融合学术水平相似性的合作者推荐模型

合作者推荐工作对科学研究的发展和科技成果的转化很有帮助,然而学者间水平的差距严重影响了合作的建立。模型从学者间学术水平差距,合作网络的拓扑距离以及研究兴趣三个角度进行合作者推荐。首先,定义了学者—学者、学者—主题、学者—水平标签三种网络,并融合成主题—学者—水平标签图;之后对该图中的边赋权重,从而将合作者推荐任务转换为链路预测问题;最后使用偏向重启随机游走算法计算学者间的访问概率,并筛选访问概率大的学者作为推荐建议。在三个数据集上的实验表明,模型在推荐的准确率、召回率、F1指数上平均提高了5.4%、2.7%、3.8%,同时目标学者与推荐学者的学术水平匹配度更高。     

网络号百用户兴趣模型挖掘算法

为了实现在线推荐信息服务,要对网络号百用户的访问行为进行分析,荻取用户访问聚类模型,从而在聚类模型的基础上进行在线推荐.介绍获取用户访问路径信息的方法,对用户访问路径信息建立相似度矩阵,基于相似度矩阵改进K-means算法,据此进行用户模型聚类,给出分析案例,并说明算法实现过程.     

融合作者合作强度与研究兴趣的合作者推荐

合作者推荐是科研社交网络中的一个重要应用,为科研人员推荐适合的合作者有利于增强学术合作、提升作者的合作交流。为此,提出CRISI方法,从而有效地推荐与待推荐作者合作强度高且研究兴趣比较相似的同行,并且还考虑了作者间的合作强度（结构）、研究兴趣（属性）相似度和待推荐作者形成的社区紧密程度等信息。具体地,首先,基于作者与文献的关系构建作者合作关系属性图;然后,计算作者合作强度与研究兴趣相似度并据此构建双加权网络;再次,探测影响力高且合作强度大的作者节点作为种子;最后,设计分数k-core社区搜索方法找到与待推荐作者合作关系紧密的社区。实验结果表明,CRISI方法相比现有方法获得了显着的性能提升。     

基于用户偏好的信任网络随机游走推荐模型

为了提高推荐算法评分预测的准确度,解决冷启动用户推荐问题,在TrustWalker模型基础上提出一种基于用户偏好的随机游走模型——PtTrustWalker。首先,利用矩阵分解法对社会网络中的用户、项目相似度进行计算;其次,将项目进行聚类,通过用户评分计算用户对项目类的偏好和不同项目类下的用户相似度;最后,利用权威度和用户偏好将信任细化为不同类别下用户的信任,并在游走过程中利用信任用户最高偏好类中与目标物品相似的项目评分进行评分预测。该模型降低了噪声数据的影响,从而提高了推荐结果的稳定性。实验结果表明,PtTrustWalker模型在推荐质量和推荐速度方面相比现有随机游走模型有所提高。     

基于蜂群K-means聚类模型的协同过滤推荐算法

针对目前协同过滤推荐算法的推荐质量和推荐效率低的问题,提出了一种基于改进蜂群K-means聚类模型的协同过滤推荐算法。首先,根据用户属性信息,采用改进蜂群K-means算法对用户进行聚类,建立用户聚类模型;然后,计算目标用户与用户聚类模型中各聚类中心的距离,其中距离最近的类为目标用户的检索空间;最后,从检索空间中依据用户-项目评分矩阵通过相似度计算搜索目标用户的最近邻居,由最近邻居的信息产生推荐列表。实验结果表明,该算法降低了平均绝对误差值,缩短了运行时间,提高了推荐质量和推荐效率。     

融合用户特征优化聚类的协同过滤算法

针对推荐系统领域中应用最广泛的协同过滤推荐算法仍伴随着数据稀疏性、冷启动和扩展性问题,基于用户冷启动和扩展性问题,提出了基于改进聚类的PCEDS(pearson correlation coefficient and euclidean distance similarity)协同过滤推荐算法。首先针对用户属性特征,采用优化的K-means聚类算法对其聚类,然后结合基于信任度的用户属性特征相似度模型和用户偏好相似度模型,形成一种新颖的PCEDS相似度模型,对聚类结果建立预测模型。实验结果表明:提出的PCEDS算法比传统的协同过滤推荐算法在均方根误差(RMSE)上降低5%左右,并且推荐准确率(precision)和召回率(recall)均有明显提高,缓解了冷启动问题,同时聚类技术可以节省系统内存计算空间,从而提高了推荐效率。     

基于用户聚类的异构社交网络推荐算法

相比传统的社交网络,基于弱关系的微博类社交网络具有显著的异构特征.根据特征可以将节点分为用户(消息订阅者)和主题(消息发布者)两类,面向用户推荐其感兴趣的主题成为了该类社交网络中推荐系统的主要目标之一,同时该类社交网络中普遍存在的数据稀疏性和冷启动现象成为了推荐系统面临的主要问题.文中提出一种基于两阶段聚类的推荐算法GCCR,将图摘要方法和基于内容相似度的算法结合,实现基于用户兴趣的主题推荐.与以往方法相比,该方法在稀疏数据和冷启动的情况下具有更好的推荐效果,此外,通过对数据集进行大量的离线处理,使得其较以往推荐方法具有更好的在线推荐效率.最后通过真实社交网络的数据对本方法进行了验证,同时分析了各参数对推荐效果的影响.     

