基于位置社交网络中地点聚类推荐方法

为解决基于位置社交网络中地点推荐时遇到的数据稀疏、冷启动问题,提出一种改进的地点推荐方法,在协同过滤算法的基础上融合了聚类算法,考虑到用户偏好、朋友关系、位置语义等因素,在推荐时取两种算法的优点进行互补。研究的重点是相似度的计算,包括兴趣地点相似度、好友亲密度、词频-逆文档频率、余弦相似性。在Foursquare数据集上以准确率、召回率、单个主题的平均准确率作为度量依据,对提出的方法进行验证。试验证明,本方法有效提高了推荐效果。     

一种基于社交网络友情度的个性化推荐算法

针对社交网络服务中传统个性化推荐系统的推荐性能和满意度低的问题,在分析社交网络服务中影响个性化推荐各种因素的基础上,引入社交网络用户关系亲密度度量方式——友情度及其三要素,并给出它们的计算方法。研究大型社交数据的用户主题兴趣和各类相似度,设计了一种基于友情度的个性化推荐系统,以提高社交大数据复杂环境下推荐精度及质量,提高用户对推荐结果的满意度。通过实验分析证实了所提出个性化推荐系统比基于PCC和JMSD算法等传统推荐系统的性能更优越,且推荐结果质量要高。最后给出了未来的研究方向。     

网络资源中基于K-Means聚类的个性化推荐

为了实现在网络资源中为网络用户提供针对兴趣爱好的推荐项目,提出了一种基于K-means聚类的应用于动态多维社会网络的个性化推荐算法.首先根据用户评分数据对用户进行建模,并根据评分数据集构建多维用户网络,再加入局域世界演化理论形成动态多维网络;然后根据改进的K-means算法对用户聚类;最后根据最近邻居得到目标用户的预测评分作出推荐,从而形成一种应用于动态多维社会网络中的个性化推荐算法.实验表明,相比协同过滤个性化推荐系统,新推荐策略的预测值和真实值之间的误差较小,个性化推荐水平得到了一定程度的提高.     

位置社交网络的个性化位置推荐

为了有效改善位置社交网络的用户体验,提出了一种个性化位置推荐服务模型.综合考虑了用户的签到行为特点、用户特征及位置兴趣点的语义特征,并将蚁群算法与改进的混合协同过滤算法有效结合起来进行个性化位置推荐,以此提高个性化位置推荐的质量和效率.实验结果表明,提出的位置推荐模型的召回率、准确率和平均绝对误差值都明显优于已有方法.     

一种基于聚类技术的免疫推荐算法

在网络时代,如何通过为用户提供更加个性化的服务,提高其商品的吸引力,进而为企业带来更大的收益,成为了网站所面临的核心问题。通过对自然免疫学和人工免疫学理论的研究,着重讨论了将人工免疫网络技术应用于电子商务个性化推荐的思想,提出了使用形态空间模型对推荐技术及其存在问题的解释方法,并提出了聚类免疫推荐算法。实验结果表明：该算法能高效和准确地解决个性化推荐问题,具有很好的应用价值。     

融合社交和标签信息的隐语义模型推荐算法

为了提高隐语义模型在数据稀疏情况下推荐结果的质量,提出一种带有社交正则化项和标签正则化项的隐语义模型.根据用户社交网络和物品标签的信息,设计出描述用户和物品概况的正则化项,并利用用户对物品的历史评分计算得到用户评分偏好,将这三项引入矩阵分解目标函数中,进一步约束目标函数,最后通过梯度下降法去优化模型参数,得到推荐结果.为了验证算法的有效性,在Last.fm数据集上进行实验,实验结果表明,本文算法的推荐质量优于其他传统推荐算法.     

