基于二分网络投影的多维度推荐算法设计研究

二分网络投影推荐算法明显优于传统的协同过滤推荐算法。为综合考虑二分网络顶点的相关信息,以解决数据稀疏性引起的推荐不准确问题,并提高推荐结果的多样性,提出多维度推荐算法BNPM(Bipartite-Network-Projection-based multi-dimensional recommendation algorithm):综合基于项目、用户和属性投影三个维度的推荐模型,将项目的类别信息以向量的形式由项目顶点投影至用户顶点构建基于属性投影的推荐模型,并根据推荐算法的评价标准,动态自适应地确定三个维度推荐模型的权因数值产生最终推荐。实验结果表明,BNPM推荐算法可以有效提高推荐结果的准确性和个性化程度。     

基于加权关联规则的用户关注项目推荐算法

根据每个项受关注的程度对其赋予权值，体现每个项在项集中的重要性，引入选择关注度，体现用户选择项时的倾向，推荐时将苎妻董联规则的置信度相结合，从而为用户更准确的提供关注项目推荐。在实验中比较了文中的算法和一种基于最近邻用户协作过滤算法，实验验证了文中的算法在为用户进行推荐项目时用户的点击率和算法的性能都有所提高。     

基于项目相关度的STI新群体冷启动推荐方法

针对推荐系统中相似偏好用户数量较少情况下的一类新群体冷启动问题开展研究,基于多元相关分析,对传统的尺度与平移不变(Scale and Translation Invariant,STI)的协同过滤推荐方法进行改进,提出一种基于项目相关度的STI推荐方法,以应对推荐系统中的新群体冷启动问题.在此基础上,基于Movie Lens数据集对所提出的方法进行了性能分析,结果表明,所提出的方法较Pearson方法及ST1N1方法在解决新群体冷启动推荐的过程中具有更高的推荐准确率.     

边信息嵌入的学术论文推荐算法研究

为了解决论文推荐领域中的数据稀疏性问题,研究人员通常会引入论文的辅助信息进行改进。然而,目前的研究大多集中于辅助信息的语义关联性,没有考虑到不同辅助信息对论文的重要性也不同。同时,在论文的网络表示领域中,随机游走的方法忽略了论文属性对论文引用关系的影响。针对这两个问题,提出了一种基于引文辅助信息嵌入的推荐方法（CERec）。首先提取论文的多种质量因素构成影响力数值,将其作为论文权重来构造影响力网络。然后将论文的影响力与引文信息结合,利用论文的多种辅助信息进行图嵌入。最后通过论文嵌入向量的余弦相似度得到推荐结果。离线实验结果表明,结合辅助信息的方法优于不结合辅助信息的方法,同时CERec相较于目前比较流行的向量表示推荐算法在召回率和NDCG上平均提高了5.054%和5.246%。     

基于项目分层的个性化推荐方法

协同过滤目前较为成功地应用于个性化推荐系统中.但随着系统规模的扩大和待推荐项目的不断增加,协同过滤面临着稀疏性问题和新项目推荐问题,制约了推荐效果.在此分析了传统协同过滤推荐方法中存在的问题,提出一种基于项目分层的个性化推荐方法.采用了基于多层兴趣表示的用户相似性算法,并结合相似用户推荐项与项目相似性来推荐新项目.该推荐方法在稀疏数据集上能表现出较好的推荐质量,同时也能够有效地解决新项目推荐问题.     

基于项目分类和用户群体兴趣的协同过滤算法

由于用户评分数据在极端稀疏的情况下会导致传统协同过滤算法的推荐质量下降,针对该问题,提出一种基于项目分类和用户群体兴趣的协同过滤算法。该算法根据项目类别信息对项目进行分类,相同分类的项目具有较高的相似性;利用评分数据计算各个项目分类上的用户相似性矩阵,并计算用户群体在各个分类上的兴趣,通过二者构造加权的用户相似性矩阵;利用用户加权相似性矩阵寻找用户的最近邻以获得最佳的推荐效果。实验结果表明,该算法能有效提高推荐质量。     

