基于LDA主题模型的协同过滤推荐算法

传统的协同过滤推荐算法直接根据用户对物品的评分进行推荐,忽略了评论文本中隐含的重要信息,当用户对物品的评论较少时,由于数据的稀疏性会造成推荐效果的不准确和单一。本文提出了一种基于LDA主题模型的协同过滤推荐算法LDA-CF(Latent Dirichlet Allocation model-LDA-Collaborative Filtering),在传统的协同过滤算法基础上,通过LDA模型对评论文本中的主题进行分类,从各个主题层面挖掘用户的情感偏好,计算用户之间的相似度,进而向目标用户推荐商品。对京东平台牙膏的评论数据集的实验结果表明,该算法不仅可以缓解由于评分数据较少造成的稀疏性问题,推荐的精确度也有所提高。     

基于LDA主题模型的协同过滤推荐算法

本文提出一种基于LDA(Latent Dirichlet Allocation)主题模型的协同过滤算法,通过提取并分析商户所接收到的来自不同用户的评论文本,计算商户之间的相似度,再联合传统的基于物品的协同过滤算法,从而进行推荐.实验结果表明,该方法取得了较为理想的结果,能够提高推荐准确度.     

数字图书馆中的关联书目检索推荐方法改进与设计

针对数字图书馆中书目资源规模的增大导致对关联图书书目检索的时效性和准确性不好的问题,提出一种基于相似度标签索引和关联规则挖掘的数字图书馆中的关联书目检索推荐方法。计算数字图书馆中的关联图书书目的相似度标签信息参量,在相似度便签索引下进行图书检索的语义分析,在语义本体模型中通过关联规则挖掘实现对相似用户和相似书目的信息融合和协同推荐,提高了对数字图书馆的检索效能。仿真测试结果表明,该推荐方法相比于传统方法具有较高的推荐准确性。     

基于领域本体的个性化推荐在健康系统中的研究

协同过滤技术(Collaborative Filtering)成功应用于个性化推荐系统中,为了用户能更准确地获取信息,提出了利用领域知识进行相似度计算的协同过滤算法,利用用户兴趣与领域本体中概念的映射关系,构建用户兴趣本体,发掘用户兴趣模式,通过融合评分项目相似度和用户相似度的计算,使用户在评分的共同项目很少或为零的情况下也能找到最近邻进行协同推荐.将这一方法应用到某健康系统中进行实验分析,该方法不仅解决了传统的基于项目的协同过滤带来的问题,而且还提高了推荐系统的推荐质量.     

基于Spark框架的瀑布型融合旅游推荐系统

目前旅游信息数据量庞大却无法满足用户的特定需求,很多不确定因素导致用户评分出现偏差,使推荐结果不准确且实时性差。鉴于此,本文提出构建基于Spark框架的瀑布型融合旅游推荐系统。首先,利用爬虫技术对各大旅游网站景点信息进行爬取和整理,搭建Spark框架读取数据并进行数据清洗和预处理,通过API将景点地理位置转换为经纬度坐标以便后续可视化;其次,设计2个过滤层,第一层采用SimHash算法,该算法能够实现海量数据的快速降维处理,有效节约时间。第二层采用余弦相似度算法并利用TF-IDF计算词频,进而过滤和更新旅游景点推荐数据库,最终形成反馈给用户的推荐数据库;最后,用户从系统推荐的Top-N景点选择自己感兴趣的景点,系统将会对其进行地图可视化,并标注每个省市景点的数量和平均票价,为用户提供智能旅游推荐的完美体验。该系统从用户需求出发,通过分析用户需求文本语义,与旅游数据库进行相似度计算进而获得推荐结果,达到了实时性和准确性的统一,是对旅游推荐系统的补充和完善,具有一定的实用价值。     

基于上下文相似度和社会网络的移动服务推荐方法

针对传统的基于协同过滤的移动服务推荐方法存在的数据稀疏性和用户冷启动问题,提出一种基于上下文相似度和社会网络的移动服务推荐方法(Context-similarity and Social-network based Mobile Service Recommendation,CSMSR).该方法将基于用户的上下文相似度引入个性化服务推荐过程,并挖掘由移动用户虚拟交互构成的社会关系网络,按照信任度选取信任用户;然后结合基于用户评分相似度计算发现的近邻,分别从相似用户和信任用户中选择相应的邻居用户,对目标用户进行偏好预测和推荐.实验表明,与已有的服务推荐方法TNCF、SRMTC及CF-DNC相比,CSMSR方法有效地缓解数据稀疏性并提高推荐准确率,有利于发现用户感兴趣的服务,提升用户个性化服务体验.     

