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。     

基于注意力增强的热点感知新闻推荐模型

完全个性化的新闻推荐工作通常只基于用户兴趣，可能会导致推荐结果与点击过的内容过于相似甚至重复.事实上即使一些热点新闻并不完全符合用户兴趣，用户也可能希望点击类似的新闻.目前基于热点的新闻推荐方法不能很好挖掘潜在新闻的热点特征、灵活平衡用户兴趣和热点特征.本文提出一种新颖的注意力增强的热点感知新闻推荐模型（Hotspot-aware Attention enhaNced model,HAN），充分利用注意力网络和自注意力网络等深度神经网络的优势，在个性化推荐中将个性化兴趣与新闻热点性进行更好平衡与利用.该模型包括新闻编码器、热点特征提取器、用户兴趣提取器和点击预测器四个组件.提出一个热点特征提取器，使用注意力网络动态聚合热点新闻学习热点表示以更好挖掘热点特征；提出一个新颖的点击预测器来灵活融合热点特征、用户兴趣和候选新闻，以提升候选新闻的点击预测准确率.真实数据集上的实验表明HAN模型在AUC(Area Under the Curve of ROC)和F1两项指标上分别提升了7.51%和8.63%，且能够有效缓解用户冷启动问题.     

基于上下文相似度和社会网络的移动服务推荐方法

针对传统的基于协同过滤的移动服务推荐方法存在的数据稀疏性和用户冷启动问题,提出一种基于上下文相似度和社会网络的移动服务推荐方法(Context-similarity and Social-network based Mobile Service Recommendation,CSMSR).该方法将基于用户的上下文相似度引入个性化服务推荐过程,并挖掘由移动用户虚拟交互构成的社会关系网络,按照信任度选取信任用户;然后结合基于用户评分相似度计算发现的近邻,分别从相似用户和信任用户中选择相应的邻居用户,对目标用户进行偏好预测和推荐.实验表明,与已有的服务推荐方法TNCF、SRMTC及CF-DNC相比,CSMSR方法有效地缓解数据稀疏性并提高推荐准确率,有利于发现用户感兴趣的服务,提升用户个性化服务体验.     

基于WEB挖掘的关联推荐算法

通过Web挖掘分析用户需求,利用关联规则实现Web个性化,向用户提供个性化服务已经成为当今Web技术的研究热点.文中根据网络教学系统的个性化需求,针对Web个性化推荐算法及其改进算法中存在的问题,提出一种结合网站结构和内容挖掘的个性化关联规则的推荐算法.离线生成频繁访问路径聚集图,在线结合网站结构,动态地向用户进行在线推荐.并对改进后的算法进行仿真测试,实验表明改进算法可以更加节约存储空间,提高推荐准确率和覆盖率.     

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.     

直播电视推荐系统的评分预测算法研究

伴随电视频道的不断增加,推荐系统在直播电视领域应用成为研究热点.然而,直播电视独特的播放和收视方式使得传统的VOD（Video On Demand）推荐系统无法直接应用,已有的推荐频道的方法不关注正在播出的节目状态从而影响了推荐准确率,而推荐节目的方法难以应对节目冷启动.为此,本文提出了一种融合频道推荐和节目推荐的评分预测算法OFAP（Over the First by Adding Preference）.首先,利用聚类方法对每个用户实现差异性的收视时段划分,构建他们的频道-时段偏好矩阵和预推荐评分权重矩阵;其次,提出一个评分替代策略使得已有的推荐节目的算法能够应对节目冷启动,从而实现预推荐;最后,通过融合用户偏好、预推荐评分权重与预推荐结果,构建评分预测函数,将预推荐算法的评分预测结果作为评分预测函数的训练样本.实验表明,采用Precision@N和Recall@N作为评价标准,本文所提方法OFAP明显优于对比算法.     

基于随机游走和多样性图排序的个性化服务推荐方法

针对传统服务推荐算法由于数据稀疏性而导致推荐准确性不高,以及推荐结果缺乏多样性等缺陷,提出基于随机游走和多样性图排序的个性化服务推荐方法（PRWDR）.在分析直接相似关系稀疏性的基础上提出带权重的随机游走模型,通过在用户网络上进行随机游走来挖掘更多的相似关系;基于所有相似用户预测服务的QoS值,并给出服务图模型构建方法,以过滤大量性能过低的候选服务;提出最优节点集合选取策略,利用贪婪算法得到兼具推荐准确性和功能多样性的服务推荐列表.在公开发布的数据集上进行实验,并与多个经典算法进行比较,验证了本算法的有效性.     

基于用户的协同过滤推荐算法研究及应用

随着互联网技术飞速发展,信息过载问题日益严重,对个性化推荐系统的研究已成必然趋势。为了提高传统协同过滤算法的准确性,本文提出基于人口统计与惩罚函数的协同过滤算法,先引入惩罚函数缓解传统推荐算法的数据稀疏性问题,再引入人口统计信息来进一步减少数据稀疏性问题对预测结果带来的影响,从而提高预测的准确性。实验验证表明,提出的改进算法能有效提高协同过滤算法预测的准确率。     

基于隐式反馈数据的个性化游戏推荐

现有推荐系统通常采用评分、评论等显式反馈数据实现个性化推荐.然而,显式反馈数据由于在实际中难以获取或因质量问题而往往变得不可用,从而导致相关推荐算法的应用范围受到很大限制.与此相反,诸如点击行为、浏览记录等隐式反馈数据在现实中大量存在.本文提出了一种面向游戏玩家的基于隐式反馈数据的游戏推荐方法.该方法综合考虑了玩家操作次数、操作时长等隐式反馈数据及其时效性,构建了基于伪评分的玩家对游戏的偏好模型,而后通过改进了的SVD++（Singular Value Decomposition++）算法实现个性化游戏推荐.在大规模真实数据集上的实验结果表明本文提出的方法具有更高的推荐精确率和召回率.     

