基于离散化动态图的协同过滤推荐算法

基于图卷积网络(GCN)模型在学习用户/物品表示方面表现出了强大的性能,给传统的协作过滤(CF)算法带来了新的研究突破。然而,现有的基于GCN的CF方法仍然都是针对静态图建模,而在实际场景中,用户与物品的交互不是一成不变的,会随着时间的推移而持续演化;GCN中的过平滑问题会极大地限制现有推荐算法的表示学习建模。为解决上述问题,提出了基于动态图的协同过滤算法(DynGCF),其目的是通过同时捕获图的结构和时态演化信息来学习用户和物品的嵌入表示。DynGCF首先采用GCN学习每个离散快照图上的用户/物品嵌入,然后应用时间卷积网络(TCN)和自注意力机制学习,最终嵌入表示。为缓解过平滑问题,本文改进了传统GCN中的关键模块,即邻域聚合,通过在1阶交互图和2阶共现图建模用户和物品的交互。在4个真实数据集上与基于GCN的CF方法和动态图的基线方法对比,验证了DynGCF的性能提升,并分析验证了改进的方法能有效缓解过平滑问题。     

基于用户画像与协同过滤的大规模定制智能推荐算法研究

大规模定制模式的兴起与发展有效缓解了用户对差异化、个性化产品的需求与追求定制化产品成本高昂之间的矛盾。为更高效地辅助用户在大规模定制过程中做出满意的产品定制决策,对传统面向大规模定制的推荐算法进行相应改进,并结合大规模定制的特征,提出基于用户画像的定制方案推荐算法。选用基于物品的协同过滤算法作为基础推荐算法,引入大数据工具——用户画像模型对初始推荐结果进行二次过滤,以改善传统协同过滤推荐算法易忽视用户自身兴趣偏好特征的问题,提高用户定制体验与推荐精准性。给出手机产品定制案例,对产生最终推荐结果的整个过程进行模拟与分析,验证该推荐算法的有效性和可行性。     

基于协同过滤的大规模定制个性化推荐方法

为了对用户的产品定制决策进行动态辅助和引导,让用户在大规模定制系统中的产品配置过程变得更简单、方便,在产品定制环节引入了协同过滤推荐算法的思想,并结合大规模定制的特点对推荐算法进行适当改进后提出了一种新的面向大规模定制的个性化推荐算法。给出一个手机定制的实例,对算法产生推荐结果的具体过程进行了模拟与分析。仿真实验产生的可行推荐方案表明,该算法对于解决大规模定制模式下的个性化推荐问题是可行有效的。     

基于用户意图消歧的解离协同过滤算法

协同过滤(CF)是推荐算法中一个重要的研究方向,近期的工作表明CF可以有效地挖掘用户-物品交互背后的潜在意图来精细化建模用户和物品的表示,从而服务下游的推荐任务。然而,本文认为现有的工作没有很好地解决用户-物品交互无偏化问题,它们一般根据假定的而非显式建模的意图生成用户和物品的解离表示。对此,本文提出了一个新的无偏差解离协同过滤(DebiasedCF)推荐框架,该框架利用用户的个人历史来提取其潜在意图,用于表示学习。具体地说,首先利用意图提取模块对用户意图进行显式建模;然后分别对各意图子图进行无偏化;再执行嵌入传播,从而为每个意图生成相应的解离表示;最后设计了一个意图嵌入聚合层来进一步融合在不同意图子图中学得的解离表示。实证结果表明,本文的框架能够在最先进的基线方法基础上取得实质性的改进。进一步的分析验证了提取的用户意图在去偏差和用户-物品表示建模方面的优势。     

一种负样本改进的LDA主题模型推荐算法

LDA主题模型是文本挖掘领域的重要算法,同时在推荐系统当中也有不错的表现.通过LDA主题模型挖掘用户感兴趣的主题,是目前最常用的用户兴趣主题挖掘方法之一.为了提高LDA主题模型应用在推荐系统时的推荐质量,我们提出了一种基于负样本进行学习的方法 negLDA.通过创造出负样本来学习用户对物品的负面预测评分,同时结合正样本学习得到的正面预测评分,从正反两个方面进行综合评测,从而更加精确地衡量出用户对物品的预测评分.通过在MoviesLens-100k、MovieLens-1M、FilmTrust这三个数据集上的实验,表明所提出的算法在精确率、召回率、AUC三个指标上相比传统算法均有一定改进.     

