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。     

基于增加相似度系数的加权二部图推荐算法

基于二部图的推荐算法是个性化推荐领域的一个研究热点,其中,如何科学地利用用户的评分资源,在评分数据不全的情况下对目标用户进行准确高效的推荐是研究难点,也因此受到众多学者的关注。因此,提出了一种以单调饱和函数为权,利用目标用户和其他项目共同评分个数相对用户总数均值的正切值作为传统相似度系数的推荐算法;同时,对调整系数后的相似度进行降序排列,利用前K个最近邻居集对目标用户进行推荐。实验结果表明,改进后的算法提高了推荐的准确性,降低了复杂度。     

基于随机森林修正的加权二部图推荐算法

对于基于二部图网络结构的算法忽视了兴趣偏好的影响,只考虑用户与项目之间的关系,结合随机森林分类模型和二部图网络结构,提出了一种基于随机森林修正的加权二部图推荐算法。在二部图网络结构的基础上,利用评分计算边权,充分考虑项目的度和用户共同评分项目的影响改进相似度公式。同时用随机森林算法对用户在项目特征的偏好构建分类模型,根据其对初步得出的推荐列表进行评分修正。对比在Movie Lens数据集上的实验结果,证明该方法比其他算法能够提高推荐的准确性和推荐精度。     

基于用户兴趣度的改进二部图随机游走推荐方法

传统的二部图随机游走算法主要采用基于共同项目的相似度计算,并且项目之间、用户之间的影响程度是对称的,这种对称信息不能体现用户兴趣,推荐精度不高。为了提高推荐准确性,提出一种基于用户兴趣度的二部图随机游走方法。采用共同项目和用户打分项目数量的共同性质体现用户兴趣度,分析信息的不对称性,并在二部图中随机游走。实验表明,基于用户兴趣度的二部图随机游走算法提高了预测准确率和命中率。     

基于增强二部图网络结构的推荐算法

协同过滤推荐算法的数据稀疏性与冷启动问题影响和制约了推荐的质量.基于用户-项目二部图的信任计算可以有效的利用用户间的潜在联系提高推荐性能.提出一种融合基于二部图的增强繁殖信任与JMSD相关系数的推荐方法,包括对改进的加权用户-项目自适应繁殖信任度的计算,在此基础上融合用户偏好的增强信任度机制,以及线性加权JMSD相关系数,两组数据集下的对比实验表明,与三种基准算法对比改进的算法模型具有更低的平均绝对误差（MAE）,更高的召回率（Recall）,提高了推荐质量.     

基于差异化资源分配的二部图推荐算法

传统二部图推荐算法存在着初始资源设置不合理,以及仅仅依靠项目度和用户度来调整资源分配系数的问题.因此提出一种基于差异化资源分配的二部图推荐算法,新的算法利用评分规范化和最大最小值的方法对项目初始资源进行了修正,在此基础上引用艾宾浩斯遗忘函数来量化用户兴趣偏移所带来的影响;再利用用户评分相似性函数和用户偏好函数对资源...     

基于改进二部图算法的数字化推荐系统研究

为了解决数字化推荐系统在处理大规模数据时存在的数据稀疏性问题,研究提出了一种改进的二部图推荐算法,通过整合用户-项目互动和标签信息,以优化推荐系统资源分配策略。实验结果表明,该算法在精准率、召回率和F1值上均优于传统算法,其中精准率为0.91,召回率为0.93,F1值为0.94,改进后的算法显著提升了传统算法的质量。研究提出的推荐系统在财务经济领域的推荐误差主要集中在0.00至0.02的低误差区间,显示出较高的推荐准确性。研究结果说明通过融合标签信息可以显著提升推荐系统的性能,尤其是在财务经济领域。研究为财务经济领域的推荐系统提供了一种新的解决方案,为实现更精准的个性化推荐服务提供了参考。     

基于三部图网络结构的知识推荐算法

针对传统的知识推荐算法存在用户冷启动和冷门物品推荐的问题,提出了一种基于三部图网络结构的知识推荐算法。在计算相似度时引入网络结构中的度,综合考虑项目的度和权值及标签的度和权值对推荐算法的影响。实验结果表明,该算法提高了推荐的个性化和多样性,有效地解决了用户冷启动和冷门物品推荐的问题,改善了推荐效果。     

融合初始资源与协同过滤的二部图推荐算法

推荐系统的产生主要是为了解决信息过载的问题。基于二部图网络与基于协同过滤的推荐算法是目前应用比较广泛的算法,二者都取得了一定的推荐效果。基于加权二部图网络的算法忽略对初始资源的配置,基于物品的协同过滤算法在推荐时也产生数据稀疏等问题。组合推荐算法融合初始资源配置以及基于物品的协同过滤算法来解决相关的问题,可以达到更好的推荐效果。算法实验在MovieLens数据集上实施,结果表明,与传统的推荐算法以及最近的组合推荐算法相比,该方法有更好的推荐效果。     