基于Web挖掘的关联推荐算法研究

对用户需求的分析中使用Web挖掘,其中Web个性化的实现使用的是关联规则,这一规则能够为用户提供个性化服务,并且成为Web技术的研究热点。本文以网络教学系统为案例,来对Web挖掘的关联推荐算法进行探讨。内容主要涉及到Web数据挖掘技术、关联推荐算法的思路、算法分析。     

基于社会网络面向个性化需求的可信服务推荐

在当前服务计算和社会计算背景下,针对难以获取满足用户个性化需求的可信Web服务问题,给出基于社会网络面向个性化需求的可信Web服务推荐模型;设计用户个性化功能需求分解与匹配算法,并利用语义词典提高功能需求语义匹配的准确性;基于个性化功能需求、社会网络节点信任度及服务信任度,设计了一种满足用户个性化需求的可信服务推荐算法,通过对社会网络节点之间、节点与服务之间的信任相关性进行分析,提高服务协同可信推荐性能。算法分析及实验结果表明该方法是有效和可行的。     

支持冷启动用户推荐的区块链服务发布方案

为解决现有的发布系统容易受到篡改,以及很难向新加入系统的"冷启动"用户推荐服务信息的问题,提出了一种支持冷启动用户推荐的区块链服务发布方案.将单个辅助域的潜在特征映射模型扩展到2个辅助域,为目标域中的冷启动用户进行更为精确的推荐.将微服务架构和区块技术相结合,确保系统可扩展性、可靠性和安全性.在亚马逊交易数据中提取的3...     

Trust expansion and listwise learning-to-rank based service recommendation method

In view of the problem of trust relationship in traditional trust-based service recommendation algorithm,and the inaccuracy of service recommendation list obtained by sorting the predicted QoS,a trust expansion and listwise learning-to-rank based service recommendation method (TELSR) was proposed.The probabilistic user similarity computation method was proposed after analyzing the importance of service sorting information,in order to further improve the accuracy of similarity computation.The trust expansion model was presented to solve the sparseness of trust relationship,and then the trusted neighbor set construction algorithm was proposed by combining with the user similarity.Based on the trusted neighbor set,the listwise learning-to-rank algorithm was proposed to train an optimal ranking model.Simulation experiments show that TELSR not only has high recommendation accuracy,but also can resist attacks from malicious users.     

自适应推荐算法在电子超市个性化服务系统中的应用研究

为了满足电子超市中用户的个性化的服务需求，提出并实现了一种基于支持向量机的自适应推荐算法。首先，将用户模型按照层次化方式组织成领域信息和原子需求信息，考虑多用户同类信息需求。采用支持向量机对领域信息节点中的原子需求信息进行分类协同推荐，然后在针对每一领域信息节点中的原子信息需求进行基于内容的过滤。该算法克服了分别采用协同推荐和基于内容的推荐单一方法的缺点，大大提高了信息的查准率和查全率，尤其适合大规模用户群的信息推荐。该算法用于基于电子超市的个性化推荐服务系统（PRSSES）中，结果表明是有效的。     

User Friendly Preferential Private Recommendation

To provide preferential protection for users while keeping good service utility, a preferential private recommendation framework ( named as PrefER) is proposed. In this framework, a preferential budget allocation scheme is designed and implemented at the system side to provide multilevel protection. And users' preference is utilized at the user side to improve recommendation performance without increasing users' burden. This framework is generic enough to be employed with other schemes. Recommendation accuracy based on the MovieLens dataset by the collaborative filtering schemes and PrefER are compared and analyzed. The experimental results show that PrefER can provide preferential privacy protection with the improvement of recommendation accuracy.     

BPR-UserRec:a personalized user recommendation method in social tagging systems

Social tagging is one of the most important characteristics of Web 2.0 services, and social tagging systems (STS) are becoming more and more popular for users to annotate, organize and share items on the Web. Moreover, online social network has been incorporated into social tagging systems. As more and more users tend to interact with real friends on the Web, personalized user recommendation service provided in social tagging systems is very appealing. In this paper, we propose a personalized user recommendation method, and our method handles not only the users’ interest networks, but also the social network information. We empirically show that our method outperforms a state-of-the-art method on real dataset from Last.fm dataset and Douban.     

基于ALS协同过滤及频繁项挖掘的混合推荐算法

在信息技术日益发展的当下,不同类型的推荐算法在互联网行业的各领域有着广泛的应用。在目前使用较多的推荐算法中,部分侧重于基于评分的预测,也有部分是基于关联排序生成的推荐序列。本文设计一种混合推荐算法,将交替最小二乘法(ALS)计算的具体评分与Fp-growth的置信度相结合,融合两种算法的优势,从而实现推荐结果优化。基于Spark计算框架的实验表明,在选取合适的算法参数的情况下,这种改进的算法与交替最小二乘法(ALS)的原始结果相比,效率有较明显的提高,能够更准确的为用户做出个性化推荐。