趣相似邻居预评分而来的物品,保证推荐列表的多样性,也有SVD分解而得的行为相似邻居的物品,保证推荐列表的准确率.在实验数据集上实验表明,该本文算法能保证准确率的的情况下充分提高推荐多样性.