改进填补法和多权重相似度相结合的推荐算法

针对传统推荐算法中存在的数据稀疏性问题,国内外许多研究人员都提出了相应的推荐算法。然而,在个性化推荐方面,其中大多数并没有取得很好的推荐效果。因此,提出改进填补法和多权重相似度相结合的推荐算法,该算法首先采用改进填补法填充缺失值并对数据降维,接着分别计算社交网络用户信任度和改进的二部图用户关联度,最后采用多权重因子将这两者相似度进行结合。基于此,该算法根据相似度高低获取邻居用户并对目标用户进行商品推荐。实验结果表明,在数据稀疏性以及个性化推荐情况下,该算法的平均绝对误差(MAE)优于其他推荐方法。     

分类对基于资源分配股票网个性化推荐影响*

引进一种新型高准确度基于资源分配协同推荐方法,利用物质分配过程计算用户相关性。在此基础上考虑类型对相关性影响对算法进行了改进,增加系数λ调节类型因素影响相关系数程度。改进算法平均排名分数减小、平均度减小和平均Hamming距离增加,证明了推荐算法的准确性、多样性、个性化,并且算法时间复杂度也比标准协同算法明显减小。     

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。     

基于内部边的群体软件开发中的项目推荐方法

开源软件生态系统的快速发展;为软件开发提供了一种新的模式;对开源软件推荐系统的研究已经成为当前一个重要的研究领域。已有的软件工程推荐系统大都利用协同过滤、机器学习以及开发者-项目属性匹配的方法进行推荐;而利用网络结构和网络分析技术进行推荐的研究相对较少。以软件生态系统GNOME为研究对象;构建开发者-项目二分网络;利用二分网络链路预测技术;采用一种基于内部边的方法对开发者进行项目推荐;并与协同过滤方法进行了对比。实验结果表明基于内部边的推荐方法比协同过滤方法更好。     

基于特征加权的新闻主题句抽取

根据新闻文本的特点,分别对新闻标题与正文进行分析,该文提出了一种针对新闻文本的特征加权的主题句抽取方法。首先对新闻主题句在文本中的分布情况进行分析,选取了位置特征;然后根据新闻标题对于新闻主旨的提示作用,选取了标题句子重合度与关联度的特征,且在关联度特征中将基于加权二部图的最大匹配算法融入其中;最后依据句子的得分排名,进行主题句抽取。实验显示,利用该方法进行主题句抽取的P@1为75.9%,P@3 达到92.4%。     

基于混合用户模型的二分图推荐算法

用二分图来实现个性化推荐的算法越来越受到研究者的注意。文中提出混合用户模型下的二分图推荐算法（MNBI）,针对二分图推荐算法中存在的用户多、项目少时命中效率低的情况用混合用户模型进行改进,同时对于推荐中加权的二分图边的权值用用户集的总体的加权和进行改进。该算法基本思想就是在用户很多的情况下,用混合用户模型对用户首先进行一个预处理生成一定数量的用户集,然后用用户集和项目构成用户集-项目的二分图。通过在Movielens数据集中进行测试的实验结果表明,相比NBI算法,MNBI算法推荐的命中效率有一定的提高,同时对于推荐多样性有所提高,并且在数据冷启动情况下效果较好。     

一种多样性增强的推荐列表选择算法

针对传统的推荐算法过于强调推荐的精准度导致推荐列表的同质化现象突出的问题, 提出了一种新的推荐列表选择算法DivEnhance。首先给出了推荐列表的多样性和效用值的定义; 然后将其建模为一个带约束的整数规划问题来求解, 通过一个参数的调整, 可以实现多样性和精准度的灵活控制。实验结果表明, 该算法可以在一定精准度损失的条件下, 大幅提高最终推荐列表的多样性。特别地, 在推荐一些新颖性较高的内容上, 该算法相对于传统的推荐算法具有较大的优势。     

基于多示例学习的对象图像推荐算法

用户评分矩阵稀疏问题影响协同过滤的推荐性能。为此,提出一种基于多示例学习的对象图像推荐算法。将分割区域的视觉特征作为图像中的示例,利用多样性密度函数求得最大多样性密度点,使用正负图像内容评价不同用户间的相似性,将其与传统余弦相似性进行组合,从而实现推荐。实验结果表明,该算法提高了推荐性能。     

无重叠视域多摄像机的数据关联算法

大范围的监控通常会用到多个没有重叠视域的摄像机,目标的出现在时间和空间上都是离散的,摄像机间的目标关联是实现大范围的目标跟踪的关键问题.提出一种基于权重二部图的关联策略,以目标为节点,结合时间约束和空间约束构造边,目标的相似度为边的权重,通过求取二部图的最大权匹配得到最优关联结果.针对刚体目标提出一种LICS特征用于计算目标间的相似度,该特征对光照和目标姿态变化都不敏感.采用真实视频和仿真方法对算法进行实验,实验结果表明有好的关联效果.