基于用户聚类的二分图网络协同推荐算法

针对协同过滤推荐系统应用中存在的数据稀疏、可扩展性受限等问题,提出了一种基于用户聚类的二分图网络协同推荐算法.该算法在用户聚类阶段对二分图网络进行用户中心聚类,并获取用户聚类中心及其所在的群组,基于用户群组的评价信息为目标用户提供更广泛的推荐数据;在协同推荐阶段,围绕聚类中心及其所在群组为未评分项目完成预测评分,为用户推荐综合评分最高的Top-n项目.结果表明,该算法能够提升目标用户推荐的准确度,并能改善协同推荐的多样性.     

初始聚类中心优化的K-均值项目聚类推荐算法

针对协同过滤推荐系统存在的数据稀疏性和扩展性差问题,提出了初始聚类中心优化的K-均值项目聚类推荐算法。该算法首先采用SlopeOne方法对评分矩阵预测填充来缓解数据稀疏性,然后采用初始聚类中心优化的K-均值算法对项目进行聚类,将相似度高的项目聚到同一个类中,最后根据目标项目所在的聚类搜索其最近邻并产生推荐。实验结果表明,该算法有效改善了数据的稀疏性和扩展性,提高了推荐质量。     

一种基于复杂网络属性值的K-means聚类算法

传统K-means聚类算法的性能依赖于初始聚类中心的选择。本文将复杂网络节点的属性值作为节点的度、聚集度与聚集系数的加权值,通过计算所有节点的加权综合聚集特征值,选取综合聚集特征值高,并且彼此之间无高聚集性特征的个节点作为聚类的初始聚类中心,然后进行聚类迭代过程。实验结果表明,新算法对初始聚类中心的选取更迅速有效,避免了传统K-means算法初始聚类节点选取的敏感性,进而提高K-means算法的聚类质量。     

一种基于Bayesian网络的网页推荐算法

为改善用户的Web页面访问行为、提高访问效率, 设计了一种基于贝叶斯网络的网页推荐模型及推荐算法。通过收集和分析服务器中的描述文件和日志文件,利用Bayesian网络分析页面间的依赖关系,构建了基于贝叶斯网络的网页推荐模型并产生推荐集。通过在Microsoft公司提供的网络日志数据集上做的实验,可以获得超过80％的准确率和覆盖率。理论分析和实验结果表明,算法能够在线实时向用户做出个性化的推荐,与已有的推荐算法相比,算法能较快地给出推荐集,并且可以获得更高的准确率和覆盖率。     

数字图书馆中兴趣度推荐算法

个性化推荐技术能够帮助用户更方便地从大量的文本数据中得到感兴趣的文本.数字图书馆中现有的个性化推荐技术都是根据文本相似性为用户推荐感兴趣的文本.该文提出用户对文本的兴趣度的概念,综合考虑了文本之间的相似性、文本的信息量和新颖性3个因素,比相似性能更好地反映用户的兴趣.同时提出基于兴趣度的个性化推荐算法.理论分析和实验结果均表明,基于兴趣度的推荐算法的推荐完全性和准确性比相似性推荐算法和基于图的混合推荐算法均有显著提高.     

基于co-ICIB联合聚类的舆情监测系统设计

基于co-ICIB联合聚类的舆情监测系统的设计为舆情信息库,它通过联合聚类等数据挖掘算法可以快速及时地发现新的舆论热点.当舆论热点被确认,即在互联网上真正成为一个备受关注的话题时,文本分类算法可以将同一话题内的信息归类,有助于跟踪舆情的发展趋势.该舆情监测系统可为舆情监管部门提供原始舆情资料、数据性图表和建议性分析.     

