基于Vague集的电子商务推荐系统研究

基于内容推荐系统发展的瓶颈在于商品特征的表示。借助Vague集方法,并利用高斯函数和Vague集中未知度的一些性质,将商品的特征用Vague值形象表示。在此基础上,给出了运用Vague集方法进行基于内容推荐的步骤,为推荐系统的设计提供了一种新的指导思想和方法。最后给出了多个推荐公式,并进行简单的比较,有利于在实际推荐工作中酌情选择不同的推荐公式,提高商品推荐质量和推荐精度。     

基于Vague值的非个性化产品推荐研究

在网络用户和网络产品急剧攀升的背景下,非个性化产品推荐成为一种很好的网络广告手段,已有的研究中,Vague集方法已被应用于推荐系统中,并取得了较好的效果。分析了非个性化产品推荐的一般特征和优点;借助Vague值描述的产品,研究了特征值方法和“马太效应”记分函数方法运用于产品排序的可行性;最后,通过实例验证了两种方法的在非个性化产品推荐中的有效性和一致性。     

Vague软集的新模糊熵及其应用

依据软集、Vague集、Vague软集现有理论,参考Vague集模糊熵度量方法,对Vague 软集模糊熵的公理化定义进行了补充,修正了原有公理化定义中不完整的地方;提出了一种新的计算Vague 软集模糊熵的公式,并给出了其在决策中的应用实例及分析。实例分析表明该Vague 软集模糊熵公式具有良好的应用效果。     

Vague集间的一种新相似度量

Vague值的转化的递推定义被给出,Vague值的三维表示是Vague集思想的直接体现,基于三维表示和Vague值的转化而提出一种Vague集之间的相似度量,最后这个公式被应用于一个模式识别的例子中.     

Vague集间的相似度量及其在正文检索中的应用

基于Vague值的三维表示,给出两个Vague集（值）间的相似度量公式。提出基于Vague集间的相似度量的正文检索方法。实例表明相似度量公式是实用的。     

网上购物平台多推荐融合算法研究

推荐系统能帮助用户有效解决信息过载问题,现已被广泛应用于各大网上的购物平台.对用户而言,好的推荐算法能够帮助其从海量商品中快速准确发现符合自己需求的商品;对商家而言,及时呈现给用户恰当的物品能帮助商家实现精准营销,发掘长尾商品并推荐给感兴趣的用户以提高销售额.协同过滤、基于内容推荐是目前应用成熟的推荐方法,但这些方法存在数据疏散、冷启动、可扩展性差和多媒体信息特征难以提取等问题.因此,文中提出基于融合LR-GBDT-XGBOOST的个性化推荐算法,可有效缓解上述问题.在阿里巴巴天池大数据竞赛公开数据集上进行实验,结果显示,该算法降低了推荐稀疏性,提高了推荐精度.     

Vague集的三维表示及相似度量

Gau和Buehrer于1993年提出了一个新的处理模糊信息的模糊理论——Vague集。与Fuzzy集相比较,Fuzzy集不能表示的模糊信息Vague集也能表示。本文首先提出一种新的Vague集的三维表示方法,在此基础上,给出了Vague集的若干性质及交并运算规则,然后根据Vague集的三维表示方法,对上述性质和定义进行讨论,最后给出Vague集三维表示方法情况下相似度量的算法及运算实例。     

Vague集的三维表示及一组距离测度

Gau和Buehrer提出Vague集以来，为刻画两个Vague集(值)之间的相似程度，一些Vague集的相似度量方法被提出来，但在许多情况下，求相似度量往往和距离测度有关。本文通过建立Vague集隶属函数的三维表示方法，证明了一个不等式，在此基础上给出了一组Vague集(值)之间的距离测度公式，并证明它们满足距离测度的有关性质，最后给出一个它们的实例应用。     

基于Vague集的人工免疫模型

分析了众多的应用在入侵检测系统中免疫模型存在的不足,提出了一种基于Vague集理论的人工免疫模型的设计实现方法,该方法采用了Vague集的核函数和精确函数来解决基于Vague集的模式识别问题,由于Vague集可以同时表示"肯定"、"否定"和"不确定"的信息,这使得在采用了Vague集的人工免疫模型中得到的识别结果更符合实际情况,最后给出了实验证明了该方法的有效性.     

