基于评分相似性的群稀疏矩阵分解推荐算法

如何提高系统的推荐精度,是当前推荐系统面临的重要问题。对矩阵分解模型进行了研究,针对评分数据的群结构性问题,提出了一种基于评分相似性的群稀疏矩阵分解模型（SSMF-GS）。首先,根据用户的评分行为对评分数据矩阵进行分群,获得相似用户群评分矩阵;然后,通过SSMF-GS算法对相似用户群评分矩阵进行群稀疏矩阵分解;最后,采用交替优化算法对模型进行求解。所提模型可以筛选出不同用户群的偏好潜在项目特征,提升了潜在特征的可解释性。在GroupLens网站上提供的MovieLens数据集上进行仿真实验,实验结果表明,所提算法可以显著提高预测精度,平均绝对误差（MAE）及均方根误差（RMSE）指标均表现出良好的性能。     

基于非负矩阵分解的托攻击检测算法

针对现有的无监督检测算法对正常用户误检率较高的问题,提出了一种基于矩阵分解的托攻击检测算法。对评分矩阵采用非负矩阵分解技术提取出用户的特征。采用K-means聚类方法对提取出的用户特征聚类,得到初始正常用户集和初始托用户集。利用初始正常用户集的特征对初始托用户集进行二次分类,进一步提高托攻击用户检测的准确率。实验结果表明,所提出的检测算法与其他检测算法相比较能够更有效地检测出托攻击。     

基于范数正则化矩阵补全的无线传感网定位算法

节点定位是实现无线传感器网络(wireless sensor networks, WSNs)应用的重要前提之一.针对传统基于测距的定位方法需要大量节点距离信息以及多径效应、噪声干扰等导致的节点测距误差问题,提出了一类基于L1范数正则化矩阵补全(L1-norm regularized matrix completion, L1NRMC)的WSNs节点定位方法.该方法基于传感网节点间距离矩阵低秩特性,将部分采样信息下的距离恢复问题建模为稀疏野值噪声(outlier)情形下的矩阵补全问题,然后采用交替方向乘子法(alternating direction method of multipliers, ADMM)结合算子分裂技术(operator splitting technology)对该问题进行求解,所设计的非精确L1范数正则化矩阵补全(InExact-L1NRMC)算法不仅能显式解析采样矩阵中的稀疏野值噪声,也可隐式平滑常见的高斯随机噪声.仿真结果表明:相比已有的同类定位方法,该算法只需进行部分测距采样即可实现精准的节点定位,且对各类测距噪声具有很好的抗干扰能力,适用于资源受限的WSNs.     

基于特征指标推荐系统托攻击半监督检测*

推荐系统托攻击检测算法监督学习过度依赖训练集,无监督算法依赖于攻击概貌之间相似性。本文提出一种半监督托攻击检测模型,对标记用户分类计算簇中心,给出中心用户相似度特征属性。对不同攻击选择合适的特征指标,把输入用户划分到不同的簇集中,通过簇集中输入用户全部评分项为最大值的均值与标记用户对该项均值差,确定攻击项。依据特征指标对不同簇集进行两次分类,进而确定攻击对象。实验证明,该检测算法对不同的托攻击有较高的检测准确率。     

基于核函数的稀疏属性选择算法

鉴于传统属性选择算法无法捕捉属性之间的关系的问题,文中提出了一种非线性属性选择方法。该方法通过引入核函数,将原始数据集投影到高维的核空间,因在核空间内进行运算,进而可以考虑到数据属性之间的关系。由于核函数自身的优越性,即使数据通过高斯核投影到无穷维的空间中,计算复杂度亦可以控制得较小。在正则化因子的限制上,使用两种范数进行双重约束,不仅提高了算法的准确率,而且使得算法实验结果的方差仅为0.74,远小于其他同类对比算法,且算法更加稳定。在8个常用的数据集上将所提算法与6个同类算法进行比较,并用SVM分类器来测试分类准确率,最终该算法得到最少1.84%,最高3.27%,平均2.75%的提升。     