基于用户相似度和信任度的药品推荐算法

为了解决协同过滤算法推荐精度低的问题,提出基于用户相似度和信任度的药品推荐算法。该方法通过离线使用DBSCAN算法对药品进行聚类来降低时间复杂度。引入共同评分药品阈值使用户相似度计算更准确,同时设置相似度阈值来限定相似性邻居的选取以克服KNN算法选取邻居的缺陷。根据用户的推荐可信度和评分可信度建立信任计算模型,计算基于相似邻居集的可信邻居集。通过两次邻居选择策略为目标用户产生药品推荐。仿真结果表明,该算法与其他算法相比在平均绝对误差、准确率和召回率上有更好的性能,提高了系统推荐精度。     

基于情境相似度和二次聚类的协同过滤推荐算法

随着移动互联网规模的不断扩大,传统推荐系统因较少考虑多种情境因素和用户置信度对用户偏好预测的综合影响,造成了推荐算法预测结果的偏差。针对此问题,将情境信息引入个性化推荐的过程中,提出一种基于情境相似度和二次聚类的协同过滤算法。该算法首先根据用户情境的相似度对用户进行初始聚类,再基于评分矩阵计算用户评分置信度,将用户分为核心用户和非核心用户;然后根据核心用户评分对初始聚类的簇心进行调整,并对簇中非核心用户进行重聚类,形成新的聚簇;最终根据情境相似度对用户偏好进行预测。该算法可以在一定程度上降低评分矩阵中的噪点对聚类结果的影响,提高了推荐结果的准确性。基于实际数据集的仿真实验表明,该算法与传统协同过滤算法相比能够有效提高用户偏好预测的准确性,增加协同过滤推荐算法的精确度。     

基于标签相似度计算的学术圈构建方法

为面向学者的社交网络系统中的用户构建学术圈,对促进学者之间的交流具有重要的应用价值。根据学者之间的共同属性进行相似度计算,形成学术领域相似和研究课题相近的学术圈,能让学者们更加紧密和频繁地协同合作。提出了利用学者的学术信息提取代表个人特征的学术标签,并对不同类别标签的权重进行衡量,再通过相似度计算和聚类算法构建学术圈的方法。通过抓取学者社交网络平台SCHOLAT公开的学者信息进行实验,进而验证所提方法的可靠性和实用性。     

学术社交网络中的权威学者推荐模型

目前，学术社交网络平台存在的信息过载和信息不对称等问题导致学者特别是影响力低的学者很难找到自己感兴趣的内容，同时，学术社交网络中影响力大的学者对学术社区的形成具有一定的促进作用并且对影响力低的学者的科学研究具有一定的导向作用，因此提出一种融合学术社区检测的权威学者推荐模型（ISRMACD）来为学术社交网络中的低影响力学者提供推荐服务。首先，利用影响力大的学者圈作为社区的核心结构对学术社交网络中学者间的关系纽带——好友关系所产生的复杂网络拓扑关系进行学术社区检测；然后，对社区内的学者计算影响力，并实现社区内部的权威学者推荐服务。在学者网数据集上的实验结果表明，该推荐模型在不同的权威学者推荐数量下均取得了较高的推荐质量，并且每次推荐10名权威学者取得的推荐精度最高，达到70%及以上。     

学术社交网络中的权威学者推荐模型

目前，学术社交网络平台存在的信息过载和信息不对称等问题导致学者特别是影响力低的学者很难找到自己感兴趣的内容，同时，学术社交网络中影响力大的学者对学术社区的形成具有一定的促进作用并且对影响力低的学者的科学研究具有一定的导向作用，因此提出一种融合学术社区检测的权威学者推荐模型（ISRMACD）来为学术社交网络中的低影响力学者提供推荐服务。首先，利用影响力大的学者圈作为社区的核心结构对学术社交网络中学者间的关系纽带——好友关系所产生的复杂网络拓扑关系进行学术社区检测；然后，对社区内的学者计算影响力，并实现社区内部的权威学者推荐服务。在学者网数据集上的实验结果表明，该推荐模型在不同的权威学者推荐数量下均取得了较高的推荐质量，并且每次推荐10名权威学者取得的推荐精度最高，达到70%及以上。     