Vague（值）集间的相似度量及其应用

鉴于已知的一些Vague集间的相似度量和距离公式有缺陷,提出用分段函数表达的Vague（值）集间的接近度的定义,应用此定义重新给出用分段函数表达的Vague（值）集相似度量的定义。给出了三个加权接近度公式和三个加权相似度量新公式。给出在Vague环境下用Vague集间的接近度和相似度量进行模式识别的方法。应用实例表明所给公式皆是有效的。     

基于深度学习的论文个性化推荐算法

该文基于学术搜索和数据挖掘平台Aminer向用户进行个性化推荐,提出了结合协同过滤推荐和基于内容推荐的混合模型,实验表明该算法可以有效解决新物品的推荐问题,即冷启动问题。其中在基于内容推荐的模型中,融合深度学习的方法,引进了词向量模型,将用户和论文映射到用词向量空间, 并使用WMD(Word Mover Distance)计算相似度。实验表明,与其他基线模型相比该文提出的推荐模型在准确率上显著提高了4%。     

多子域随机森林在情境感知推荐中的应用研究

情境感知推荐系统通过增加情境信息来提高推荐精度,在实际应用中得到广泛的应用。然而,传统的情境感知推荐方法存在赋予情境因素相同权重,忽略了用户在不同情境下所偏好项目的不同,以及情境因素在推荐过程中所起的影响作用不同的问题。提出一种基于多子域随机森林算法的情境感知推荐方法。该方法对特征重要性按权值大小进行排序,将权值的取值区域分为多个大小相等的子区域,在这些子区域中随机选择特征,构造特征子空间来改进随机森林算法;通过改进的随机森林算法来分解并降低用户、项目和情境的特征维度;使用协同过滤推荐算法来进行冷链物流配载个性化推荐。对LDOS-CoMoDa和Cycle Share两个数据集进行仿真实验,结果表明该方法相比传统方法平均绝对误差减少近10%,有效地提高了推荐系统的预测精度,为情境感知推荐的应用提供借鉴。     

A user-centric evaluation of context-aware recommendations for a mobile news service

Traditional recommender systems provide personal suggestions based on the user’s preferences, without taking into account any additional contextual information, such as time or device type. The added value of contextual information for the recommendation process is highly dependent on the application domain, the type of contextual information, and variations in users’ usage behavior in different contextual situations. This paper investigates whether users utilize a mobile news service in different contextual situations and whether the context has an influence on their consumption behavior. Furthermore, the importance of context for the recommendation process is investigated by comparing the user satisfaction with recommendations based on an explicit static profile, content-based recommendations using the actual user behavior but ignoring the context, and context-aware content-based recommendations incorporating user behavior as well as context. Considering the recommendations based on the static profile as a reference condition, the results indicate a significant improvement for recommendations that are based on the actual user behavior. This improvement is due to the discrepancy between explicitly stated preferences (initial profile) and the actual consumption behavior of the user. The context-aware content-based recommendations did not significantly outperform the content-based recommendations in our user study. Context-aware content-based recommendations may induce a higher user satisfaction after a longer period of service operation, enabling the recommender to overcome the cold-start problem and distinguish user preferences in various contextual situations.     

Conversational Collaborative Recommendation – An Experimental Analysis

Traditionally, collaborative recommender systems have been based on a single-shot model of recommendation where a single set of recommendations is generated based on a user’s (past) stored preferences. However, content-based recommender system research has begun to look towards more conversational models of recommendation, where the user is actively engaged in directing search at recommendation time. Such interactions can range from high-level dialogues with the user, possibly in natural language, to more simple interactions where the user is, for example, asked to indicate a preference for one of k suggested items. Importantly, the feedback attained from these interactions can help to differentiate between the user’s long-term stored preferences, and her current (short-term) requirements, which may be quite different. We argue that such interactions can also be beneficial to collaborative recommendation and provide experimental evidence to support this claim.     

