一种具有迁移学习的MF和DNN的组合推荐算法

为解决单一推荐算法应用具有局限性和用户行为数据具有稀疏性的问题,将迁移学习方法应用到组合推荐算法.该算法首先分别利用矩阵分解(MF)推荐算法和深度神经网络(DNN)推荐算法对用户行为数据进行预测,然后利用迁移学习方法将训练出来的特征数据作为组合推荐算法的输入,并进行再次训练,获得预测评分,实现对目标用户的推荐.实验结果表明,具有迁移学习的基于矩阵分解和深度神经网络的组合推荐算法能够有效地提升推荐质量.     

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.     

基于概率矩阵分解的多指标协同过滤算法

为解决已有关于多指标评分推荐方法中忽略多指标之间存在相关性的问题,提出一种基于概率矩阵分解的多指标协同过滤算法(multi-criteria collaborative filtering algorithm based on probabilistic matrix factorization,M CPM F)。该算法将多指标评分表示成一个对整体用户和产品产生影响的权重矩阵,并假设该矩阵潜在分布服从高斯分布,其概率密度分布与用户和产品特征矩阵的概率密度分布条件相关。通过概率矩阵分解的方法学习得到用户和产品特征矩阵。在两个真实数据集上的试验结果表明,该方法比只考虑单一综合评分的方法能更加精确地预测用户的综合评分,同时能降低数据稀疏对推荐算法的影响。     

基于属性偏好自学习的推荐方法

推荐系统从海量数据中挖掘出有用信息来学习用户偏好．目前主流研究的推荐算法是在考虑 评分数据和社交数据的基础上执行协同过滤算法．协同过滤方法包括传统的用户、商品协同过滤算 法和经典的矩阵分解方法．用户、商品协同过滤算法具有可解释性但训练速度慢,矩阵分解模型虽 然训练速度快但缺乏解释性．此外,评分数据和社交数据在获取难度上高于属性信息．针对这些问 题,提出一种基于属性偏好的自学习算法．该算法在评分数据和属性信息的基础上,首先利用用户 对属性的初始偏好程度与属性对商品的评分构建预测评分模型,通过预测评分和实际评分的平方 差及正规化项构造损失函数,使用梯度递减方法对损失函数中预测评分模型的属性偏好程度进行 迭代训练,最后使用训练后的属性偏好程度和属性值评分来预测用户评分．实验在两个经典数据集 上证明了该模型运行时间较快,且在评分数据稀疏的情况优于传统的协同过滤方法和基本矩阵分 解模型．     

基于社会信任正则化的排名推荐算法

随着在线商品交易额逐年增大和社交网络不断深入发展,推荐系统已成为解决信息过载的重要工具之一。当评分矩阵数据稀疏性较大时推荐精度就会显著下降,特别是用户冷启动的时候这个问题更加明显。因此,本文提出一种新的基于隐式反馈信息的社会化排序推荐算法。该算法首先利用矩阵分解方法计算不同项目间的用户偏好。其次将用户偏好信息融入Bayesian Personalized Ranking (BPR)算法中。然后挖掘用户之间相似关系以及信任用户直接和间接关系,并量化它们之间的信任关系,从而研究不同项目之间用户偏好差异。最后将以上这些信任关系和BPR算法进行融合,进而构建出社会化排序推荐模型。为了验证所提出的社会化排序推荐算法,在DouBan数据集和FilmTrust数据集上,进行该算法的有效性验证。主要通过Precision、MAP和NGCD这三种排序评估指标分别在全数据集和用户冷启动中验证本文所提算法与SBPR、TBPR、BPRMF和MostPopular等算法之间排序推荐的优劣性。实验结果证明本文所提算法明显优于其他排序推荐算法,并可以获得更好的推荐准确率。可见该算法可以有效改善由于数据稀疏性和用户冷启动所带来推荐效果差的问题。     

满足差分隐私的逻辑回归矩阵分解推荐算法

为了提高隐私保护下的推荐算法准确性，提出了一种满足差分隐私保护的逻辑回归矩阵分解推荐算法。该算法首先将隐式数据的矩阵分解转换为分类问题并以概率方式对其建模；然后采用sigmoid函数对预测评分进行非线性变换，将原始的矩阵分解问题转换成用户隐因子和项目隐因子的优化问题，并对目标函数添加随机噪音进行扰动，使算法满足差分隐私保护。在Movielens100K,Movielens1M和YahooMusic数据集上进行实验，并与现有算法进行对比，该算法在F1值指标上分别提升了9.29%,7.40%和3.61%。理论分析和实验结果表明，所提算法在实现用户隐式反馈数据保护的同时还能有效地保证推荐结果的准确性，具有良好的应用价值。     

