多维关联规则推荐在商务站点中的应用

提出了一种多维关联规则推荐系统,为客户提供更加准确的个性化推荐。该系统利用了客户购物信息、注册信息数据和经过评估的客户消费能力信息,通过多维、多层次的关联规则挖掘生成推荐集。针对不同的客户提供不同的商品,从而改善了个性化推荐的效果。     

基于协同过滤的银行产品推荐系统建模

通过分析银行产品推荐系统与一般推荐系统的区别,采用协同过滤算法,设计银行产品推荐系统模型.首先采用决策树、聚类等数据挖掘方法进行客户分类,提高系统伸缩能力和推荐效率;同时从客户和产品两方面对交易明细进行数据分析,避免早期数据冷起动问题.该系统模型最终生成的客户/产品/时间匹配矩阵,有效辅助银行的客户关系管理及市场营销活动.     

客户海量兴趣数据分类的推荐系统优化仿真

对客户兴趣商品信息数据进行有效推荐,能够最大程度地服务消费者.商品种类和数量快速增长,大量有用商品信息会被淹没在海量商品信息中.传统的客户兴趣推荐系统在进行客户兴趣确认时,受到海量信息的干扰,使得兴趣商品信息数据确认过程耗时巨大,效率较低.提出采用关联决策树算法的客户海量兴趣数据分类推荐系统.在推荐系统中,针对海量数据进行关联决策计算,得到所有数据之间的关联性,根据上述数据关联性,建立关联决策树,获取客户兴趣数据推荐目标.最后进行仿真,结果表明,采用改进方法能够减少商品信息确认时间,取得了良好的效果.     

基于需求线索的电子商务推荐系统

传统电子商务推荐系统采用离线方式分析和处理客户需求信息,因而丧失了时效性.为解决相关问题,提出了基于需求线索的推荐系统.给出了系统的基本模型、数据结构、关键算法以及运行流程.该系统采用需求线索跟踪的方式收集客户当前的需求信息,从而进行需求倾向分析;并在需求VS商品叠加空间中匹配和检索需要推荐的商品与客户.在线营销仿真实验表明,系统具有较好的及时响应能力和较高的客户满意度.     

基于多级客户模型的个性化推荐机制

个性化是未来Web智能系统的一大特征．为了实现商品的个性化推荐，提出了一种新的基于多级客户模型的推荐系统机制，它由数据准备、模型学习、推荐集的生成和智能过滤四个子过程构成．该机制借助于多级客户模型从客户的购物需求、偏爱特征和消费能力三方面捕获客户的实际需求，从而实现了一种深层次的个性化推荐，改善了推荐效果．     

一种基于贝叶斯网客户购物模型的商品推荐方法

提出一种新的基于客户购物模型的推荐系统框架,它把推荐过程形式化为客户购物信息的知识表达、知识推理过程。该方法首先对客户的购物历史数据进行学习,得到贝叶斯网客户购物模型,然后结合客户当前的购物行为,提出并实施了一种基于概率推理的推荐算法。实验表明该算法能高效实时地为客户产生个性化的商品推荐集合,且在覆盖率和准确率方面优于某些传统方法。     

一种基于贝叶斯网客户购物模型的商品推荐方法*

提出一种新的基于客户购物模型的推荐系统框架。它把推荐过程形式化为客户购物信息的知识表达、知识推理过程。该方法首先对客户的购物历史数据进行学习, 得到贝叶斯网客户购物模型, 然后结合客户当前的购物行为, 提出并实施了一种基于概率推理的推荐算法。实验表明该算法能高效实时地为客户产生个性化的商品推荐集合, 且在覆盖率和准确率方面优于某些传统方法。     

基于客户行为序列的推荐算法

客户的兴趣是不断变化的。但是,目前所广泛应用在推荐系统中的协同过滤算法却是静态的,它只是单纯整合客户的历史数据,并未考虑客户的兴趣变化情况,这必然会导致对高信息量客户的低推荐性能。文中将客户的兴趣度变化考虑在内,提出了一种基于客户行为序列的算法,可以在一定程度上提高针对高信息量客户推荐的性能。     

基于客户心理挖掘和预测的推荐系统

基于购物活动表层挖掘的推荐系统的时效性和信息持续性较差。为解决相关问题,提出了基于客户心理挖掘和预测的推荐系统,给出了该系统的解决方案、结构模型以及处理流程。该系统采用多维向量空间存储心理特征数据,并使用贝叶斯算法对客户与商品进行聚类;采用基于功率谱估计的心理特征预测算法生成推荐商品选择。实验结果表明,该系统具有较好的信息持续性,并能够较准确的进行推荐活动。     

