基于网络和标签的混合推荐算法

基于网络结构的推荐算法利用用户与项目间的结构关系进行推荐,忽略了用户偏好,而项目的标签隐含了项目的内容及用户的偏好,提出一种基于网络结构和标签的混合推荐方法。算法根据用户选择项目的标签统计信息,分别采用TF-IDF和用户对标签的支持度两种方法构建用户偏好模型,与基于网络的推荐模型进行线性组合推荐。通过在基准数据集MovieLens上测试证明,该算法在推荐结果命中率、个性化程度、多样性等方面均优于基于网络的推荐算法。     

融合偏好度与网络结构的推荐算法

针对传统推荐系统追求推荐列表的准确率而忽略推荐的多样性以及数据集信息缺失等问题，提出了融合偏好度与网络结构的推荐算法。通过用户历史反馈数据分析用户偏好度，将偏好度与二部图随机游走推荐算法融合，初步得出项目推荐列表；利用用户-标签二部图，挖掘用户不跟随大众的喜好标签，得到推荐项目列表；根据模型融合得到最终的推荐结果。实验表明，新算法在保持较好精确率和召回率的情况下，有效提高了推荐的多样性。     

基于潜在标签挖掘和细粒度偏好的个性化标签推荐

为进一步提高个性化标签推荐性能,针对标签数据的稀疏性以及传统方法忽略隐藏在用户和项目上下文中潜在标签的缺陷,提出一种基于潜在标签挖掘和细粒度偏好的个性化标签推荐方法。首先,提出利用用户和项目的上下文信息从大量未观测标签中挖掘用户可能感兴趣的少量潜在标签,将标签重新划分为正类标签、潜在标签和负类标签三类,进而构建〈用户,项目〉对标签的细粒度偏好关系,在缓解标签稀疏性的同时,提高对标签偏好关系的表达能力;然后,基于贝叶斯个性化排序优化框架对细粒度偏好关系进行建模,并结合成对交互张量分解对偏好值进行预测,构建细粒度的个性化标签推荐模型并提出优化算法。对比实验表明,提出的方法在保证较快收敛速度的前提下,有效地提高了个性化标签的推荐准确性。     

基于堆栈降噪自编码器改进的混合推荐算法

针对传统协同过滤算法仅利用评分信息作为推荐依据,没有利用用户评论和标签信息,无法准确反映用户对项目特征的偏好,推荐精确度低且容易过拟合等问题,提出一种基于堆栈降噪自编码（SDAE）改进的混合推荐（SDHR）算法。首先利用深度学习模型SDAE从用户自由文本标签中抽取项目的显式特征信息;然后,改进隐因子模型（LFM）算法,使用显式项目特征信息替换LFM中的抽象特征,进行矩阵分解训练;最后通过用户-项目偏好矩阵为用户提供推荐。在公开数据集MovieLens上的实验测试,与三组推荐模型（基于标签权重及协同过滤、基于SDAE和极限学习机、基于循环神经网络）比较,该算法推荐精确度分别提高了45.2%、38.4%和16.1%。实验结果表明,所提算法可以充分利用项目自由文本标签信息提高推荐性能。     

基于标签信息特征相似性的协同过滤个性化推荐

标签推荐系统旨在利用标签数据为用户提供个性化推荐。已有的基于标签的推荐方法往往忽视了用户和资源本身的特征,而且在相似性度量时仅针对项目相似性或用户相似性进行计算,并未充分考虑二者之间的有效融合,推荐结果的准确性较低。为了解决上述问题,将标签信息融入到结合用户相似性和项目相似性的协同过滤中,提出融合标签特征与相似性的协同过滤个性化推荐方法。该方法在充分考虑用户、项目以及标签信息的基础上,利用二维矩阵来定义用户-标签以及标签-项目之间的行为。构建用户和项目的标签特征表示,通过基于标签特征的相似性度量方法计算用户相似性和项目相似性。基于用户标签行为和用户与项目的相似性线性组合来预测用户对项目的偏好值,并根据预测偏好值排序,生成最终的推荐列表。在Last.fm数据集上的实验结果表明,该方法能够提高推荐的准确度,满足用户的个性化需求。     