一种探测推荐系统托攻击的无监督算法

托攻击是当前推荐系统面临的重大安全性问题之一. 开发托攻击探测算法已成为保障推荐系统准确性与鲁棒性的关键. 针对现有托攻击探测算法无监督程度较低的局限, 在引入攻击概貌群体效应的定量度量及基于此的遗传优化目标函数的基础上, 将自适应参数的后验推断与攻击探测过程相融合, 提出了迭代贝叶斯推断遗传探测算法, 降低了算法探测性能对系统相关先验知识的依赖. 实验结果显示这种算法能够有效探测各种常见攻击.     

基于线性 Bregman 迭代的结构化噪声矩阵补全算法

通过采样部分元素补全低秩矩阵的缺失元素是许多实际应用如图像修复、无线传感网数据收集和推荐系统等经常遇到的一个颇具挑战性的难题。在机器学习领域,这类问题通常能刻画成矩阵补全问题。虽然现有研究针对矩阵补全问题已提出了许多有效算法,但这些算法通常仅限于采样元素要么无噪要么仅含少量随机高斯噪声的补全情形,难以处理实际问题中常见的行结构化噪声。为了解决这个问题,该文首先借助分类器设计中流行的 L2,1范数正则化技术来平滑此类噪声,并将该问题建模为一类基于 L2,1范数正则化的凸约束优化问题。其次,为了快速有效地求解,我们将向量空间的线性 Bregman 迭代算法和近邻算子技术拓展到矩阵空间,进一步设计了一种鲁棒的基于线性 Bregman 迭代的结构化噪声矩阵补全算法（LiBIMC）。严格的理论分析证明了 LiBIMC 迭代算法的不动点正是结构化噪声矩阵补全问题的全局最优解。数值实验结果表明,和已有的矩阵补全算法相比,LiBIMC 算法不仅能更好地恢复结构化噪声矩阵的缺失元素,还能精确地辨识出采样矩阵中被污染的元素所在行的位置信息。     

基于评分离散度的托攻击检测算法

检测托攻击的本质是对真实用户和虚假用户进行分类,现有的检测算法对于具有选择项的流行攻击、段攻击等攻击方式的检测鲁棒性较差。针对这一问题,通过分析真实用户和虚假用户的评分分布情况,结合ID3决策树提出基于用户评分离散度的托攻击检测Dispersion-C算法。算法通过用户评分极端评分比、去极端评分方差和用户评分标准差3个特征衡量用户评分离散度,并将其作为ID3决策树算法的分类特征,根据不同特征的信息增益选择特征作为分类属性,训练分类器。实验结果表明,Dispersion-C算法对各类托攻击均有良好的检测效果,具有较好的鲁棒性。     

基于记忆原理的推荐系统托攻击检测模型

提出一种基于记忆原理的推荐系统托攻击检测模型。利用短时记忆元和长时记忆元所描述的记忆增强和衰减规律,以及这2种记忆元与综合记忆元的联系,对托攻击进行检测。该模型的特征记忆库可及时更新,由此节省系统开销。实验结果证明,基于该模型的推荐系统具有较高的托攻击检测正确率。     

一种基于多正则化参数的矩阵分解推荐算法

基于梯度下降矩阵分解模型的协同过滤推荐算法需要利用正则化技术对问题加以约束。损失函数中的正则化参数能够提高模型的预测精度,防止训练过拟合,并可以在二者间调节,使二者平衡。提出了一种多正则化参数的方法,根据用户的活跃度或者项目的流行度确定正则化参数的值,能在不同评分数量的用户或者项目上防止训练过拟合,同时可以得到更好的预测精度。实验结果验证了算法的正确性和有效性。     

用户多兴趣下基于信任的协同过滤算法研究

协同过滤技术是目前电子商务推荐系统最为有效的信息过滤技术之一.最近的研究尝试在推荐过程中引入信任模型来提高推荐的准确性和抵御"托"攻击.但在用户多兴趣的情况下,属于不同主题的项目需要不同的可信赖人员来推荐,传统的概貌级信任模型已不再适用.本文提出主题级信任计算模型以及基于主题级信任的协同过滤算法.一系列的实验结果表明,该算法在不牺牲鲁棒性的同时,有效地提高了推荐的准确性.     

