基于协同矩阵分解的评分与信任联合预测

信息评分预测和信任预测是社交评价网络中的两大基本问题.为应对在提高两类基本问题预测准确性过程中遇到的评分数据与信任关系数据稀疏问题,本文提出了一种基于协同矩阵分解的信息评分与信任预测联合模型.该模型在将评分矩阵与信任关系矩阵进行协同分解时,既能保证被分解的两个矩阵分解过程共享用户潜在变量,又能兼顾两个矩阵分解过程中能够各自获得反映本领域知识相关性的表达.使用分解得到的多个相关低维潜在变量矩阵乘积即可做出评分与信任两个问题的预测.两个真实网络数据集上的实验验证了提出模型有效性和先进性.     

基于Item-User网络的概率矩阵分解推荐算法

传统的矩阵分解算法过分依赖于用户-评分矩阵,导致推荐的准确性不高。为了进一步提高推荐的准确性,文中提出了一种基于Item-User网络的概率矩阵分解推荐算法。该算法不仅通过有向图和信任关系的传递性对用户信任矩阵进行改进,而且引入了物品相似矩阵,全面考虑用户与项目的关系,并对这三个矩阵建立联合概率分解模型。最后构建目标函数,通过最小二乘法求出误差值和预测评分。实验结果表明,该算法相对其他算法有较好的预测结果和解释机制。     

基于属性偏置矩阵分解冷启动推荐

在当今大数据时代,推荐技术是一个非常重要的方式提高用户的体验。但是也面临着很多挑战,其中冷启动问题就是一个难题,即对于用户来说没有历史评分,或者对于物品来说,没有被用户接触过,这样的话,我们就没法进行协同推荐。针对这个问题,文章尤其关注用户冷启动方面,统计分析发现不同属性的用户评分具有明显的不同,提出了基于属性偏置冷启动推荐,将用户属性偏置融入到矩阵分解中,在movielens数据集上做实验,得到比较好的结果,证明了偏置的有效性。     

融合多权重因素的低秩概率矩阵分解推荐模型

针对个性化推荐精度较低、对冷启动敏感等问题,该文提出一种融合多权重因素的低秩概率矩阵分解推荐模型MWFPMF。模型利用给定的社交网络构建信任网络,借助Page rank算法和信任传递机制求取用户间信任度;基于Page rank计算用户社会地位,利用活动评分和评分时间修正用户间关系权重;引入词频-逆文本频率技术(TF-IDF)求取用户标签,通过标签相似性表征用户间同质性;将用户间信任度、用户社会地位影响力和用户同质性3因素融入低秩概率矩阵分解中,从而使用户偏好和活动特征映射到同一低秩空间,实现用户-活动评分矩阵的分解,在正则化约束下,最终完成低秩特征矩阵对用户评分缺失的有效预测。利用豆瓣同城北京和Ciao数据集确定各模块的参数设置值。通过仿真对比实验可知,本推荐模型获得了较高的推荐精度,与其他5种传统推荐算法相比,平均绝对误差至少降低了6.58%,均方差误差至少降低了6.27%,与深度学习推进算法相比,推荐精度基本接近;在冷启动用户推荐上优势明显,与其他推荐算法相比,平均绝对误差至少降低了0.89%,均方差误差至少降低了3.01%。     

基于Logistic函数的贝叶斯概率矩阵分解算法

在协同过滤推荐系统中,矩阵分解是一种非常有效的工具。贝叶斯概率矩阵分解模型具有预测精度高的优点,但不能表示潜在因子之间的非线性关系。针对该问题,该文提出一种基于Logistic函数的改进贝叶斯概率矩阵分解模型,并使用马尔科夫链蒙特卡罗方法进行训练。在两组真实数据集合上的实验表明,基于Logistic函数的贝叶斯概率矩阵分解算法能够明显提高预测准确性,有效缓解数据稀疏性问题。     

基于动态矩阵分解模型的电影推荐系统研究

推荐系统已成为电子商务企业吸引客户、实现盈利的有效技术支持,它能够根据用户的网络点击数据预测其偏好,做出个性化推荐。研究了一个基于动态矩阵分解模型的NETFLIX电影推荐系统。该系统通过训练一个来自NETFLIX平台、包含9 000部电影历史评分的数据集进行预测评分。核心算法包括运用矩阵分解(Matrix Factorization, MF)建立有效的数据处理模型,以及使用随机梯度下降(Stochastic Gradient Descent, SGD)训练该模型。数据集采用稀疏矩阵存储,以节省空间。在训练过程中,对预测评分增加了特定的偏向值。该系统与市场同类产品相比拥有更高的预测准确度,并向电影观众推荐符合他们喜好的电影,能极大地提高电影观看票房值。     

融入情境信息的矩阵分解个性化推荐模型

本文提出了一种融入情境信息的矩阵分解个性化推荐模型。该模型引入了情境信息与用户、项目信息的交互,特别考虑到用户及项目偏置项受时间因素的影响,并加入了全局情境因子向量,用以控制因不同用户及项目对情境信息敏感度不同而造成的预测偏差。最后,通过实验验证了本文所提模型具有良好的可扩展性及较低的计算复杂度,在多情境信息条件下可以提高推荐准确性。     

融合多维语义表示的概率矩阵分解模型

协同过滤作为推荐系统核心技术,面临严重的评分数据稀疏性问题.融合物品文本信息可以有效的解决数据稀疏性问题,然而,目前的方法侧重于提取文本的单维特征,忽略了物品语义表示的多维特性.深度挖掘物品内容的多维特性可以更加精细化描述物品的语义信息,有助于提升推荐效果.为此,本文提出基于胶囊网络的概率生成模型.模型利用胶囊网络挖掘文本的多维语义特征,并以正则化方式融入概率矩阵分解框架,建立用户与物品之间的内在关系.实验结果表明本文提出的模型具有更高的评分预测精度.     