面向推荐的用户兴趣扩展方法

提出了一种用户兴趣扩展的方法以便应用于个性化推荐系统,对用户的搜索点击日志和浏览器的浏览日志进行统计,粗略对用户兴趣建模,从文本相似度、语言模型相关度、潜在的语义关联关系三个方面充分分析用户兴趣方向之间的关联关系,应用社区发现思想挖掘关联关系紧密的兴趣群组,并对用户兴趣在同一群组内进行适当扩展。通过试验结果分析,可以看出用户兴趣扩展对个性化推荐点击率的影响,并使点击率有近一倍的增长。     

基于异质信息网络和多任务学习的推荐模型

针对基于异质信息网络的推荐系统难以充分捕捉节点的内容信息以及基于元路径的异质信息挖掘存在链接丢失的问题, 提出一个基于异质信息网络和多任务学习的推荐方法.该方法首先在各个元路径视图上计算不同邻居实例对节点的影响程度, 挖掘元路径内部信息; 接着使用注意力机制学习异质信息网络图的语义信息, 得到异质信息网络中节点的嵌入; 最后采用多任务学习方法同时优化推荐任务和链路预测任务来解决链接丢失问题.在3个公开的异质数据集上进行实验, 结果表明该模型能够充分挖掘异质信息网络的信息, 在推荐任务和链路预测任务上的性能皆优于对比模型.

     

基于隐马尔科夫模型的潜在个性化路线推荐

现有路线大多基于历史轨迹的相似性进行推荐,容易忽略潜在新路线. 为解决这一问题,利用隐马尔科夫模型对个性化的潜在路线推荐问题进行建模,提出一种可发现隐藏路线的推荐算法（HMMPath）;根据用户指定的类别关键字序列生成访问点序列,结合路线长度、个性化路线分数以及访问点序列的可能性,为用户推荐满足个性化需求的路线;在真实签到数据集上通过改变数据集大小、查询类别关键字数量、查询类别关键字类型和推荐路线数量等参数验证所提算法的准确率和运行效率。结果表明,所提方法在包含4个以下短查询类别序列上的推荐准确率在70%以上,表现出了较好的推荐准确度.     

面向会话型推荐系统的个性化分层循环模型

为了精准地捕捉用户行为模式,引入中期兴趣的概念,提出一个基于循环神经网络（RNN）的个性化分层循环模型,通过在同一框架下联合利用用户的会话、区块和全部行为序列来学习用户的综合兴趣.利用一个捕捉会话内序列模式的会话级RNN建模用户的短期兴趣;设计了一个捕捉区块内相邻会话关联关系的区块级RNN,进一步描述用户的中期兴趣;使用一个用户级RNN追踪长期兴趣的演化;引入带有不同交互机制的融合层,以有效融合不同层次的兴趣信息.在3个真实数据集上进行实验,结果表明,该方法与先进的推荐方法相比,Recall@10提升了18.35%.     

基于元图归一化相似性度量的实体推荐

基于异构信息网络(heterogeneous information networks, HIN)中元图的良好表征特性,提出一种结合隐式反馈和PathSim(meta path-based similarity)的归一化相似性度量(normalized similarity measure of meta graph, NSMG),以解决对异构信息网络中高度可见实体的偏好问题。针对Yelp和Amazon数据集构建Yelp-HIN(heterogeneous information networks in Yelp)和Amazon-HIN(heterogeneous information networks in Amazon),定义不同类型的元图及归一化相似度量,使用矩阵分解和因子分解机来组合计算不同元图上的相似性。试验结果表明,基于NSMG的方法在非常稀疏的数据集上性能表现优于常用的HIN实体推荐方法。     

SeqRec：基于长期偏好和即时兴趣的序列推荐模型

通过对用户的历史购物序列进行建模,得到用户稳定的长期偏好和动态的即时兴趣,并聚合长期偏好和即时兴趣进行个性化推荐. 提取用户对商品的评论内容用于表示商品的特征;使用递归神经网络从用户的历史购买序列数据中学习用户稳定的长期偏好,使用提问数据对用户不断变化的即时兴趣进行建模;通过注意力机制为长期偏好以及即时兴趣分配不同的权重,得到用户最终偏好的向量表示. 在亚马逊真实数据集上的实验结果表明,SeqRec模型在召回率和精确率上比当前主流的序列推荐方法至少超出10%;SeqRec模型证明不同用户的长期偏好和即时兴趣对其下次购买物品的影响程度不同.