基于时间衰减的协同过滤推荐算法

针对传统的协同过滤算法在计算相似度时未考虑时间因素的影响,导致推荐结果不准确的问题,本文提出将时间因素融入用户项目评分矩阵中,以解决兴趣衰减的问题。首先将遗忘曲线和记忆周期作为时间因素融入算法之中,将艾宾浩斯遗忘曲线用于指数函数拟合,从而获得时间与兴趣衰减的函数关系,以此用于优化用户项目的评分。并将改进的评分矩阵应用到基于项目的协同过滤推荐算法中进行推荐。在评分中加入记忆周期的影响,让目标用户对待预测的项目评分预测更为准确。实验结果表明,改进后的基于时间衰减协同过滤算法在准确性方面有显著的提高。     

基于用户兴趣评分填充的改进混合推荐方法

针对传统协同过滤推荐方法中的用户项目评分数据稀疏和推荐准确度不高的问题,提出了一种基于用户兴趣评分填充的改进混合推荐方法。首先,分析用户对项目类型的偏好,计算用户兴趣评分并进行矩阵填充;然后,考虑用户主观评分差异化及项目自身质量的影响,对传统皮尔逊相关系数进行改进,并基于已填充评分矩阵进行用户相似性及项目相似性计算;在此基础上分别基于用户和项目两个方面进行评分预测,并将两者的预测评分进行加权求和,进而进行混合推荐;最后,以Movielens100k为数据集进行实验,先分析了用户兴趣评分矩阵的填充效果,再将文中方法和传统协同过滤混合推荐方法以及文献中提出方法进行了对比分析。实验结果表明;提出的评分矩阵填充方法能有效缓解数据稀疏的影响,填充效果优于传统评分矩阵填充方法;提出的改进混合推荐方法（IHRIRF）比传统的混合协同过滤推荐方法HCFR及WPCC方法具有更好地推荐效果。     

基于非负矩阵分解的Slope One算法

针对协同过滤推荐算法中Slope One算法在稀疏数据集中推荐精度低的问题,利用矩阵分解在解决矩阵稀疏性方面的优势,将非负矩阵分解技术引入到用户-项目评分矩阵的降维处理中,将原有的稀疏评分矩阵进行非负分解,改善了矩阵的稀疏性,优化Slope One算法. 从实验数据可以看出,与原始的CF算法进行比较,NMF-Slope One算法有较好的推荐效果. 在数据稀疏的条件下,确定参数进行实验. 实验结果表明,该方法提高了Slope One算法在数据稀疏下的精度和推荐质量.     

融合社交地理信息加权矩阵分解的兴趣点推荐算法

针对用户-兴趣点矩阵稀疏以及难于从隐反馈中获取用户对未访问位置的偏好而影响兴趣点推荐准确度的问题,本文提出了一种融合社交地理位置信息的加权矩阵分解兴趣点推荐算法（SGWMF）。首先,通过用户之间的相关性对社交信息进行幂律分布建模,基于用户好友的签到信息计算用户访问位置概率;其次,利用地理信息符合幂律分布特点重构用户访问位置偏好矩阵,缓解矩阵数据稀疏性问题;再次,为了增强加权矩阵分解模型的有效性,通过建模社交信息和地理信息挖掘出用户对未访问位置的偏好,并以隐反馈项的形式改进加权矩阵分解的目标函数;最后,在两个真实数据集上对算法性能进行对比验证,结果表明本文算法的性能要优于其他兴趣点推荐算法,推荐结果的准确性有明显提高。     

利用约束非负矩阵分解的高光谱解混算法

由于利用非负矩阵分解方法解决高光谱解混问题时,标准非负矩阵分解目标函数的非凸性影响了最优解的获取.通过对高光谱图像的端元光谱和空间分布特性的分析,提出了以最小估计丰度协方差和单形体各顶点到中心点均方距离总和最小约束的非负矩阵分解(MCMDNMF)算法,其采用投影梯度作为非负矩阵分解的迭代学习规则.MCMDNMF既利用了非负矩阵分解的优点又考虑了高光谱图像的特性,也不需要混合像元中必须有纯像元.仿真实验表明,MCMD-NMF算法能正确地解混出高光谱混合像元中含有的端元光谱,并精确估计出丰度分布.     

非监督的高光谱混合像元非线性分解方法

在进行高光谱混合像元非线性分解应用中,提出一种非监督的高光谱混合像元非线性分解方法.通过核函数把原始高光谱数据映射到高维特征空间中,揭示数据之间的高阶性质.通过非线性映射,原始数据在高维特征空间中变得线性可分.在高维特征空间中运用线性的非负矩阵分解(NMF)算法进行光谱解混,挖掘出数据间更多的特征.解混结果以端元相关系数、光谱角距离、光谱信息散度和均方根误差作为质量评价指标.进行模拟数据仿真实验和真实高光谱遥感数据分解实验,结果表明,采用该算法得到的分解结果优于非负矩阵分解算法.     

