基于评分差异度和用户偏好的协同过滤算法

针对传统协同过滤推荐算法仅通过使用用户评分数据计算用户相似度以至于推荐精度不高的问题,提出一种改进的协同过滤推荐算法。首先,以用户评分的平均值作为分界点得出用户间的评分差异度,并将其作为权重因子计算基于评分的用户相似度;其次,依据用户项目评分和项目类别信息挖掘用户对项目类别的兴趣度以及用户项目偏好,并以此计算用户偏好相似度;然后,结合上述两种相似度加权产生用户综合相似度;最后,融合传统项目相似度和用户综合相似度进行评分预测及项目推荐。实验结果表明,相对于传统的基于用户评分的协同过滤推荐算法,所提算法在数据集下的平均绝对误差值平均降低了2.4%。该算法可在一定程度上提高推荐算法精度以及推荐质量。     

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。     

基于用户多样性偏好的top-N推荐算法

传统推荐算法主要关注推荐准确性,而用户对项目的不同偏好和多样性需求也影响着用户体验和满意度。针对该问题,提出了一种新的算法,在计算项目相似度时结合了用户对不同项目的评分差异,以此可以提高项目相似度计算的准确性,根据用户历史评分数据和项目类别数据得到用户-类别权重矩阵,一方面以此计算基于熵的多样性,另外根据用户对项目的兴趣计算公式,生成一个降序排列的初始推荐序列,根据用户偏好误差门限,并结合用户-类别权重矩阵实现基于用户偏好的推荐,最终生成[N]个推荐的项目,同时保证准确率和多样性的前提下,提高用户满意度。在数据集movielens的多个版本上,与多个经典算法比较,实验结果表明,提出的算法可以有效提高推荐精度和用户满意度。     

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。     

融合短文本层级注意力和时间信息的推荐方法

信息过载造成的数据稀疏性问题制约着基于评分数据的矩阵分解模型的推荐性能,融合评论文本的推荐模型能够有效缓解评分数据稀疏性.当前的推荐系统利用评论文本为用户和项目建模时,大多仅将用户对项目的评论作为数据来源,而忽视了时间信息对用户和项目属性的影响.针对此问题,提出了一种融合短文本层级注意力和时间信息的推荐方法(RHATR),该方法能够充分地挖掘评论文本潜在的语义信息,并为用户偏好和项目特征的动态变化进行建模.通过对单条评论文本应用单词级注意力,挖掘单条评论文本中情感词和关键词等有效信息,学习用户和项目表示;对含有时间因素的用户评论集和项目评论集分别应用评论级注意力,提取有效的评论,进一步学习用户偏好和项目特征动态表示.将从评论文本中学到的用户和项目表示以及基于ID的项目和用户嵌入作为最终特征,来捕获各用户和项目的潜在因素.实验结果表明,提出的方法相对于当前基线方法在Amazon和Yelp数据集上的均方根误差(RMSE)取得了较好的效果.     

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...     

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.     

结合项目类别和动态时间加权的协同过滤算法

基于项目的协同过滤算法仅通过计算项目相似性产生推荐结果,忽略了项目类别信息对项目相似性的影响,且未考虑时间因素对推荐结果产生的影响。针对上述问题,引入项目类别相似性、用户兴趣度时间加权函数和项目流行度时间加权函数,提出结合项目类别相似性和动态时间加权的协同过滤推荐算法,包括将项目类别相似性引入到传统项目相似性计算中。分析用户兴趣度和项目受欢迎程度随时间动态变化对推荐结果产生的影响,构造基于时间的用户兴趣度加权函数和基于时间的项目流行度加权函数。实验结果表明,该算法的项目类别特征能够进一步提高项目相似性的精度,动态时间加权函数能够及时反映用户兴趣度和项目受欢迎程度的变化,提高推荐的准确度。     

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.     