基于改进Canopy聚类的协同过滤推荐算法

推荐系统通过建立用户和信息产品之间的二元关系,利用用户行为产生的数据挖掘每个用户感兴趣的对象并进行推荐,基于用户的协同过滤是近年来的主流办法,但存在一定局限性：推荐时需要考虑全部用户,而单个用户往往只与少部分用户类似。为了解决这个问题,提出了基于改进Canopy聚类的协同过滤推荐算法,将用户模型数据密度、距离与用户活跃度结合,计算用户数据权值,对用户模型数据进行聚类。由于结合了Canopy的聚类思想,同一用户可以属于不同的类,符合用户可能对多领域感兴趣的情况。最后对每个Canopy中的用户进行相应的推荐,根据聚类结果与用户评分预测用户可能感兴趣的对象。通过在数据集MovieLens和million songs上与对比算法进行MAE、RMSE、NDGG三个指标的比较,验证了该算法能显著提高推荐系统预测与推荐的准确度。     

基于图神经网络与深度学习的商品推荐算法

基于图神经网络的推荐算法可以提取传统方法无法提取用户与商品之间的关联关系.目前此类算法大多忽略了用户和商品的评论数据中所存在的一般偏好.针对这一问题,提出了一种方法,在利用图神经网络提取关联关系的同时,利用深度学习提取评论的优势提取用户和商品的一般偏好,并进行特征融合来提升推荐效果.在四组公共数据集中进行了对比实验,使用召回率和归一化折损累计增益作为评价指标,并通过消融实验验证了方法的有效性.实验表明该方法比已有相关算法的效果更好.两种网络的特征融合对推荐效果有提升作用.     

基于项目候选集的协同过滤算法

针对协同推荐技术中的数据稀疏性等问题,提出了一种新颖的协同过滤算法。该算法在用户相似的协同过滤基础之上,引入用户之间的非对称影响度和支持度,提出项目候选集的概念。并且,该算法利用项目信息熵对未评分项目集合进行二次修正,得到候选项目集合,进而提高算法的准确率。基于MovieLens和netflix数据集的实验表明,相比目前多个比较流行的算法,该算法在推荐结果的准确率、召回率和F1值上都具有较大的优势,有效地降低了用户评分稀疏性问题带来的负面影响,显著提高了推荐系统的推荐质量。     

一种基于用户兴趣局部相似性的推荐算法

协作过滤算法作为至今最成功的个性化推荐技术之一,被广泛应用于电子商务、个性化节目推荐等系统中。但传统的基于协作过滤的推荐系统一直受到系统的稀疏性、推荐精确度低等问题的困扰。提出了一种基于用户兴趣局部相似性的改进的协作推荐算法（CFUPS）,针对协作过滤算法中用户近邻的计算和项目评分的预测两关键步骤,基于用户间潜在的局部相似的兴趣,并结合项目资源属性和项目评分矩阵来预测项目评分,进而给用户推荐感兴趣的个性化资源,理论上在提高推荐精度、克服稀疏性问题上均有改善。同时实验表明,在极具稀疏性的数据集上,该算法的推荐精度较以往的协作过滤算法有明显提高。     

基于重要性排名的协同过滤推荐算法

传统的协同过滤忽略系统中不同用户和条目的重要性对推荐结果的影响.针对此问题,提出了一种基于用户和条目重要性的改进协同过滤算法,该算法将条目的重要性融合到用户相似性的度量方法中,将用户的重要性融入到预测评分的计算方法中;为度量系统中每个条目和用户的重要性,提出了ItemRank和UserRank算法.在MovieLens数据集上的实验结果表明,提出的算法可以显著提高推荐系统的推荐质量.