新闻推荐的多维兴趣模型与传播分析

如何将合适的信息推荐给合适的用户以满足用户的个性化需求,是推荐系统的基本问题。新兴的社会化推荐系统(social recommender system)通过兴趣相似的用户之间分享信息而达到个性化推荐的目的。使用多维兴趣向量刻画用户的兴趣,采用多智能体模型(multi-agent model)模拟,并引入用户和新闻的质量,分析了用户网络的结构特征以及质量因素对新闻推荐和传播的影响。实验结果表明:不同社区的主题不同,社区的中心用户兴趣专一,与社区的主题一致。此外,推荐中引入质量因素可以加快系统在高推荐成功率上的收敛速度,更能区分不同质量用户的粉丝数和不同质量新闻的传播深度与广度,增强了高质量用户和新闻的影响力,提高了系统中新闻推荐的专业水平。     

社会化推荐系统综述

推荐系统可以帮助网民从大量纷繁的信息中找到目标信息,能有效提高网民信息检索能力,然而推荐系统存在数据稀疏性、冷启动以及系统性能方面的问题。为解决这方面的问题,提出将社交关系应用于推荐系统,该方法是提高推荐准确性的一个重要途径,在多年的科研实践中取得了重要进展,因此该研究方向也日益成为众多学者关注的领域,有关这方面的研究也越来越活跃。通过对社会化推荐系统概念进行梳理,对社会化推荐系统与传统推荐系统进行比较,回顾总结了社会化推荐系统的研究现状,希望能从研究现状中找出新规律,寻求新的突破点,并对社会化推荐系统的发展趋势进行展望,以期对后来研究者有所帮助。     

基于位置的社会化网络推荐系统

近年来,基于位置的社会化网络推荐系统逐渐成为位置服务和社会网络分析的活跃课题之一.挖掘用户签到位置轨迹和社交活动数据,提取用户社会活动的地理空间特征模型及其与社会关系的关联性,设计合理的推荐算法,成为当前基于位置的社会化网络推荐系统的主要任务.该文从分析基于位置的社会化网络的结构特征人手,对基于位置的社会化网络推荐系统的基本框架、基于不同网络层次数据挖掘的推荐方法及应用类型等进行前沿概况、比较和分析.最后对有待深入研究的难点和热点进行分析和展望.     

Recommender Systems Research: A Connection-Centric Survey

Recommender systems attempt to reduce information overload and retain customers by selecting a subset of items from a universal set based on user preferences. While research in recommender systems grew out of information retrieval and filtering, the topic has steadily advanced into a legitimate and challenging research area of its own. Recommender systems have traditionally been studied from a content-based filtering vs. collaborative design perspective. Recommendations, however, are not delivered within a vacuum, but rather cast within an informal community of users and social context. Therefore, ultimately all recommender systems make connections among people and thus should be surveyed from such a perspective. This viewpoint is under-emphasized in the recommender systems literature. We therefore take a connection-oriented perspective toward recommender systems research. We posit that recommendation has an inherently social element and is ultimately intended to connect people either directly as a result of explicit user modeling or indirectly through the discovery of relationships implicit in extant data. Thus, recommender systems are characterized by how they model users to bring people together: explicitly or implicitly. Finally, user modeling and the connection-centric viewpoint raise broadening and social issues—such as evaluation, targeting, and privacy and trust—which we also briefly address.     

基于AntStream用户聚类的协同过滤推荐系统

系统规模的逐步扩大和用户兴趣的发展变化给传统协同过滤推荐系统带来了实时性减弱和准确性降低的问题。基于K—Means用户聚类的协同过滤技术虽然能在一定程度上解决这两个问题,算法本身却带有局部最优的缺陷。在保证实时性的前提下,为克服K—Means算法的缺陷,提出使用AntClass蚁群算法对用户聚类。同时提出将用户评分看作数据流,利用金字搭时间框架预处理数据,从而体现用户兴趣随时间的变化。于是,将AntClass蚁群算法和利用金字塔时间框架预处理过的数据流相结合,最终形成文中的AntStream算法。实验表明,AntStream算法不仅改善了传统协同过滤推荐系统的实时性问题,而且更大程度提高了推荐质量。     

Hybrid Recommender Systems: Survey and Experiments

Recommender systems represent user preferences for the purpose of suggesting items to purchase or examine. They have become fundamental applications in electronic commerce and information access, providing suggestions that effectively prune large information spaces so that users are directed toward those items that best meet their needs and preferences. A variety of techniques have been proposed for performing recommendation, including content-based, collaborative, knowledge-based and other techniques. To improve performance, these methods have sometimes been combined in hybrid recommenders. This paper surveys the landscape of actual and possible hybrid recommenders, and introduces a novel hybrid, EntreeC, a system that combines knowledge-based recommendation and collaborative filtering to recommend restaurants. Further, we show that semantic ratings obtained from the knowledge-based part of the system enhance the effectiveness of collaborative filtering.     