智能空间中的用户饮食偏好获取与推荐系统

对用户饮食偏好获取技术进行研究,建立基于相似度的食物分类模型,在此基础上设计智能空间中的用户饮食偏好获取及饮食推荐系统。该系统通过压力传感器采集用户饮食数据,利用动态分割数据的方法获取用户饮食偏好上下文,根据食物分类模型进行饮食推荐。实验结果证明了该系统的有效性。     

Topic-tracking-based dynamic user modeling with TV recommendation applications

One of the challenging issues in TV recommendation applications based on implicit rating data is how to make robust recommendation for the users who irregularly watch TV programs and for the users who have their time-varying preferences on watching TV programs. To achieve the robust recommendation for such users, it is important to capture dynamic behaviors of user preference on watched TV programs over time. In this paper, we propose a topic tracking based dynamic user model (TDUM) that extends the previous multi-scale dynamic topic model (MDTM) by incorporating topic-tracking into dynamic user modeling. In the proposed TDUM, the prior of the current user preference is estimated as a weighted combination of the previously learned preferences of a TV user in multi-time spans where the optimal weight set is found in the sense of the evidence maximization of the Bayesian probability. So, the proposed TDUM supports the dynamics of public users’ preferences on TV programs for collaborative filtering based TV program recommendation and the highly ranked TV programs by similar watching taste user group (topic) can be traced with the same topic labels epoch by epoch. We also propose a rank model for TV program recommendation. In order to verify the effectiveness of the proposed TDUM and rank model, we use a real data set of the TV programs watched by 1,999 TV users for 7 months. The experiment results demonstrate that the proposed TDUM outperforms the Latent Dirichlet Allocation (LDA) model and the MDTM in log-likelihood for the topic modeling performance, and also shows its superiority compared to LDA, MDTM and Bayesian Personalized Rank Matrix Factorization (BPRMF) for TV program recommendation performance in terms of top-N precision-recall.     

基于协同过滤和隐语义模型的混合推荐算法

协同过滤算法一般根据用户的评价信息来推测用户的喜好,但受到数据稀疏问题的影响,很多时候无法得到较为理想的推荐结果;除此之外,一般协同推荐算法忽略了用户兴趣的动态变化;文中提出的算法主要融合了相似度传递、用户兴趣迁移、隐语义模型等用以解决上述问题。首先提出了基于项目相似度的协同推荐算法。该算法深入研究了改进的余弦相似度方法,在执行过程中首先需要对项目进行信任关系建模,基于此来传递相似度,然后将这两部分相似度关系进行加权得到新的项目相似关系,可以将其应用到项目的评分中。其次,提出了基于用户兴趣迁移的隐语义模型推荐算法。该算法引入时间函数,重构用户的兴趣模型,实现对传统模型的修正,然后再使用梯度下降法来求解。最后,采用线性融合的办法,将以上两种算法进行融合。实验对比结果表明,混合推荐算法的推荐准确率较原先的算法有了较大的提高,因为它可以对丢失的信息进行补充,对于用户兴趣的变化能够较好的适应,同时大大弱化了数据的稀疏导致的一系列负面影响。     

融合用户评分与显隐兴趣相似度的协同过滤推荐算法

协同过滤算法是推荐系统中使用最广泛的算法,其核心是利用某兴趣爱好相似的群体来为用户推荐感兴趣的信息。传统的协同过滤算法利用用户-项目评分矩阵计算相似度,通过相似度寻找用户的相似群体来进行推荐,但是由于其评分矩阵的稀疏性问题,对相似度的计算不够准确,这间接导致推荐系统的质量下降。为了缓解数据稀疏性对相似度计算的影响并提高推荐质量,提出了一种融合用户评分与用户显隐兴趣的相似度计算方法。该方法首先利用用户-项目评分矩阵计算用户评分相似度;然后根据用户基本属性与用户-项目评分矩阵得出项目隐性属性;之后综合项目类别属性、项目隐性属性、用户-项目评分矩阵和用户评分时间,得到用户显隐兴趣相似度;最后融合用户评分相似度和用户显隐兴趣相似度得到用户相似度,并以此相似度寻找用户的相似群体以进行推荐。在数据集Movielens上的实验结果表明,相比传统算法中仅使用单一的评分矩阵来计算相似度,提出的新相似度计算方法不仅能够更加准确地寻找到用户的相似群体,而且还能够提供更好的推荐质量。     