一种改进的基于二部图网络结构的推荐算法

基于网络结构的推荐算法得到了研究者越来越多的关注,以往的基于二部图网络结构的推荐算法只是判断用户是否选择过项目,不区分用户对项目评分的高低。这些算法倾向于推荐流行商品,没有考虑项目度和权值的影响。针对这些问题,在区分高低分的情况下提出了改进的基于加权网络结构的推荐算法。算法在计算用户间的相似性系数时,引入项目度与项目的权值之和的比值θ,以提高推荐多样性。实验结果表明,改进后的算法能够提高推荐准确性和多样性,并且降低了推荐项目的流行性。     

基于多维特征的开源项目个性化推荐方法

随着软件协同开发技术与社交网络的深度融合,社交化开发范式已成为当前软件创作与生产的重要方式。这一软件开发模型的灵活性与开放性,吸引了大规模的外围贡献者加入到开源社区中,形成了巨大的软件生产力。在开源社区中,这些分布广泛、规模巨大的外围贡献者主要以一种无组织的松散方式进行协同。他们需要花费大量的时间和精力,在海量的开源项目中寻找到自己真正感兴趣的项目并进行长期贡献。为了提高大规模群体协同的效率,本文提出一种基于多维特征的开源项目个性化推荐方法（即RepoLike）。该方法从开源项目自身流行度、关联项目技术相关度以及大众贡献者之间的社交关联度等三个维度度量开发者和开源项目之间的关联关系,并利用线性组合和Learning To Rank方法构建推荐模型,从而为开发者提供个性化的项目推荐服务。通过大规模的实证实验表明,RepoLike在推荐20个候选项目时的推荐命中率超过25%,能够有效地为开发人员提供有价值的推荐服务。     

基于知识图谱的互补项目推荐

在缺乏用户交互互补项目方面数据的情况下,将用户对项目的偏好融合到只考虑项目关系的互补项目推荐中,提高推荐模型的性能。提出一种基于知识图谱的互补项目推荐方法,在用户历史交互项目集中推测用户交互的互补项目,基于知识图谱提取用户对互补项目的偏好,利用图像与文本学习项目之间的互补关系,最后基于神经网络实现二者的共同学习。提出的方法在Amazon数据集上与次优的基线方法相比,ACC提升了7%,precision提升了3%,这说明提出的方法性能优异。该算法共同学习用户对项目的偏好与项目之间的互补关系,提升了推荐性能。     

基于项目和信任的协同过滤推荐算法

为解决冷启动用户的推荐问题,对TrustWalker算法在相似度计算、可能性项目选择和预测评分等方面进行改进,提出一种基于项目和信任的协同过滤推荐算法CoTrustWalker。采用云模型相似度方法计算项目间的相似度,通过选择最相似的若干个项目的聚合结果作为随机游走的返回结果,从而提高推荐结果的稳定性。实验结果表明,CoTrustWalker算法在小规模数据集上与TrustWalker算法相比,其推荐质量和推荐速度均有较大提高。     

基于加权二部图的个性化推荐算法

针对网络推断(NBI)算法的二部图实现算法忽略二部图权重而导致实际评分值高的项目没有得到优先推荐这一问题,提出加权网络推断(WNBI)算法的加权二部图实现算法。该算法以项目的评分作为二部图中用户与项目的边权,按照用户-项目间边权占该节点权重和的比例分配资源,从而实现评分值高的项目得到优先推荐。通过在数据集MovieLens上的实验表明,相比NBI算法,WNBI算法命中高评分值项目数目增多,同时在推荐列表长度小于20的情况下,命中项目的数量和命中高评分项目数量均有明显增加。     

利用互斥策略优化二分网络节点预测

网络节点预测研究目前主要集中在源头节点和隐藏节点预测方面,缺少新生节点预测方向的研究。以论文和关键词关系网为研究对象,利用关键词组合情况预测新论文的产生,开展新生节点预测研究。首先将论文—关键词二分网络加权投影成关键词关系网络,然后利用关键词组合在未来出现的可能性预测新论文的产生。计算这种可能性需考虑两方面影响：一种是相似性,表示关键词共同出现的倾向;一种是互斥性,描述关键词彼此排斥的倾向,如内涵高度一致的两个关键词极少同时出现。采集期刊的论文和关键词信息构建数据集,对提出的论文预测算法进行验证,并与已有算法作对比,结果显示该算法预测效果更好。     