协同过滤推荐系统综述

随着互联网和信息计算的飞速发展,衍生了海量数据,我们已经进入信息爆炸的时代。网络中各种信息量的指数型增长导致用户想要从大量信息中找到自己需要的信息变得越来越困难,信息过载问题日益突出。推荐系统在缓解信息过载问题中起着非常重要的作用,该方法通过研究用户的兴趣偏好进行个性化计算,由系统发现用户兴趣进而引导用户发现自己的信息需求。目前,推荐系统已经成为产业界和学术界关注、研究的热点问题,应用领域十分广泛。在电子商务、会话推荐、文章推荐、智慧医疗等多个领域都有所应用。传统的推荐算法主要包括基于内容的推荐、协同过滤推荐以及混合推荐。其中,协同过滤推荐是推荐系统中应用最广泛最成功的技术之一。该方法利用用户或物品间的相似度以及历史行为数据对目标用户进行推荐,因此存在用户冷启动和项目冷启动问题。此外,随着信息量的急剧增长,传统协同过滤推荐系统面对数据的快速增长会遇到严重的数据稀疏性问题以及可扩展性问题。为了缓解甚至解决这些问题,推荐系统研究人员进行了大量的工作。近年来,为了提高推荐效果、提升用户满意度,学者们开始关注推荐系统的多样性问题以及可解释性等问题。由于深度学习方法可以通过发现数据中用户和项目之间的非线性关系从而学习一个有效的特征表示,因此越来越受到推荐系统研究人员的关注。目前的工作主要是利用评分数据、社交网络信息以及其他领域信息等辅助信息,结合深度学习、数据挖掘等技术提高推荐效果、提升用户满意度。对此,本文首先对推荐系统以及传统推荐算法进行概述,然后重点介绍协同过滤推荐算法的相关工作。包括协同过滤推荐算法的任务、评价指标、常用数据集以及学者们在解决协同过滤算法存在的问题时所做的工作以及努力。最后提出未来的几个可研究方向。     

Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions

This paper presents an overview of the field of recommender systems and describes the current generation of recommendation methods that are usually classified into the following three main categories: content-based, collaborative, and hybrid recommendation approaches. This paper also describes various limitations of current recommendation methods and discusses possible extensions that can improve recommendation capabilities and make recommender systems applicable to an even broader range of applications. These extensions include, among others, an improvement of understanding of users and items, incorporation of the contextual information into the recommendation process, support for multicriteria ratings, and a provision of more flexible and less intrusive types of recommendations.     

Value集的模糊嫡、相似度量和距离测度的关系

Vague集理论在各个领域中的广泛应用引起越来越多学者的注意,而模糊墒、相似度量和距离测度是其中的3个关键技术。目前已提出多种关于Vague集的模糊嫡、相似度量和距离测度的计算方法,但这些研究都没有讨论这3个基本概念之间的联系。基于Vague集的模糊嫡、相似度量和距离测度的公理化定义,给出了三者之间的相互诱导关系,建立了模糊墒、相似度量和距离测度之间的联系。     

Detection of the customer time-variant pattern for improving recommender systems

Due to the explosion of e-commerce, recommender systems are rapidly becoming a core tool to accelerate cross-selling and strengthen customer loyalty. There are two prevalent approaches for building recommender systems—content-based recommending and collaborative filtering. So far, collaborative filtering recommender systems have been very successful in both information filtering and e-commerce domains. However, the current research on recommendation has paid little attention to the use of time-related data in the recommendation process. Up to now there has not been any study on collaborative filtering to reflect changes in user interest.This paper suggests a methodology for detecting a user's time-variant pattern in order to improve the performance of collaborative filtering recommendations. The methodology consists of three phases of profiling, detecting changes, and recommendations. The proposed methodology detects changes in customer behavior using the customer data at different periods of time and improves the performance of recommendations using information on changes.