一种基于稀疏矩阵划分的个性化推荐算法

文章提出稀疏矩阵划分的思想,对资源评分矩阵进行划分,缩小近邻搜索的范围和需要预测的资源数目,减少数据稀疏性,提高了个性化推荐算法的可扩展性。另外,分别讨论了采取分类和聚类的方法对稀疏矩阵进行划分。实验结果表明：基于稀疏矩阵划分的个性化推荐算法在算法性能上优于传统协同过滤算法。     

基于用户兴趣和推荐信任域的微博推荐

向用户推荐其感兴趣的微博,是改善用户体验的重要途径.为使推荐的微博更加符合用户的兴趣和品味,提出的微博推荐方法不仅考虑用户自身的特点,而且还考虑所在社区对微博的评价.在技术实现上,采用支持向量机进行文本分类,以便发现用户的兴趣偏好;通过多维Newman算法进行用户社区的发现,并将社区视为推荐信任域.最后采用改进的协同过滤算法综合用户兴趣偏好和推荐信任域进行微博推荐,以此提高微博推荐的质量.实验结果表明,提出的微博推荐方法是切实有效的.     

不完全非负矩阵分解的加速算法

非负矩阵分解(NMF)已成为数据分析与处理的一种日益流行的方法.当数据矩阵不完全时,可用加权非负矩阵分解(WNMF)来分解矩阵.但是在WNMF算法中,对于给定的搜索方向,步长的选取一般来说不是最优的.本文研究了不完全非负矩阵分解(INMF)问题,提出了加速算法(AINMF).首先,将INMF问题转化为交替地求解两个非负...     

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.     

基于约束非负矩阵分解的高光谱图像解混快速算法

约束非负矩阵分解是高光谱图像解混中常用的方法.该方法的求解通常采用投影梯度法,其收敛速度、求解精度和算法稳定性都有待提高.为此,本文针对较优的最小体积约束,提出一种基于约束非负矩阵分解的高光谱图像解混快速算法.首先优化原有的最小体积约束模型,然后设计了基于交替方向乘子法的非凸项约束非负矩阵分解算法,最后通过奇异值分解优化迭代步骤.模拟和实际数据实验结果验证了本文算法的有效性.     

Development of Comment Correlation Matrix for Mobile Application Recommendation

As the evolution of mobile technology, mobile devices have become an essential tool in people's daily life. Moreover, with the rapid growth of Internet and mobile networks, people can easily access various services provided by mobile platforms. Many services can be executed on the mobile devices with various mobile applications launched to mobile platforms. People can choose what they like to install in their mobile devices and hence make their life more convenient, entertaining, and productive. However, there are too many mobile applications for users to choose. The goal of this research is to propose a methodology which can recommend top-N lists for mobile applications. A comment correlation matrix is proposed. Furthermore, a recommendation algorithm for mobile applications based on user comments and key attributes is built. With the proposed method, it outperforms Google play and is closer to user real feelings.     

非负矩阵分解算法综述

本文介绍了非负矩阵分解(Non-negative Matrix Factorization,NMF)的基本原理和性质,将现有NMF算法分为了基于基本NMF模型的算法和基于改进NMF模型的算法两大类,在此基础上较为系统地分析、总结和比较了它们的构造原则、应用特点以及存在的问题,最后预测和分析了未来NMF算法研究的可能方向.     

基于共享知识模型的跨领域推荐算法

互联网的普及使得大量信息不断累积,推荐系统作为解决信息过载的有效手段,能够帮助人们迅速准确地筛选出感兴趣的内容.但是由于用户项目评分数据过于稀疏,新用户或新商品存在"冷启动"问题,使得传统的推荐算法计算复杂性过高、准确性较低.考虑到用户会在互联网不同领域使用各类应用,在不同领域积累了大量行为数据和评价信息.而从用户群体的角度来说,在不同领域间存在着用户群体的偏好相似性,因此如果通过在不同领域中共享代表偏好的知识模型,将有助于提升在新领域推荐的准确性,解决冷启动问题.本文提出了基于共享知识模型的跨领域推荐算法SKP （Sharing Knowledge Pattern）,通过对各个领域中用户-项目的评分矩阵分解,得到用户的潜在特征矩阵和项目的潜在特征矩阵,对用户和项目的潜在特征分别聚类,得到了用户分组对项目分组的评分知识模型,最终利用目标领域的个性知识模型和各个领域的共性知识模型来得出推荐结果.本文对三个不同领域的数据集进行了分析和划分,并在物理集群环境下进行了实验.结果表明,通过利用数据稠密的辅助领域数据,本文提出的SKP算法与已有的单领域算法、跨领域算法相比,具有更高的准确率和更低的RMSE值.