贝叶斯网模型在推荐系统中的应用研究

针对网上智能中推荐系统的个性化问题,提出了一种新的基于贝叶斯网模型的商品推荐方法,它包括贝叶斯网客户购物模型的建立和基于概率推理的推荐集的产生两个过程。实数据上的实验表明该方法是一种有效的能为不同客户产生准确而个性化的商品推荐方法。     

基于矩阵完整化的分块整合推荐算法

传统的推荐系统往往是通过使用协同过滤或基于内容的方式来实现的,而文中将矩阵完整化的方法应用到推荐系统中。由于数据的稀疏性,直接使用矩阵完整化的方法会给推荐结果带来不小的误差。考虑到使用用户中存在一些活跃用户,挖掘出这些特殊用户,由他们组成的数据会降低稀疏性,而且对活跃用户提高 推荐质量,会产生更大的商业价值。提出了一种分块整合推荐的方法,实验结果表明该方法能够提升推荐精度。     

采用反馈机制的自适应Web推荐系统

Web服务的初衷是能让用户能够快捷方便地找到自己需要的资源,但是当前过量的网络资源反而增加了用户的麻烦。于是出现了结合用户对Web使用的数据挖掘应用的Web推荐系统。在传统Web推荐系统的基础上引入了反馈机制。使推荐系统在线给用户提供推荐功能的同时,对自身的推荐机制改进,更体现了个性化服务的灵活性。     

Resource recommendation in social annotation systems: A linear-weighted hybrid approach

Social annotation systems enable the organization of online resources with user-defined keywords. Collectively these annotations provide a rich information space in which users can discover resources, organize and share their finds, and connect to other users with similar interests. However, the size and complexity of these systems can lead to information overload and reduced utility for users. For these reasons, researchers have sought to apply the techniques of recommender systems to deliver personalized views of social annotation systems. To date, most efforts have concentrated on the problem of tag recommendation – personalized suggestions for possible annotations. Resource recommendation has not received the same systematic evaluation, in part because the task is inherently more complex. In this article, we provide a general formulation for the problem of resource recommendation in social annotation systems that captures these variants, and we evaluate two cases: basic resource recommendation and tag-specific resource recommendation. We also propose a linear-weighted hybrid framework for resource recommendation. Using six real-world datasets, we show that its integrative approach is essential for this recommendation task and provides the most adaptability given the varying data characteristics in different social annotation systems. We find that our algorithm is more effective than other more mathematically-complex techniques and has the additional advantages of flexibility and extensibility.     

深度学习推荐模型中的注意力机制研究综述

探讨注意力机制如何帮助推荐模型动态关注有助于执行当前推荐任务输入的特定部分.分析注意力机制网络框架及其输入数据的权重计算方法,分别从标准注意力机制、协同注意力机制、自注意力机制、层级注意力机制和多头注意力机制这五个角度出发,归纳分析其如何采用关键策略、算法或技术来计算当前输入数据的权重,并通过计算出的权重以使推荐模型可...     

大规模图推荐模型的快速优化机制

推荐系统在帮助用户从海量数据中发现自己感兴趣的信息时能起到重要作用。近些年来,深度学习在计算机视觉等诸多领域卓有成效,吸引了越来越多推荐系统领域学者的关注。推荐系统结合图神经网络等深度学习方法取得了令人瞩目的效果。然而,现存的许多方法主要关注在如何用深度学习模型来设计推荐系统的架构,却少有工作关注推荐系统的优化框架,尤其是从优化框架方面提升推荐系统的训练效率。因此随着模型的日益复杂,训练模型的时间代价也越来越大。
本工作中,我们试图从优化框架方面提升大规模图推荐模型的训练效率。推荐系统中最主流的模型优化框架为贝叶斯个性化排序（Bayesian personalized ranking,BPR）,其潜在假设是目标用户对于已交互的物品的喜好程度强于未交互的物品,然后通过最大化用户对感兴趣物品和不感兴趣物品的评分差来实现。然而,BPR优化器的瓶颈在于模型参数的学习效率低下,在计算资源有限,且用户的兴趣要具有时效性等现实因素下,极大限制了主流图推荐模型在工业场景中的应用。究其原因,BPR优化器需要每个训练样本对单独经过非线性激活函数,这样元素级别的运算无法转化为矩阵操作等并行计算的形式,进而未能发挥GPU的并行加速性能。受平方误差损失函数在结合推荐任务时,对矩阵化操作较为友好的启发,我们设计了一种快速非采样优化器FGL,可广泛适用于主流图推荐模型。经过一系列理论推导与转换,FGL有效规避了损失函数中复杂度较高的计算项,极大提升了模型的训练效率。以经典矩阵分解模型和最先进的图神经网络模型LightGCN为代表,本文在四个基准数据集上进行了大量的实验。实验结果表明,FGL优化器在保证推荐准确度下,其训练效率相比于BPR获得了数量级层面的加速,表明FGL在现实工业场景中具有很大的应用潜力。     