融入用户和项目特征的概率矩阵分解推荐算法

与传统的协同过滤推荐算法相比,概率矩阵分解(PMF)模型在大型、稀疏的数据集上表现良好,但其仅利用了用户对项目的评分信息,没有充分考虑用户和项目的特征,因此在推荐准确度等方面仍具有很大的提升空间.基于概率矩阵分解模型,融合用户属性特征、用户偏好特征和项目标签特征,提出一种新的推荐算法UFIF-PMF.首先,根据用户属性信息计算用户属性相似度,利用项目标签信息和用户评分信息计算用户偏好相似度,并通过加权构建用户相似度矩阵;然后,构建基于项目标签信息的项目相似度矩阵;接着,将用户相似度矩阵和项目相似度矩阵融入到概率矩阵分解模型中;最后,在电影公开数据集Movielens上进行模型训练和对比实验.实验结果表明,在训练集比例为90％、隐性特征维度为10的情况下,与PMF、基于用户偏好的概率矩阵分解推荐算法(USPMF)和融合物品相似度的概率矩阵分解推荐算法(ISPMF)相比,UFIF-PMF算法的均方根误差(RMSE)分别下降6.27％、3.65％和3.49％,平均绝对误差(MAE)分别下降8.46％、4.8％和4.67％,同时有效缓解了推荐系统的冷启动和数据稀疏问题,有较强的可扩展性.     

一种综合标签和时间因素的个性化推荐方法

针对现存的基于标签的社会化推荐系统在构建用户兴趣模型时存在的缺陷,提出一种综合标签及其时间信息的资源推荐(TTRR)模型。此模型考虑了用户的兴趣具有时间性的特点,即用户兴趣是随着时间而变化的、用户最近新打的标签更能反映用户近期的兴趣这一特性。为此,在借鉴协同过滤思想的基础上,通过利用标签使用频率信息和项目的标注时间来构建用户评分伪矩阵;在此基础上计算目标用户的最近邻集合;最后根据邻居用户给出推荐结果。通过在CiteULike数据集上进行实验,并与传统的基于标注的推荐方法进行比较,实验结果表明,TTRR模型能够更好地反映出用户的偏好,能够显著地提高推荐准确度。     

基于信任关系下用户兴趣偏好的协同过滤推荐算法

随着信息的海量增长,推荐系统有效缓解了信息爆炸带来的问题,其中协同过滤作为主流技术之一受到了广泛的关注.针对用户的兴趣偏好研究主要是基于商品标签的有监督数据集进行研究,忽略了无监督数据集,同时,在计算用户的兴趣偏好过程中也未能考虑到信任用户对用户兴趣的影响.为此,文中首先在无监督的项目数据集上采用矩阵分解模型得到项目的潜在特征向量,据此对项目进行聚类以表示项目的类别信息;然后,结合用户的信任关系和用户-项目评分矩阵构造用户的兴趣偏好矩阵;最后,为提高推荐效率,在用户的兴趣偏好矩阵上对用户进行聚类,在每个聚类簇内计算用户之间的相似度,从而实现推荐.在公开数据集上的实验结果表明,该算法能有效改善推荐结果的精确性,提升推荐质量.     

基于改进鱼群算法与张量分解的社会化标签推荐模型

基于大众分类法(folksonomy)的标签应用已逐渐成为一种重要的互联网内容组织方式,但随着数据规模的海量增长,产生了严重的信息过载问题,而传统的基于“用户-项目”二元关系的个性化推荐算法难以有效应对由“用户-项目-标签”所构成的三元关系。通过对基本人工鱼群算法进行改进,提出一种对标签推荐系统初始数据集进行聚类分析的方法,用以降低标签推荐系统的数据分析规模。在此基础上,综合考虑标签推荐系统中的元素权重以及反映用户偏好的评分信息,将元素权重和评分等级进行加权处理,以处理结果作为张量中的元素,建立了一种新的加权张量模型,并利用动态增量更新的张量分解算法进行模型求解,进而完成个性化的推荐。最后在两个真实的实验数据集上对比分析了所提算法(FTA)与另外两个经典标签推荐算法的推荐性能,实验结果表明FTA算法在准确率和召回率上均具有较好的表现。     

融合项目标签信息面向排序的社会化推荐算法

近年来,推荐系统越来越受到人们的关注,按照应用场景主要分为评分预测和Top-K推荐。考虑到传统评分推荐系统和Top-K排序推荐系统只考虑用户和项目的二元评分信息,具有一定的局限性,因此扩展了一种基于列表排序学习的矩阵分解方法。一方面,充分考虑用户之间关注关系。首先通过用户之间的关注关系计算用户之间的信任度,接着通过用户之间的信任度在原始模型的损失函数中添加用户社交约束项,使相互信任的用户偏好向量尽可能接近。另一方面,计算项目所拥有标签的权重,并以此计算项目之间的标签相似度,再将项目的标签约束项添加至损失函数中。在真实Epinions和百度电影数据集中的实验结果表明,该方法的NDCG值和原始模型相比具有一定的提高,有效地提高了推荐准确率。     