基于WNMF和聚焦点定位分析的多聚焦图像融合方法

在非负矩阵分解(NMF)图像融合方法的基础上,提出一种基于加权非负矩阵分解(WNMF)和聚焦点定位分析的多聚焦图像融合方法。该方法利用光学系统成像原理及点扩散函数在光学成像过程中的作用,判定多聚焦图像中的聚焦点的近似位置,并以此为基础构建一个权值矩阵,然后将加权非负矩阵算法应用于图像融合中,最后得到一幅各部分都聚焦清晰的图像。实验结果表明,通过本文提出的方法得到的融合图像效果优于普通的非负矩阵分解方法、小波变换法方法及拉普拉斯塔式方法。     

基于新拟牛顿法的自适应均衡技术

为了解决现代通信信道的码间干扰问题,提出了一种基于新拟牛顿法的自适应均衡算法,该算法用对称正定Hesse矩阵代替传统LMS/Newton法自相关矩阵的逆估计,克服了传统自相关矩阵估计误差对算法收敛性能的影响.信道均衡仿真结果表明,该算法具有较快的收敛速度和较低的误码率.     

一种局部协同过滤的排名推荐算法

基于矩阵分解模型、时间因素和排名模式,提出一种局部协同过滤的排名推荐算法,并放松用户对项目的评分矩阵是低秩的这一假设,假设用户对项目的评分矩阵是局部低秩的,即评分矩阵在某个用户项目序偶的近邻空间内是低秩的。修改信息检索中常用的评价指标平均倒数排名(mean reciprocal rank, MRR)函数,使其适合评分数据集合,然后对其进行平滑化操作和简化操作,最后直接优化这一评价指标。提出的算法易于并行化,可以在大型的真实数据集合上运行。试验结果表明该算法能提升推荐的性能。     

融合信任传播和矩阵分解的协同推荐算法

针对现有基于模型的协同推荐算法推荐精度不高和覆盖面较小的问题,引入社会网络中的信任信息对基于矩阵分解的推荐模型进行扩展,提出一种融合信任传播和矩阵分解的协同推荐算法。首先,基于社会网络中的直接信任关系,提出一种信任传播规则,实现社会网络中信任关系的传递;然后,利用矩阵分解技术降维处理大规模数据集的优势,提出一种融合信任传播机制和矩阵分解模型的协同推荐算法。在Epinions数据集上的实验结果表明,本文提出的推荐算法不仅提高了推荐的精度,而且增加了推荐的覆盖面。     

基于矩阵变换的快速非负矩阵分解

在采用交替非负最小平方方法进行非负矩阵分解的过程中,每次的迭代更新通常很难直接计算出唯一的最优非负分解矩阵. 但是,若采用矩阵变换方法,则对于变换后的代价函数,就有可能获得唯一的最优非负分解矩阵. 对基于矩阵变换的非负矩阵分解进行了理论分析,提出了2种基于矩阵变换的非负矩阵分解算法. 该算法具有与已有算法相似的计算复杂度,却可有效减少非负矩阵分解的更新次数.     

一种融合社交网络的叠加联合聚类推荐模型

为解决用户冷启动问题并提高推荐算法的评分预测精度,提出一种融合社交网络的叠加联合聚类推荐模型(SN-ACCRec),将用户社交关系融合到对评分矩阵的用户聚类中。根据社交关系理论分析用户社交关系,采用模糊C均值聚类的思想划分用户块,并利用k均值算法对评分矩阵的产品聚类,得到一次联合聚类结果。通过迭代方式获取用户和产品多层联合聚类结果,不断叠加多层聚类结果来近似评分矩阵,预期先后得到用户和产品的泛化和细化类别,实现对评分矩阵中缺失值的预测。采用十重交叉验证法对模型评估,试验结果表明,该模型有效降低了推荐中的平均绝对误差(mean absolute error, MAE)和均方根误差(root mean square error, RMSE),同时在冷启动用户上也表现出了较好地推荐性能。     

异构社交网络用户兴趣挖掘方法

由于当前各类主流网络平台的发展呈现出“社交平台内容化、内容平台社交化”的趋势,用户分化也日趋明显,出现了拥有大规模粉丝的超级节点,因此,提出了一种基于社交关系的兴趣挖掘模型。结合矩阵分解和标签传播算法,将用户分为内容发布者和普通用户两类,并分别提取和计算兴趣话题,实现了在大规模异构网络中发现、挖掘用户兴趣。基于知乎数据集上设计的对比实验,验证了模型的有效性以及算法的性能优势。与基线方法相比,这种算法在查全率上最大提升约42%,F₁值最大提升约33%。