基于用户行为聚类的个性化推荐算法

将介绍一种基于用户行为聚类的协同过滤推荐算法苛刻算法首先采用web日志和数据库记录的方法,将用户的行为记录下来,并将这些隐性的用户行为转化为显性的用户对项目评价;然后采用改进后的相似度计算方法计算用户之间的相似度;接着对用户进行聚类,将用户按照他们的行为自动地划分为若干个用户聚类簇;最后根据用户对最近邻居的评分来预测其对目标项目的评分,进而产生推荐。     

基于网络标签的研究

通过对社区知识结构的研究分析,采用社区知识融合的方法来促进社区知识的演进。标签推荐事实上是元数据抽取的一种,用户在标注内容时有特定的习惯,这使得自动标注成为可能。社区知识融合的方法能够增强元数据的描述性、可查找性,辅助用户获得自己感兴趣的内容。     

情境感知的移动阅读个性化推荐算法研究

针对移动环境下资源的个性化推荐问题,提出一种结合情境和协同过滤的移动阅读推荐算法。该算法汇聚了两阶段的情境感知思想,首先使用朴素贝叶斯方法推算用户某情境下偏好度最高的资源类别,然后对该类别下的资源,通过情境相似度的计算,过滤出仅当前情境或者与当前情境最相似的情境的"用户-资源"二维评分模型,再运用传统的基于用户的协同过滤算法产生推荐列表。抓取新浪博文进行实验测试,结果表明相同条件下所提出算法的平均绝对偏差值比其他相关算法要低,具有更高的推荐质量。     

融合AOBPR和SVD++的排序推荐算法

针对BPR模型收敛速度慢的问题,Randle S提出一种非均匀采样非隐式反馈数据方法 AOBPR模型来加快收敛速度,可是该算法只能利用隐式反馈数据.为了改进其算法的不足,我们提出了一种将AOBPR模型与经典的基于矩阵分解的SVD++算法相结合的算法AOBPR_SVD++.改进后的算法不仅能利用隐式反馈数据也能利用显式反馈数据.最后通过在两个真实数据集中进行实验验证,表明改进后的算法可以获得更好的推荐效果.     

基于法律快车网的智能推荐与分析系统

该文基于法律快车网的智能推荐与分析系统展开研究,该系统根据用户的历史浏览记录,采用协同过滤算法为需要法律援助的群众推荐合适的律师,达到让律师有效服务社会、为节约群众时间成本的目的。该系统采用了大数据技术对法律数据进行分析与可视化,能够有效地维护法律服务市场秩序,为国家的法制化提供技术支撑。     

Combining social network and collaborative filtering for personalised manufacturing service recommendation

Owing to the rapid proliferation of Web service technologies in cross-enterprise manufacturing collaborations, information overload is becoming a major barrier that hinders the effective discovery of the shared manufacturing services provided by collaborative partners for supply chain deployment. Thus, we aimed to identify a different approach for discovering manufacturing services by making personalised service recommendations that are suited to the specific needs of active service users based on usage data from previous retrievals made by past service users. The proposed approach combines social network and collaborative filtering techniques in a unified framework to predict the missing Quality of Service (QoS) values of manufacturing services for an active service user, thereby improving the effectiveness of personalised QoS-aware service recommendations. The social network explores the usage of preference and tagging relationships among service users and manufacturing services in making personalised recommendation, which alleviates the data sparsity and the cold start problems that hinder the traditional collaborative filtering techniques. A case study and experimental evaluation demonstrate that the proposed approach can achieve the practicality and accuracy to personalised manufacturing service recommendations in a real application.     

特征聚类的混合协同过滤算法研究

针对推荐系统的准确性提出了一种优化算法,该算法首先利用用户的特征进行聚类,然后在聚类之后的各个聚簇中运用混合协同过滤框架为每个聚簇训练一个模型;同时在运用混合协同过滤时,针对传统的基于用户的协同过滤推荐算法在计算用户相似度方面进行了改进.实验表明,提出的优化算法显著提高了预测的准确性,从而提高了推荐结果的质量.     