基于电商评论情感分析的用户聚类方法研究

针对电子商务中的商品评论信息过载问题,运用情感关联分析理论,通过挖掘商品评论信息中的商品特征及相应的情感反馈,建立商品特征细粒度上的情感分值向量,在此基础上利用SOM神经网络模型对评价用户进行聚类,建立电商用户情感画像,并针对不同电商用户群体特征制定个性化营销策略,从而帮助平台商家从繁杂的商品评论中快速获取有效信息。实验中在线评论取自图书类商品,数据均来源于Amason。实验结果表明,该方法具有良好的应用效果。     

一种优化的相似度协同过滤推荐算法

传统的协同过滤推荐算法存在推荐准确性不高的问题。在计算相似度时，当得分向量的结果差异性不大时，可能会产生相似的结果向量，从而降低相似度结果的准确性。针对这一问题，提出一种优化的用户相似度协同过滤推荐算法，在传统的余弦相似度计算中加入一个平衡因子，并通过实验验证加入的平衡因子阈值算法的有效性。实验结果表明，优化的用户相似度协同过滤推荐算法能够显著提升用户相似度计算的准确性，从而得到较好的推荐结果。     

基于多社交数据源的协同推荐方法研究

协同过滤推荐作为一种有效的推荐方法,普遍存在数据稀疏性和冷启动问题,利用社交网络的多项数据源对协同推荐方法进行了改进.为了克服评分矩阵的稀疏性问题,提出结合用户评分相似度和用户信任度选择推荐邻居,同时对用户相似度计算进行了改进;提出了一种简单有效的信任推理方法,能够识别出用户间隐含的间接信任关系,进一步缓解了数据稀疏性问题;为了解决推荐系统的冷启动问题,提出综合利用项目的类型属性信息和领域专家信息进行联合推荐.实验结果表明,提出的改进策略非常有效,在精度和召回率方面都较已有方法具有明显改善.     

一种融合云模型和信任的推荐算法

针对传统的协同过滤推荐系统推荐精度低的问题,从用户相似度和用户信任度两个角度出发,提出了一种融合云模型和信任的推荐算法。采用云模型的相似度方法计算用户间的相似度,再采用信任推导来计算用户间的信任值,在此基础之上根据用户相似度和信任度两个因素分别确定邻居用户,得到预测评分。再将二者的预测评分结合的混合值作为最终的预测评分,从而产生推荐。实验结果表明,该算法与基于信任关系的推荐算法相比有更好的推荐效果。     

Context-based Ontology-driven Recommendation Strategies for Tourism in Ubiquitous Computing

Tourism is an information-intensive business. At present, there are a lot of information and tourism resources available on the internet that lead to low searching efficiency and effectiveness, the user may get too many seeking results but not related to his interest, or few results than his expected. The user can know clearly what he wants, but sometime the user doesn’t know what kind information he needs. User’s demand can be formulated as direct demand and potential preference. At the same time, the study shows that there is strong relationship between the traveler’s potential preference and the characteristics of tourism resources. In order to solve the information overload challenge, recommendation services are increasingly emerging. Currently, recommendation methods focus on dealing with personalized matching based on the user preference. However, these methods skip the user’s direct demand. In this paper, we propose ontology-driven recommendation strategies based on user’s context. The strategies use ontology to describe and integrate tourism resources, achieve the goal of associating user’s direct needs and his potential preference as the context in recommendation. Moreover, theoretical analysis and experiments show that the proposed approach is feasible, the results of the evaluation are discussed.     

Collaborative filtering driven by fast semantic feature analysis on Spark

Wireless Networks - Collaborative filtering (CF) is a prevailing technique utilized for recommendation systems and has been comprehensively explored to tackle the problem of information overload...     

个性化特征的电子商务智能推荐系统

以准确向用户推荐商品,提升电子商务网站销售量为目标,设计基于个性化特征的电子商务智能推荐系统。系统以个性化推荐引擎为核心,采集交易事务、商品特征、用户评价等数据,利用基于个性化特征的协同过滤推荐算法计算商品间相似度,确定新商品的近邻,根据近邻用户对新商品的评价结果选择商品进行推荐。测试结果表明,该系统的电子商务商品推荐误差小,有利于提升电子商务网站交易率,而且电子商务商品推荐性能明显优于其他推荐系统。     

Trust expansion and listwise learning-to-rank based service recommendation method

In view of the problem of trust relationship in traditional trust-based service recommendation algorithm,and the inaccuracy of service recommendation list obtained by sorting the predicted QoS,a trust expansion and listwise learning-to-rank based service recommendation method (TELSR) was proposed.The probabilistic user similarity computation method was proposed after analyzing the importance of service sorting information,in order to further improve the accuracy of similarity computation.The trust expansion model was presented to solve the sparseness of trust relationship,and then the trusted neighbor set construction algorithm was proposed by combining with the user similarity.Based on the trusted neighbor set,the listwise learning-to-rank algorithm was proposed to train an optimal ranking model.Simulation experiments show that TELSR not only has high recommendation accuracy,but also can resist attacks from malicious users.     

