融合多权重因素的低秩概率矩阵分解推荐模型

针对个性化推荐精度较低、对冷启动敏感等问题,该文提出一种融合多权重因素的低秩概率矩阵分解推荐模型MWFPMF。模型利用给定的社交网络构建信任网络,借助Page rank算法和信任传递机制求取用户间信任度;基于Page rank计算用户社会地位,利用活动评分和评分时间修正用户间关系权重;引入词频-逆文本频率技术(TF-IDF)求取用户标签,通过标签相似性表征用户间同质性;将用户间信任度、用户社会地位影响力和用户同质性3因素融入低秩概率矩阵分解中,从而使用户偏好和活动特征映射到同一低秩空间,实现用户-活动评分矩阵的分解,在正则化约束下,最终完成低秩特征矩阵对用户评分缺失的有效预测。利用豆瓣同城北京和Ciao数据集确定各模块的参数设置值。通过仿真对比实验可知,本推荐模型获得了较高的推荐精度,与其他5种传统推荐算法相比,平均绝对误差至少降低了6.58%,均方差误差至少降低了6.27%,与深度学习推进算法相比,推荐精度基本接近;在冷启动用户推荐上优势明显,与其他推荐算法相比,平均绝对误差至少降低了0.89%,均方差误差至少降低了3.01%。     

基于共享知识模型的跨领域推荐算法

互联网的普及使得大量信息不断累积,推荐系统作为解决信息过载的有效手段,能够帮助人们迅速准确地筛选出感兴趣的内容.但是由于用户项目评分数据过于稀疏,新用户或新商品存在"冷启动"问题,使得传统的推荐算法计算复杂性过高、准确性较低.考虑到用户会在互联网不同领域使用各类应用,在不同领域积累了大量行为数据和评价信息.而从用户群体的角度来说,在不同领域间存在着用户群体的偏好相似性,因此如果通过在不同领域中共享代表偏好的知识模型,将有助于提升在新领域推荐的准确性,解决冷启动问题.本文提出了基于共享知识模型的跨领域推荐算法SKP （Sharing Knowledge Pattern）,通过对各个领域中用户-项目的评分矩阵分解,得到用户的潜在特征矩阵和项目的潜在特征矩阵,对用户和项目的潜在特征分别聚类,得到了用户分组对项目分组的评分知识模型,最终利用目标领域的个性知识模型和各个领域的共性知识模型来得出推荐结果.本文对三个不同领域的数据集进行了分析和划分,并在物理集群环境下进行了实验.结果表明,通过利用数据稠密的辅助领域数据,本文提出的SKP算法与已有的单领域算法、跨领域算法相比,具有更高的准确率和更低的RMSE值.     

基于MI聚类的个性化推荐算法研究

针对传统协同过滤推荐算法推荐效率低下,以及其在数据稀疏性和冷启动方面的不足,文中提出基于MI聚类的个性化推荐算法,该算法在协同过滤推荐的基础上,引入多示例形式的用户评分信息模型,用包来表示用户基本信息与历史行为数据,并通过相似度分层次加权对用户的未知项目评分进行预测,最终得出推荐项。实验仿真表明本文算法的准确度和召回率明显优于已有的算法,并且有效地缓解了冷启动和数据稀疏问题。     

综合项目评分和属性的个性化推荐算法

针对传统协同过滤算法存在的数据稀疏性和冷启动问题,提出了一种综合项目评分和属性的个性化推荐算法.该算法在衡量项目相似性时,同时考虑用户评分和项目属性特征,并根据评分数据的实际稀疏情况动态调整两者的影响权重;预测评分时,利用用户对项目属性的偏好度来衡量其对未评分邻居项的喜好程度,并产生最终推荐.基于MovieLens数据集进行的实验结果表明,该算法使得最近邻的确定更加准确,系统推荐质量明显改善.     

PCA与联合近邻权值协同过滤算法研究

协同过滤推荐算法主要是通过学习用户对商品过去所作出的偏好行为来为用户作出推荐,也就是协同过滤算法会对用户评分矩阵进行用户行为偏好学习,从而为用户作出相应的推荐。但是,由于用户评分矩阵具有极大的稀疏性,稀疏性会影响推荐算法的推荐结果.针对评分矩阵的稀疏性问题,文章利用主成分分析法,对用户原始评分矩阵首先进行降维处理,将原始评分矩阵转换到主成分空间上,缓解了评分矩阵的稀疏性,同时也降低了运算的时间复杂度.利用MovieLens数据库对算法进行了实验并和联合近邻权值算法进行了比较.结果表明,本文算法有较高的准确度和运行效率.     

