一种改进的偏好融合组推荐方法

近年来,组推荐系统已经逐渐成为推荐系统领域的研究热点之一.在电影电视和旅游推荐中,用户常常是参与活动的一组人,这就需要为多个用户形成的群组进行推荐.作为解决群组推荐问题的有效手段,组推荐系统将单个用户推荐扩展为群组推荐,目前已经应用在新闻、音乐、电影、餐饮等诸多领域.现有的组推荐融合方法主要是模型融合与推荐融合,其效用好坏目前仍没有定论,并且它们各有自己的优缺点.模型融合存在着群组成员间的公平性问题,推荐融合忽视了群组成员间的交互.提出一种改进的偏好融合组推荐方法,它结合了两种融合方法的优点.同时根据实验得出了"群组偏好与个人偏好具有相似性"的结论,并将它结合在改进方法中.最后,通过在Movielens数据集上的实验分析,验证了该方法的有效性,证明了它能够有效地提高推荐准确率.     

融合知识图谱与图片特征的推荐模型

目前知识图谱研究主要面向信息检索、自然语言理解等领域,在推荐系统中融合知识图谱成为推荐领域学者广泛关注的问题。为了解决单一知识图谱忽略的丰富知识信息,该文对知识图谱进行多模态扩展,并提出一种融合知识图谱与图片特征的推荐模型(KG-I)。不同于其他基于知识图谱的推荐算法,该方法增加视觉嵌入、知识嵌入和结构嵌入去挖掘用户项目之间的隐式反馈信息。该模型利用深度游走模型(Deep Walk)捕获空间结构的方法和波纹网络模型(RippleNet)挖掘知识图谱的知识表达的思想,并且考虑图片对用户偏好的影响,有效地将信息进行融合,并在真实数据集上与其他模型实验比较,研究多种特征的影响,分析不同稀疏度数据下的表现。结果表明,融合知识图谱与图片特征的个性化推荐模型完全优于其他的对比算法并且有效缓解数据稀疏情况。     

一种基于协同上下文关系学习的同城活动推荐算法

新兴的基于活动的社交网络以活动为核心,结合线上关系与线下活动促进用户真实、有效的社交关系的形成,但过多的活动信息会使用户难以分辨和选择.结合上下文进行个性化同城活动推荐,是解决活动信息过载问题的一种有效手段.然而大部分现有的同城活动推荐算法都是从用户参与活动记录中间接统计用户对上下文信息的偏好,忽略了两者之间潜在的交叉影响关系,从而影响了推荐结果的有效性.为了解决用户参与活动偏好与上下文信息潜在交叉影响关系利用不足的问题,提出了一种基于协同上下文关系学习的同城活动推荐算法（colletivecontextual relation learning,简称CCRL）.首先,对用户参与活动记录和活动主办方、活动内容、活动地点、举办时间等相关上下文信息进行关系建模;然后,采用多关系贝叶斯个性化排序学习方法进行协同上下文关系学习及同城活动推荐.Meetup数据集上的实验结果表明,该算法在多项指标上均优于现有的主流活动推荐算法.