Recommender systems using cluster-indexing collaborative filtering and social data analytics

As a result of the extensive variety of products available in e-commerce settings during the last decade, recommender systems have been highlighted as a means of mitigating the problem of information overload. Collaborative filtering (CF) is the most widely used algorithm to build such systems, and improving the predictive accuracy of CF-based recommender systems has been a major research challenge. This research aims to improve the prediction accuracy of CF by incorporating social network analysis (SNA) and clustering techniques. Our proposed model identifies the most influential people in an online social network by SNA and then conducts clustering analysis using these people as initial centroids (cluster centres). Finally, the model makes recommendations using cluster-indexing CF based on the clustering outcomes. In this step, our model adjusts the effect of neighbours in the same cluster as the target user to improve prediction accuracy by reflecting hidden information about his or her social community. The experimental results indicate that the proposed model outperforms other comparison models, including conventional CF, with statistical significance.     

基于高斯粒子滤波的当前统计模型跟踪算法

对于非线性系统估计问题,高斯粒子滤波器可以获得近似最优解,与粒子滤波器相比其优点是不需要重采样步骤和不存在粒子退化现象.采用高斯粒子滤波代替当前模型自适应跟踪算法中的卡尔曼滤波,将高斯粒子滤波与当前统计模型的优点相结合,提出了一种新的当前统计模型自适应跟踪算法,用于非线性非高斯系统的机动目标跟踪.MonteCarlo仿真表明,该算法跟踪精度优于标准的交互多模型算法和当前统计模型自适应跟踪算法,实时性好于交互多模型粒子滤波算法.     

一种IDS报警过滤算法及实现架构研究

为提高入侵检测的有效性,提出了一种基于二级决策进行报警过滤从而消除误报、滥报问题的方法,设计实现了一种基于报警缓冲池的报警优化过滤算法,并对算法进行了效率分析和实验。实验结果表明,该技术可以有效地消除误报、滥报现象,具有较强的实用价值。     

一种新的变步长LMS自适应滤波算法

通过建立步长因子μ与误差信号e之间的非线性关系，提出一种新的基于抽样函数的变步长LMS算法，并进行了计算机仿真．结果表明，该算法除了具有传统LMS算法计算量小、稳定性较好、简单易于实时处理等优点外，其收敛速度、稳定性以及跟踪速度均优于传统固定步长LMS算法抽样函数、SVSI—MS算法。     

基于子波域空间相关的多分辨图像滤波方法

从静态子波变换入手,提出了一种有效的图像滤波算法。通过计算相邻尺度下细节信号的空间相关性来区分噪声和信号,如果子波系数的空间相关性大,则认为此位置的系数含有特征及边缘信息予以保留。实现这种理论的完整方法包括两部分:空间滤波和子波收缩。仿真结果表明这个算法有很好的降噪性能。     

用Gabor滤波实现虹膜图像纹理编码

针对虹膜纹理的幅度和相位信息特征,利用二维Gabor滤波器族可以很好地模拟皮层简单细胞的二维感受野轮廓,能够最大限度的提供图像局部方向和频率信息的特点,提出一种基于二维Gabor函数族对虹膜图像进行子块分解滤波的改进编码算法。实验结果表明,该方法能有效的提取虹膜纹理特征,从而达到虹膜识别的目的。     

基于遗传算法的自适应噪声抵消

当有参考噪声信号时，自适应噪声抵消的实质就是求参考噪声输入通路的逆滤波器，LMS自适应滤波问题就是一个多变量函数的极值问题。LMS算法因其具有算法简单，容易实现的优点而为常用，但是算法的收敛特性和失调量受到步长参数μ的影响。而步长参数μ和最优值不易确定。遗传算法是一种应用于大规模搜索空间的有效方法，它不要求函数的解析表达式，只根据已知的测量数据便可以求得全局极值。本文以FIR滤波器为例。采用改进的实值编码遗传算法，将遗传算法用于逆滤波器的求解。计算机仿真结果表明该算法对噪声抵消取得了较满意的效果。