基于知识聚合和迁移的跨领域推荐算法

传统的推荐算法受限于单领域中用户和项目的稀疏关系，也存在用户冷启动等问题.跨领域推荐能够通过学习辅助领域的知识去丰富目标领域的稀疏数据以提高推荐准确率.本文提出了一种知识聚合和迁移相结合的跨领域推荐算法ATCF.与已有算法不同，在对共性知识和个性知识的表示学习中，ATCF均充分融合了辅助域和目标域的知识，通过基于矩阵分解的两级矩阵拼接和两次矩阵填充，得到在群集矩阵及评分矩阵上的共性知识表示；通过知识迁移，构建了重叠用户和非重叠用户的个性知识表示，有效避免了负迁移.在两个跨领域数据集上开展的实验表明，ATCF算法与已有单领域和跨领域推荐算法相比RMSE降低了3%~7%，准确率召回率增加了8%~15%.     

基于受限信任关系和概率分解矩阵的推荐

现有的推荐算法很难对没有任何记录的冷启动用户或者历史记录稀疏的用户给出准确的推荐,即用户的冷启动问题.本文提出一种基于受限信任关系和概率分解矩阵的推荐方法,由不信任关系约束信任关系的传播,得到准确且覆盖全面的用户信任关系矩阵,并通过对用户信任关系矩阵和用户商品矩阵的概率分解联合用户信任关系和用户商品矩阵信息,为用户给出推荐.实验表明该方法对冷启动用户和历史记录稀疏的用户的推荐效果有较大幅度的提升,有效地解决了用户的冷启动问题.     

基于用户兴趣变化的混合推荐算法分析

推荐算法被应用在商品购物、音乐推荐、书籍推荐等网站。如何根据这些已有的用户行为数据让用户快速做出抉择,推荐算法显得十分重要。传统的协同过滤算法没有考虑到用户的兴趣是随时间而变化的。文章首先在传统的协同过滤算法的基础上构建时间变化函数,对用户以往的评分数据,对数据做时间加权,提高预测用户兴趣的能力。针对当前推荐算法都会遇到的评分稀疏性问题,文章提出了把基于时间权重的协同过滤算法与基于关联规则的推荐算法进行混合推荐,提高了算法的准确率。     

一种改进相似度计算方法的协同过滤推荐算法

由于新用户和新项目的不断加入,传统的协同过滤推荐算法存在冷启动问题。针对该问题,提出了一种改进相似度计算方法的协同过滤推荐算法。首先根据项目的属性特征,计算项目的属性相似性,然后根据项目的用户评分,计算项目的得分相似性,按一定的权重比例将两种相似性组合起来作为最终的项目相似性。最后,根据项目相似性计算目标项目的邻居项目集,根据邻居项目集预测目标项目的用户评分。实验结果表明,新算法能提高推荐精度,并能在一定程度上解决冷启动问题。     

融合内容表示的度量排序学习推荐模型

融合内容语义信息的推荐模型可以有效缓解音乐推荐系统中的数据稀疏性和冷启动问题.然而,这些模型是通过最小化预测评分误差学习用户与音乐的全局关系,忽略了用户和音乐隐式特征的细粒度差异.此外,内容语义特征是以推荐任务无关的无监督学习方式提取的,从而导致不精确推荐.为此,本文提出了融合内容表示的度量排序学习推荐模型,该模型是以个性化排序最优化为目标的概率图模型,利用度量学习从全局和细粒度层面挖掘用户音乐偏好.为了解决冷启动推荐问题,本文建立了与推荐任务相关的监督学习策略训练内容语义特征提取模型.在KKBOX和MIGU数据集上的实验结果表明,提出的模型显著提升了冷启动音乐推荐的效果,在不同稀疏度数据集上的鲁棒性得到了显著增强.     

基于置信用户偏好模型的电视推荐系统

基于用户偏好的电视节目个性化推荐是一种内容的推荐算法。其中用户偏好的不确定性和描述上的模糊性是用户模型建立的难点。在此首先通过对样本用户过往观看记录数据进行分析,发现用户偏好存在一定的时不变性。把偏好在一定时间内不发生变化的用户称作置信用户,在这个基础上,建立基于节目特征向量空间的用户偏好模型,并提出基于用户偏好度模型的推荐算法。该算法通过用户观看视频的历史记录得到用户的偏好模型,并基于该偏好模型向用户推荐节目。仿真实验证明了算法的收敛性和有效性。     

网络电视推荐系统框架及协同过滤算法的研究

针对网络电视推荐系统中通常采用的协同过滤推荐算法的不足,提出了一种将聚类、用户相似—信任关系和项目属性关系相组合的协同过滤推荐技术.该组合推荐技术首先通过聚类分析缩小用户的有效搜索范围,其次通过引入信任关系来提高推荐的准确性,从而为目标用户提供更好的推荐结果.经过实验表明,该算法提高了推荐质量.     