基于用户行为的新闻推荐算法的研究

为了提高新闻推荐的效率和准确度,减少相似内容的反复推荐,通过研究用户行为和分析用户新闻浏览行为日志,采用以马尔科夫算法为主要算法的新闻推荐算法,辅以协同过滤算法和基于内容的推荐算法,建立了马尔科夫模型,并应用在智能新闻推荐上。通过对比传统的推荐算法,测试结果表明,该模型在准确度和执行效率上有明显的提升,其功能更加智能。     

P2P网络中一种可信访问控制模型

信任模型强调成员以及数据的可信性,通过对网络中的不端行为进行通告和限制,为用户能够更加合理地使用网络提供保证。提出了一个基于相似度加权推荐的全局信任模型（GSTrust）。在模型中,信任值的请求者使用推荐者和自己之间的节点评分行为相似度加权推荐意见,以节点评价行为的相似度加权其推荐度计算全局信任值,并提出了基于群组的激励机制作为信任模型的有效补充,仿真实验证明了模型的有效性。     

Making recommendations by integrating information from multiple social networks

It is becoming a common practice to use recommendation systems to serve users of web-based platforms such as social networking platforms, review web-sites, and e-commerce web-sites. Each platform produces recommendations by capturing, maintaining and analyzing data related to its users and their behavior. However, people generally use different web-based platforms for different purposes. Thus, each platform captures its own data which may reflect certain aspects related to its users. Integrating data from multiple platforms may widen the perspective of the analysis and may help in modeling users more effectively. Motivated by this, we developed a recommendation framework which integrates data collected from multiple platforms. For this purpose, we collected and anonymized datasets which contain information from several social networking and social media platforms, namely BlogCatalog, Twitter, Flickr, Facebook, YouTube and LastFm. The collected and integrated data forms a consolidated repository that may become a valuable source for researchers and practitioners. We implemented a number of recommendation methodologies to observe their performance for various cases which involve using single versus multiple features from a single source versus multiple sources. The conducted experiments have shown that using multiple features from multiple sources is expected to produce a more concrete and wider perspective of user’s behavior and preferences. This leads to improved recommendation outcome.     

基于个性化推荐系统的视频App的设计

近年来,各类视频应用上内容越来越丰富,页面上与当前用户无关的内容也越来越多。因此,市面上出现了多种不同的推荐算法来进行内容推荐。但是,不是每种推荐算法都能够解决所有的问题。基于个性化推荐系统的视频App,融合了多种推荐方法。首先为了解决推荐系统的冷启动问题,采用了基于统计学的推荐方式,同时,采用基于协同过滤的推荐算法,计算视频和用户间的隐藏特征,最后还有实时推荐模块,能够根据用户近期的行为对推荐内容进行调整。     

一种基于移动用户位置的网络服务推荐方法

伴随着无线通信技术和智能移动终端的快速发展,基于位置的服务(location-based services,简称LBS)以其移动性、实用性、随时性和个性化的特点,在军事、交通、物流等诸多领域得到了广泛的应用,成为最具发展潜力的移动增值业务之一。在一个基于位置的网络服务推荐框架的基础上,给出了一种基于位置的移动用户偏好相似度计算方法,同时证明了其满足近邻相似测度的一般性质;然后,提出一种符合社会学概念的信任值计算方法。把它们应用于基于移动用户位置的网络服务推荐过程中,从而形成了一种基于移动用户位置的网络服务推荐方法。该方法有效地提高了网络服务推荐的准确性和可靠性,同时缓解了推荐过程中可能存在的数据稀疏性以及冷启动问题。最后,通过公开的MIT数据集验证了该推荐方法的准确度和可行性。