基于RSS相关性的位置指纹室内定位方法

解决设备差异性造成的Wi-Fi信号强度不确定问题是位置指纹室内定位应用与推广的关键.一种基于设备间接收信号强度(Received Signal Strength,RSS)相关性的位置指纹室内定位方法被提出.以智能手机为用户终端,离线阶段,通过智能手机扫描的Wi-Fi信号强度信息,经过数据处理,筛选稳定的接入点(Access Point,AP),构建离线指纹数据库;在线定位阶段,对于实时获取的Wi-Fi信号强度信息,进行筛选处理后,挑选与离线指纹共同拥有的AP,并根据该AP集合,形成新的离线指纹和在线指纹.对离线指纹按RSS的大小降序排序;在线指纹,则以同一次序对RSS排序,然后利用皮尔逊相关系数和杰卡德相似系数,计算指纹相似度并排序,通过K最近邻(K-Nearest Neighbor,KNN)算法实现用户定位.实验表明该方法可有效解决设备差异性问题,并实现精确定位,平均定位误差达到1.7 m.     

基于CTM模型的在线轻问诊医生推荐研究

本文采用CTM主题模型对现有的在线医生专家推荐模型进行优化,首先利用患者提出的健康问题,得到问题-主题概率分布,然后根据医生历史回答的所有问题得到医生-主题概率分布,接着对得到的两项分布用杰卡德相似系数计算方法计算相似度,进而将主题相似度高的医生列表推荐给患者.实验阶段先对好大夫在线轻问诊模块的过敏反应科的数据进行采集...     

异质网络中基于节点影响力的相似度度量方法

异质网络相似度学习,即分析两个不同类型对象间的相关程度.不同类型对象在异质网络中的重要程度不同,它们在相似度学习过程中的发挥的作用也不同.针对异质网络,提出了一种基于节点影响力的相似度度量方法NISim,该模型既考虑了网络中的链接结构,也保留了网络中的语义信息,同时区分不同类型节点对异质网络的作用.在异质信息网络环境下,通过启发式规则区分并量化不同类型节点的影响力权值,并结合网络链接结构和节点间语义关系,解决了提高相似度学习准确性的问题.实验结果表明,该方法能够有效地对异质信息网络不同类型节点进行相似度度量,可以应用在网络搜索、推荐系统以及知识图谱构建等不同领域.     

融合深度情感分析和评分矩阵的推荐模型

目前,大多数推荐系统都具有评分数据稀疏性的问题,它会限制模型的有效性.而用户对于某件商品撰写的评论中隐含了很多信息,对评论文本进行情感分析并提取关键的因素来用于模型的学习,可以有效地缓解数据稀疏问题,但仅使用评论数据而忽略了评分数据的主要因素会影响推荐精度.对此,为了进一步提高推荐精度,该文提出一个评论文本和评分矩阵交...     

Novelty‐driven recommendation by using integrated matrix factorization and temporal‐aware clustering optimization

With the rapid proliferation of information and communication technology (ICT), the vast amount of available data creates information overload. The Websites and e‐commerce applications employ several information filtering methods such as personalized recommender system to manage the information overload. The recommender system assists the users in obtaining the desired list of products based on their interest. Several existing research works focus on the novelty or unexpectedness in the recommendation list while ensuring the quality to enhance the recommendation mechanism. It is essential to balance the unexpected and useful products or services to generate the satisfactory personalized recommendations with novelty. Thus, this paper proposes a novelty‐driven movie suggestion using integrated matrix factorization and temporal‐aware clustering optimization (NOMINATE). The proposed approach determines the personalized preferences through probabilistic matrix factorization (PMF) and contextually updates the rules and extracts the user preferences based on the inherent features of both the users and movies with temporal information. The NOMINATE approach also suggests the novelty‐driven, and desired top‐N movies to the users through the K‐means, and particle swarm optimization (PSO)‐based clustering algorithm with the help of LOD source. To identify the expert users, the NOMINATE approach applies the K‐means and PSO‐based clustering algorithm to enrich the personalized features of the users. Moreover, it integrates the relevant features with the preferred set of features for each user using the LOD source and decides a set of optimal preferences of the users. Finally, the NOMINATE approach generates the top‐N recommendation list for the corresponding user through ranking method. The experiment results stipulate that the NOMINATE approach personalize the top‐N movie recommendations with high performance regarding accuracy and novelty when compared with the existing recommendation method.     

An Adaptive User Preferences Elicitation Scheme for Location Recommendation

User preferences elicitation is a key issue of location recommendation.This paper proposes an adaptive user preferences elicitation scheme based on Collaborative filtering (CF) algorithm for location recommendation.In this scheme,user preferences are divided into user static preferences and user dynamic preferences.The former is estimated based on location category information and historical ratings.Meanwhile,the latter is evaluated based on geographical information and two-dimensional cloud model.The advantage of this method is that it not only considers the diversity of user preferences,but also can alleviate the data sparsity problem.In order to predict user preferences of new locations more precisely,the scheme integrates the similarity of user static preferences,user dynamic preferences and social ties into CF algorithm.Furthermore,the scheme is paraltelized on the Hadoop platform for significant improvement in efficiency.Experimental results on Yelp dataset demonstrate the performance gains of the scheme.