基于组合类别空间的随机游走推荐算法

传统的类别驱动方法只考虑类别间的关联或是将其组织成扁平或层次结构，而项目和类别对应关系复杂，其他信息容易被忽略。针对这个问题提出基于组合类别空间的随机游走推荐算法，更好地组织了项目类别信息、缓解了数据稀疏。首先，建立一个用哈斯图表示的项目组合类别空间，将项目和类别复杂的一对多关系映射成一对一的简单关系，并表示用户上下层次、同层次及跨层次的项目类别间的跳转；接着，定义组合类别空间的语义关系及链接、偏好两种语义距离，更好地定性、定量描述用户动态偏好的变化；然后，结合组合类别空间上用户浏览图的语义关系、语义距离、用户行为跳转、跳转次数、时序、评分等各种信息，利用随机游走建立用户个性化类别偏好模型；最后，根据用户个性化偏好完成基于用户的协同过滤项目推荐。在MovieLens数据集上的实验显示，与基于用户的协同过滤（UCF）、基于类别关联的推荐模型（UBGC和GENC）相比，所提算法推荐的F1-score提高了6~9个百分点，平均绝对误差（MAE）减小了20%~30%；与基于类别层次潜在因子模型（CHLF）相比，所提算法推荐的F1-score提高了10%。实验结果表明，所提算法在排序推荐上优于传统基于类别的推荐算法。     

基于多维度权重动态更新的用户兴趣模型

面向个性化电影推荐领域,提出一种基于多维度权重动态更新的用户兴趣模型。将电影分成演员、导演、类别、地区和时间5个维度,分别计算电影在这些维度上的相似度。采用归一化方法将电影之间的相似度转化为用户兴趣模型中的多维度权重,并应用TF-IDF算法计算各维度中特征词的权重,从而实现电影各维度权重及其特征词权重的动态更新。利用基于内容的推荐算法,在MovieLens数据集进行实验,结果表明,该模型具有较高的推荐准确率和召回率,并且能够发现用户对电影维度的偏好,解决用户兴趣漂移问题。     

用户兴趣变化和类别关联度的混合推荐算法

协同过滤算法是目前推荐系统中最普遍的个性化推荐技术。针对传统算法相似性度量方法不足的问题,提出了融合用户兴趣变化和类别关联度的混合推荐算法。算法根据用户的评分项目信息来对项目进行类别划分,挖掘出用户对不同类别项目的喜爱关注程度;同时将基于时间的兴趣度权重函数引入项目相似度计算之中来进一步提高计算的精确度,最后将改进后的相似度计算方法融入到用户聚类方法中,用户聚类之后,其所在的类别将对用户推荐准确度产生极大的作用。实验结果表明,在Movielens-1k数据集上运行该算法,该算法在运行效率和精确度上都有所提高。     

结合动态多类信息的兴趣点推荐

利用用户的历史签到数据的同时考虑用户的长期偏好和短期偏好已成为当今兴趣点（Point-of-Interest,POI）推荐的主流方法之一。然而,现有方法往往忽略了用户评论中隐含的用户偏好信息,忽视了不同用户在对长期偏好和短期偏好的依赖上所存在的差异性。针对上述局限,本文提出一种结合动态多类信息的兴趣点推荐方法DMGCR。首先,利用注意力机制捕获用户对不同兴趣点的关注程度,定量刻画用户对兴趣点的长期偏好。其次,将评论信息与已有的位置和类别信息相结合,并利用双向长短期记忆网络学习评论文本中隐含的语义特征,在捕获用户对兴趣点情感倾向的基础上准确刻画用户的短期偏好。最后,设计融合动态多类信息的用户偏好综合预测函数,实现下一个兴趣点推荐概率的定量计算。多个数据集上的实验结果验证了该方法在推荐性能上的有效性和优越性。     

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。