融合时间加权信任与用户偏好的协同过滤算法

针对现有的协同过滤推荐算法中存在评分数据稀疏和用户兴趣动态变化的问题,提出了融合时间加权信任与用户偏好的协同过滤算法.考虑到用户评分时间的不均匀,对时间权重进行改进,并将其融入到直接信任计算中,缓解用户兴趣动态变化的问题.通过信任传递得到的间接信任以及建立用户对项目标签的偏好矩阵得到用户之间的偏好相似度来缓解数据的稀疏...     

标签推荐方法研究综述

随着互联网信息的爆炸式增长,标签(由用户指定用来描述项目的关键词)在互联网信息检索领域中变得越来越重要.为在线内容赋予合适的标签,有利于更高效的内容组织和内容消费.而标签推荐通过辅助用户进行打标签的操作,极大地提升了标签的质量,标签推荐也因此受到了研究者们的广泛关注.总结出标签推荐任务的三大特性,即项目内容的多样性、标...     

Item recommendation using tag emotion in social cataloging services

Due to the overload of contents, the user suffers from difficulty in selecting items. The social cataloging services allow users to consume items and share their opinions, which influences in not only oneself but other users to choose new items. The recommendation system reduces the problem of the choice by recommending the items considering the behavior of the people and the characteristics of the items.In this study, we propose a tag-based recommendation method considering the emotions reflected in the user’s tags. Since the user’s estimation of the item is made after consuming the item, the feelings of the user obtained during consuming are directly reflected in ratings and tags. The rating has overall valence on the item, and the tag represents the detailed feelings. Therefore, we assume that the user’s rating for an item is the basic emotion of the tag attached to the item, and the emotion of tag is adjusted by the unique emotion value of the tag. We represent the relationships between users, items, and tags as a three-order tensor and apply tensor factorization. The experimental results show that the proposed method achieves better recommendation performance than baselines.     

融合多语义信任度与全局信息的混合推荐算法

数据稀疏问题普遍存在于协同过滤系统,仅考虑共同评分项目上局部上下文信息的相似度度量方法已不具备较高可靠性。为解决上述问题,提出一种融合多语义信任度和全局信息的混合推荐算法（multi semantic trust and global knowledge,MSTGK）。引入加权异构信息网络（weighted heterogeneous information network,WHIN）,通过加权元路径处理评分数据、社交关系、用户标签和项目属性对用户信任的影响,挖掘不同语义的信任信息以缓解数据稀疏性问题;考虑项目流行度和用户偏好程度两个全局要素对用户相似度的影响,将其作为权重因子改进了JMSD相似测度,旨在提高相似度计算精度;融合用户的多语义信任度和全局相似度进行综合推荐。在DoubanMovie和Yelp两个真实数据集上的实验结果表明,所提算法缓解了数据稀疏问题,相比于其他基线方法,预测准确率分别提高了2.01个百分点和2.45个百分点。     

使用群体兴趣偏好度的协同过滤推荐

推荐系统是电子商务系统中最重要的技术之一,用户相似性度量方法是影响推荐算法准确率高低的关键因素。针对用户评分数据极端稀疏情况下传统相似性度量方法的不足,提出了一种基于群体兴趣偏好度的协同过滤推荐算法,根据群体兴趣偏好度来预测用户对未评分项目的评分,在此基础上再采用传统的相似性度量方法计算目标用户的最近邻居。实验结果表明,该算法可以有效解决用户评分数据极端稀疏情况下传统相似性度量方法存在的问题,显著提高推荐系统的推荐质量。     