基于评论的隐式社交关系在推荐系统中的应用

传统推荐系统研究很少利用评论数据来提高推荐性能。评论数据富含用户对物品的评价观点,有助于建立用户间或物品间的关联。针对如何利用评论数据改善推荐效果,提出了一种基于评论的隐式社交矩阵分解模型。模型利用评论间的相似性构建用户间和物品间的隐式社交关系,并将该隐式关系集成到社交推荐框架中,改进了传统矩阵分解推荐模型。实验表明,基于评论数据的隐式社交关系在多个数据集上使传统矩阵分解算法的RMSE降低了约3%。特别是当系统面临用户冷启动困境时,即只有少量用户评分数据可被收集到时,推荐提升效果更为显著。这表明丰富的评论数据能够被转化为改善推荐系统的有用知识。     

基于深度学习的情境感知推荐系统研究进展

传统的推荐系统存在数据高度稀疏、冷启动及用户偏好建模难等问题,而把情境信息融入推荐系统中能有效缓解此类问题.深度学习技术已经成为人工智能领域研究热点,把深度学习应用在情境感知推荐系统当中,为推荐领域的研究带来新的机遇与挑战.本文从情境感知推荐系统相关概念出发,综合整理国内外研究相关文献,介绍深度学习技术融入情境感知推荐系统相关应用模型,提出了基于深度学习的情境感知推荐系统研究的不足以及对未来的展望.     

基于相似模式聚类的电子商务网站个性化推荐系统研究

保证个性化推荐系统产生高质量的推荐结果的重要因素是:系统必须要确定访问者在访问行为的相似程度,从而能预测访问者的访问和购买兴趣。实现此功能的关键技术是计算访问者对象在整个或者部分属性空间的相似距离,从而得到访问行为的相似程度。该文首先分析了目前在推荐系统中常用的用于计算访问行为相似程度的距离函数,发现它们是测定访问者对象在所有测试属性空间上的平均测定,而在属性集的子维空间上的相似模式并没有有效地挖掘出来。然后提出一种新的基于相似模式聚类算法的电子商务个性化推荐系统,综合考虑可供挖掘的数据源(如:网站内容,网站的超链接结构,顾客访问网站的行为,以及商业的实际购买情况,顾客的身份数据等)获取用户访问电子商务网站的访问页面序列,构建较高购买者的顾客行为的矩阵模型,高效地得到访问者对象在整个或者部分属性空间的相似访问行为,然后通过挖掘潜在购买者与较高购买者的相似模式特征,帮助顾客发现他所希望购买的产品信息,用于提高实际购买量,实验数据表明,该系统高效并可广泛使用。     

一种基于反馈模糊图论的视频多语义标注算法

为了弥补视频语义检索中视频底层特征与高层语义概念之间的“语义鸿沟”,提出了一种基于反馈模糊图论的视频多语义标注算法。该算法首先构造一个包括所有数据的时间和空间分布信息的小样本集,据此进行人工标注并将其作为训练集。然后将模糊算子引入图论中,将语义概念间的关系模糊化,以实现模糊推理。最后将标注完成的测试集中的样本加入到训练集中,以完成视频标注的反馈。实验结果表明,使用反馈的模糊图不仅可以很好地建立语义概念间的关系,还能提高视频标注的准确率,表现出良好的性能。     

基于矩阵分解的个性化推荐系统研究

随着社交网络的快速发展,用户在使用社交应用时会产生大量有价值的数据。通过对社交网络进行数据挖掘,发现隐藏在数据中关联用户与物品之间的偏好关系。然后对用户建模分析,选择合适的推荐引擎进行个性化物品推荐,这是一个非常有价值的研究方向。该文重点研究矩阵分解算法对处理大规模用户与物品评分矩阵的推荐效果,为了提高推荐的准确度展开了对用户社交关系和隐性反馈的研究,在组合预测模型中加入社交关系、人口统计学信息配置项、用户的消费记录等隐因子项,通过实验验证了扩展之后的混合预测模型在RMSE值上比SVD算法降低了0.259 475,在推荐性能有较大幅度的提高。     