基于BERT的学术合作者推荐研究

学术合作者推荐是学术大数据的一个有效应用。但是现存的方法忽略了学术研究者和研究主题间的上下文关系,因此不能推荐合适的合作者。该文提出了基于BERT的合作者推荐(BACR),旨在推荐高潜力的合作者以达到研究者的要求。为此,设计了一个新的推荐框架,它有两个基本组成部分:BERT(bidirectional encoder representations from transformers)预训练语言模型和逻辑回归模型(LR)。其中,BERT将研究者和研究主题联合表示得到句子层面的具有上下文关系的特征向量表示。LR将BERT输出的特征向量作为输入得到该样本为正类的概率,最后输出概率最大的前K个合作者信息。通过与基于Network Embedding的SDNE和TSE算法的对比实验,结果表明充分考虑了研究者和研究主题间的上下文关系的BERT模型得到了更好的特征向量表示,提高了合作者推荐的准确率。     

AC-Rec:基于多维特征的科研合作者推荐方法

社交网络平台科研工作者数量的急剧增多使得寻找与自己兴趣相近的科研合作者变得十分困难。本文提出一种在ResearchGate平台下基于多维特征的科研合作者推荐方法。该方法结合科研工作者之间论文的文本相似度、社交关联度和自身活跃度3个维度来度量关联关系,并利用多层感知机构建推荐模型进行Top-N推荐。其中文本相似度利用Doc2Vec文本深度表示模型来计算,社交关联度利用基于图的随机游走算法来计算。实验结果显示AC-Rec优于已有的基于ResearchGate的科研合作者推荐方法,当N为30时命中率达到53.90%,能够有效地推荐潜在的科研合作者。     

非对称异构信息网络的模糊推荐算法

传统的协同过滤推荐算法存在普遍的数据稀疏性问题;应用于推荐算法领域的异构信息网络模型对对象的相似关系认定通常是对称的,这种对称关系的认定在实际问题的处理中存在局限性。为解决上述问题,提出一种非对称异构信息网络的模糊推荐算法。该算法利用模糊集理论在处理用户喜好程度方面的优势,从模糊的信息种获取用户的准确偏好,根据异构信息网络中元路径的丰富语义信息,获取不同角度的用户关联,在相似度计算中引入对象关系的非对称系数,对不同特征元路径的计算结果进行加权,以此提高用户之间相似关系的准确度,通过矩阵分解的方法实现评分预测。实验结果表明,该算法有效解决了数据稀疏性问题,提升了推荐精度。     

基于条件型游走二部图协同过滤算法

针对拥有少量评分的新用户采用传统方法很难找到目标用户的最近邻居集的问题,本文提出了一种条件型游走二部图协同过滤算法。该算法根据复杂网络理论的二部图网络,将用户-项目评分矩阵转换为用户-项目二部图,采用了条件型游走计算目标用户与其他用户之间的相似性。研究结果表明在同样的数据稀疏性情况下,本文提出的条件型游走二部图协同过滤算法在MAE和准确率都要优于其他两种传统的协同过滤算法,从而提高了算法的推荐精度;而且当训练值的比例很低时,即数据稀疏程度越大时,本文提出的推荐算法的对推荐质量的提高程度越大。     

融合协同过滤和主题模型的弹幕视频推荐算法

针对弹幕视频网站通常不为用户提供评分功能并且使用弹幕池策略以降低存储压力导致的缺少用户评分和无法准确建模用户主题的问题,提出融合主题模型和协同过滤的弹幕视频推荐算法（DRCFT）。首先根据用户行为构造隐式评分矩阵,并得到项目评分相似度;其次建立LDA主体模型,生成项目主题,计算项目主题相似度;再加权生成综合项目相似度,由此结合评分矩阵计算用户—项目预测评分;然后对项目主题相似度矩阵进行sigmoid惩罚,结合用户历史记录得到用户—项目主题相似度;最后将用户—项目主题相似度作为权重,与预测评分相乘,得到最终的预测评分。对比实验表明,该算法能够得到合理的推荐结果,提高推荐的准确性。     

融合社交关系与地理信息的兴趣点推荐模型

基于LBSN的兴趣点推荐存在用户签到矩阵稀疏、推荐精度不高、上下文信息利用不充分等问题,提出一种融合社交信任的矩阵分解算法TGMF（Trust-Geo?Matrix?Factorization）来缓解以上问题。利用BPR模型优化矩阵分解的过程,改进偏序关系的生成策略。把信任影响和相似度计算相结合,提高推荐精度。融合两种模型得到用户的最终偏好列表。把偏好列表中的top-[k]个兴趣点推荐给用户。实验结果表明,在真实数据集Gowalla和Foursquare上,TGMF算法在准确率和召回率两个指标上均优于传统的兴趣点推荐算法。