基于评分偏好和项目属性的协同过滤算法

针对传统的协同过滤推荐由于数据稀疏性导致物品间相似性计算不准确、推荐准确度不高的问题,文中提出了一种基于用户评分偏好模型、融合时间因素和物品属性的协同过滤算法,通过改进物品相似度度量公式来提高推荐的准确度。首先考虑到不同用户的评分习惯存在差异这一客观现象,引入评分偏好模型,通过模型计算出用户对评分类别的偏好,以用户对评分类别的偏好来代替用户对物品的评分,重建用户-物品评分矩阵;其次基于时间效应,引入时间权重因子,将时间因素纳入评分相似度计算中;然后结合物品的属性,将物品属性相似度和评分相似度进行加权,完成物品最终相似度的计算;最后通过用户偏好公式来计算用户对候选物品的偏好,依据偏好对用户进行top-N推荐。在MovieLens-100K和MovieLens-Latest-Small数据集上进行了充分实验。结果表明,相比已有的经典的协同过滤算法,所提算法的准确率和召回率在MovieLens-100K数据集上提高了9%~27%,在MovieLens-Latest-Small数据集上提高了16%~28%。因此,改进的协同过滤算法能有效提高推荐的准确度,有效缓解数据稀疏性问题。     

一种优化聚类的协同过滤推荐算法

针对传统的协同过滤推荐算法存在评分数据稀疏和推荐准确率偏低的问题,提出了一种优化聚类的协同过滤推荐算法。根据用户的评分差异对原始评分矩阵进行预处理,再将得到的用户项目评分矩阵以及项目类型矩阵构造用户类别偏好矩阵,更好反映用户的兴趣偏好,缓解数据的稀疏性。在该矩阵上利用花朵授粉优化的模糊聚类算法对用户聚类,增强用户的聚类效果,并将项目偏好信息的相似度与项目评分矩阵的相似度进行加权求和,得到多个最近邻居。融合时间因素对目标用户进行项目评分预测,改善用户兴趣变化对推荐效果的影响。通过在MovieLens 100k数据集上实验结果表明,提出的算法缓解了数据的稀疏性问题,提高了推荐的准确性。     

一种基于项目属性评分的协同过滤推荐算法

协同过滤是电子商务推荐系统中应用最成功的推荐技术之一,但面临着严峻的用户评分数据稀疏性和推荐精度低等问题。针对数据稀疏性高和单一评分导致的推荐精度低等问题,提出一种基于项目属性评分的协同过滤推荐算法。首先通过均值法或缩放法构造用户-项目属性评分矩阵将单一评分转化为多评分;其次基于每个属性评分矩阵,计算用户间的偏好相似度,得到目标用户的偏好最近邻居集;然后针对每个最近邻居集,在用户-项目评分矩阵上完成对目标用户的初步评分预测;最后,将多个初步预测评分加权求和作为综合评分,完成推荐。在Movie Lens扩展数据集上的实验结果表明,该算法能有效提高推荐精度。     

一种融合聚类与用户兴趣偏好的协同过滤推荐算法

协同过滤推荐算法可以根据已知用户的偏好预测其可能感兴趣的项目,是现今最为成功、应用最广泛的推荐技术。然而,传统的协同过滤推荐算法受限于数据稀疏性问题,推荐结果较差。目前的协同过滤推荐算法大多只针对用户-项目评分矩阵进行数据分析,忽视了项目属性特征及用户对项目属性特征的偏好。针对上述问题,提出了一种融合聚类和用户兴趣偏好的协同过滤推荐算法。首先根据用户评分矩阵与项目类型信息,构建用户针对项目类型的用户兴趣偏好矩阵;然后利用K-Means算法对项目集进行聚类,并基于用户兴趣偏好矩阵查找待估值项所对应的近邻用户;在此基础上,通过结合项目相似度的加权Slope One算法在每一个项目类簇中对稀疏矩阵进行填充,以缓解数据稀疏性问题;进而基于用户兴趣偏好矩阵对用户进行聚类;最后,面向填充后的评分矩阵,在每一个用户类簇中使用基于用户的协同过滤算法对项目评分进行预测。实验结果表明,所提算法能够有效缓解原始评分矩阵的稀疏性问题,提升算法的推荐质量。     

结合用户聚类和评分偏好的推荐算法*

针对推荐算法中用户评分矩阵维度高、计算量大的问题,为更加真实地反映用户本身评分偏好,提出一种结合用户聚类和评分偏好的推荐算法。先利用PCA降维和k-means聚类对用户评分矩阵进行预处理,在最近邻选取方法上,添加用户共同评分数量作为约束,利用用户和相似簇的相似度对相似簇内评分加权求和生成基本预测评分;再综合用户评分偏置和用户项目类型偏好,建立用户评分偏好模型;最后通过多元线性回归确定每部分的权重,生成最终的预测评分。对比实验结果表明,新算法能更真实地反映用户评分,有效减少计算量并提高推荐系统的预测准确率,更好地满足用户对于推荐系统的个性化需求。