一种融合用户偏好和社交活跃度的推荐算法

为有效解决传统推荐算法精度低的问题,提出了一种融合用户偏好和社交活跃度的概率矩阵分解推荐算法(Probabilistic Matrix Factorization Recommendation Algorithm Combining User Prefer-ence and Social Activity,UPSA-P...     

新媒体背景下电视节目包装的策略探析

随着新媒体时代的到来,电视频道的竞争日渐激烈.作为电视频道的核心内容,电视节目应做到与时俱进,结合新媒体时代背景不断改进与创新电视节目包装,以提升包装的质量.基于此,简述电视节目包装的内涵与原则,阐述新媒体背景下电视节目包装的意义,并对新媒体背景下如何进行电视节目包装给出策略建议.     

新媒体环境下电视新闻节目策划探究

电视新闻节目是电视节目类型中的一个重要组成部分,人们通过不同类型的电视新闻节目可以获取国内外的新闻资讯。如今随着新媒体的不断发展,传统意义上的电视新闻节目受到了一定的冲击,人们获取信息的渠道越来越多,形式也多种多样。面对新媒体带来的巨大冲击,电视新闻节目也面临极大的挑战,为此主要围绕新媒体环境下的电视新闻节目策划展开探究。     

Social recommendation algorithm fusing user interest social network

Using the social information among users in recommender system can partly solve the data sparsely problems and significantly improve the performance of the recommendation system. However, the recommendation systems which using the users' social information have two main problems: the explicit user social connection information is not always available in real-world recommender systems, and the user social connection information is directly used in recommender systems when the user explicit social information is available. But as we know that the user social information is not all based on user interest, so this can introduce noise to the recommender systems. This paper proposes a social recommender system model called interest social recommendation (ISoRec). Based on probability matrix factorization (PMF), the model addresses the problems mentioned above by combining user-item rating matrix, explicit user social connection information and implicit user interest social connection information to make more accurately recommendation. In addition, the computational complexity of our algorithm is linear with respect to the number of observed data sets used in this algorithm, and can scalable to very large datasets.     

基于收视行为的互联网电视节目流行度预测模型

准确预测节目流行度是互联网电视节目系统设计与优化所要解决的关键问题之一。针对现有预测方法存在模型训练时间长、样本数量多、且对突发热点节目流行度预测效果差等问题,该文测量了某互联网电视平台280万用户的60亿条收视行为数据,采用行为动力学分类方法将节目流行度演化过程分为内源临界、内源亚临界、外源临界和外源亚临界4种类型,运用双种群粒子优化的最小二乘支持向量机对每种类型分别构建了一种互联网电视节目流行度预测模型BD3P,并将BD3P模型应用于实际数据测验。实验结果表明,与现有其他方法相比,BD3P模型预测精度可提升17%以上,并能有效缩短预测周期。     

Joint recommendation algorithm based on tensor completion and user preference

Aiming at the problem that existing recommendation algorithms have little regard for user preference,and the recommendation result is not satisfactory,a joint recommendation algorithm based on tensor completion and user preference was proposed.First,a user-item-category 3-dimensional tensor was built based on user-item scoring matrix and item-category matrix.Then,the Frank-Wolfe algorithm was used for iterative calculation to fill in the missing data of the tensor.At the same time,a user category preference matrix and a scoring preference matrix were built based on the 3-dimensional tensor.Finally,a joint recommendation algorithm was designed based on the completed tensor and the two preference matrices,and the differential evolution algorithm was used for parameter tuning.The experimental results show that compared with some typical and newly proposed recommendation algorithms,the proposed algorithm is superior to the compare algorithms,the precision is improved by 1.96% ~ 3.44% on average,and the recall rate is improved by 1.35%~2.40% on average.     

基于深度学习的混合兴趣点推荐算法

针对现有兴趣点推荐的初始化和忽视评论信息语义上下文信息的问题,将深度学习融入推荐系统中已经成为兴趣点推荐研究的热点之一。该文提出一种基于深度学习的混合兴趣点推荐模型(MFM-HNN)。该模型基于神经网络融合评论信息与用户签到信息来提高兴趣点推荐的性能。具体地,利用卷积神经网络学习评论信息的特征表示,利用降噪自动编码对用户签到信息进行初始化。进而,基于扩展的矩阵分解模型融合评论信息特征和用户签到信息的初始值进行兴趣点推荐。在真实签到数据集上进行实验,结果表明所提MFM-HNN模型相比其他先进的兴趣点推荐具有更好的推荐性能。

     

基于校园网的电视直播系统的设计与实现

从流媒体技术的原理出发,采用流媒体点播服务器Windows Media Server以及IIS WEB服务器设计了一种基于校园网的电视直播系统,利用Dreamweaver、Flash等工具软件和HTML语言开发出了用户客户端WEB界面,并组建了服务器,在校园网络上实现了电视节目的在线直播,校园网用户可以通过Internet运用系统播放器Media Player收看电视节目。