基于流行度的非平衡物质扩散推荐算法

针对产品的异质性没有在推荐算法中得到很好利用的问题,提出一种考虑产品流行度对用户兴趣偏好影响的物质扩散算法。通过模拟物质在用户-产品二部分网络上的扩散过程,并且引入产品流行度的可调参数,对产品流行度的影响进行定量刻画。在三个真实数据集上进行数值实验结果表明,该算法与经典的物质扩散算法相比,MovieLens、Netflix和Last.FM数据集上的平均排序打分可以分别提高25.60%、10.96%和1.2%;推荐列表多样性分别提高59.30%、53.07%和8.59%。所提出的非平衡的物质扩散算法所得到的结果更切合实际。     

基于多维信任和联合矩阵分解的社会化推荐方法

针对现有社会化推荐算法在信任分析方面的不足，研究了从社交辅助信息中充分挖掘用户信任关系的方法，进而提出一种基于多维信任计算和联合矩阵分解的社会化推荐算法。首先，从用户社交行为、社交圈特征获得用户的动态和静态两种局部信任度，再利用信任网络的结构特征提取全局信任度；然后，构造一种对增强关注矩阵和社交信任矩阵进行联合矩阵分解的社会化推荐算法，并采用随机梯度下降法对其求解。基于新浪微博数据集的实验结果表明，所提出的算法在推荐精度和Top-K推荐能力方面明显优于socailMF、LOCABAL、contextMF和TBSVD这几种代表性的社会化推荐算法。     

面向个性化推荐系统的二分网络协同过滤算法研究

为提高个性化推荐系统的推荐效率和准确性, 提出了个性化推荐系统的二分网络协同过滤算法。协同过滤算法引入二分网络描述个性化推荐系统, 使用灰色关联度来度量用户相似性和项目相似性, 对灰色关联相似度加权求和预测用户对项目的预测打分值, 从而提供给用户排序后的项目列表。实验结果表明, 协同过滤算法有效提高了过滤推荐的精准度和可靠性, 具有良好的推荐效果。     

基于二分图网络的总体多样性增强推荐算法

针对传统推荐算法过于强调推荐准确率而造成推荐系统“长尾”现象加剧问题,提出一种基于二分图网络的总体多样性增强推荐算法。首先,利用现有推荐算法生成的预测评分构建用户候选推荐列表,进而构建二分图网络模型。其次,设定项目容量对热门项目的推荐次数予以限制。最后,结合推荐增广路生成最终推荐列表。与现有的推荐多样性增强算法在真实电影评分数据集上进行实验对比。实验结果表明,本文算法在保证推荐准确率的同时能有效提高推荐的总体多样性。     

社会网络环境下基于信任传递的推荐模型研究

现有基于信任的推荐算法中没有充分挖掘用户间的信任关系,且缺乏合理的信任关系传递规则,极大地影响了推荐算法的可靠性和准确性。针对上述问题,通过用户评分数据与用户的社会关系建立信任传递模型,提出一种基于信任传递的推荐算法。该算法首先利用评分数据计算信任传递模型中用户的隐式直接信任关系,其次通过求解有序加权平均算子融合多条信任传递链的间接信任关系,最后将计算出的用户信任度与相似度融合为综合相似度进行预测推荐。实验结果证实了所提算法可有效提升系统的推荐质量。     

基于综合信任的社会化混合推荐算法

推荐系统是处理信息过载问题的重要手段,现有的基于信任网络推荐算法没有充分挖掘用户信任关系信息,影响推荐效果。提出了综合评估信任（CETrust）的模型,该模型综合考虑了用户间的直接信任和间接信任等因素。结合推荐项目的特征属性信息,集成到概率矩阵的因式分解模型中推荐。实验表明,新提出的推荐算法（H-CETrust）推荐精度高于现有推荐算法的推荐精度。     

基于内部网络安全防范方案的设计

改革开放以来,我国在计算机方面得到了飞速的发展,各大企事业单位的计算机得到了广泛的普及,信息化程度也得到大幅度提升,基于企事业单位计算机的企业内部网络已经成为企业内部办公和开展各个业务必不可少的平台,本文中笔者结合当前我国内部网络现状、内部网络存在的问题以及相关的内部网络安全防范的方案设计进行了论述,供各位网络技术人员参考,以共同提高我国的内部网络安全系数.