知识驱动的推荐系统：现状与展望

个性化推荐系统能够根据用户的个性化偏好和需要,自动、快速、精准地为用户提供其所需的互联网资源,已成为当今大数据时代应用最广泛的信息检索系统,具有巨大的商业应用价值。近年来,随着互联网海量数据的激增,人工智能技术的快速发展与普及,以知识图谱为代表的大数据知识工程日益受到学界和业界的高度关注,也有力地推动推荐系统和个性化推荐技术也迈入到知识驱动与赋能的发展阶段。将知识图谱中蕴含的丰富知识作为有用的辅助信息引入推荐系统,不仅能够有效应对数据稀疏、语义失配等传统推荐系统难以避免的问题,还能帮助推荐系统产生多样化、可解释的推荐结果,并更好地完成跨领域推荐、序列化推荐等具有挑战性的推荐任务,从而提升各类实际推荐场景中的用户满意度。本文将现有融入知识图谱的各种推荐模型按其采用的推荐算法与面向的推荐场景不同进行分类,构建科学、合理的分类体系。其中,按照推荐方法的不同,划分出基于特征表示的和基于图结构的两大类推荐模型;按推荐场景划分,特别关注多样化推荐、可解释推荐、序列化推荐与跨领域推荐。然后,我们在各类推荐模型中分别选取代表性的研究工作进行介绍,还简要对比了各个模型的特点与优劣。此外,本文还结合当下人工智能技术和应用的发展趋势,展望了认知智能推荐系统的发展前景,具体包括融合多模态知识的推荐系统,具有常识理解能力的推荐系统,以及解说式、劝说式、抗辩式推荐系统。本文的综述内容和展望可作为推荐系统未来研究方向的有益参考。     

基于非均匀热扩散的交互式图像分割算法

交互式图像分割是图像分割中的重要分支,在现实生活和医学领域都有着广泛的应用.该文基于计算测地距离的热方法,引入了热扩散系数,提出了一种基于非均匀热扩散的交互式图像分割算法.该算法利用图像的颜色信息构造三角网格作为热扩散的媒介,首先由热方程找到距离增加的方向,再利用泊松方程还原测地距离.将前景中人工交互区域上的热流扩散速...     

社交网络环境下基于信任的推荐算法

现有的基于信任的推荐算法通常假设用户是单一和同质的,没有充分挖掘信任关系信息,且相似关系和信任关系的融合缺乏高效的模型,极大地影响了推荐的准确性和可靠性。本文提出一种基于信任的推荐算法。首先结合全局信任和局部信任,并利用信任的传播性质对信任关系进行建模,然后设置推荐权重,综合考虑相似度和信任度来构建用户间的偏好关系,筛选出邻居。接着将基于记忆的协同过滤思想和社交网络的信任关系融入概率矩阵分解模型,同时使用自适应权重动态决定各部分的影响程度,形成高效统一的可信推荐模型Trust-PMF。本文的算法在FilmTrust、Epinions这两个数据集上与相关算法做了对比验证,结果证实了此算法的高效性。     

基于粒子群算法的房产推荐系统

基于粒子群算法的房产推荐系统是一种智能化的推荐系统,利用这种演化算法并根据客户的要求快速搜索到最优的结果。论文主要介绍粒子群算法在该系统中的优点,并与其他算法的比较。另外还简单介绍了该系统的构成和功能。     

基于时空Transformer的社交网络信息传播预测

随着社交网络的日益普及和广泛应用,信息传播预测逐渐成为了社交网络分析领域的一个热点研究问题.之前大部分研究要么只利用信息传播序列,要么只利用用户之间的社交网络来进行预测,难以对信息传播过程的复杂性进行有效建模.此外,常用于信息传播预测的循环神经网络(recurrent neural network, RNN)及其变体难以有效捕获信息之间的相关性.为解决上述问题,提出了一个新的基于时空Transformer的社交网络信息传播预测模型STT.该模型首先构建由社交网络图和动态传播图组成的异构图并使用图卷积网络(graph convolutional network, GCN)来学习用户的结构特征;然后将用户的时序特征和结构特征放入到Transformer中进行融合来获取时空特征;为有效融合用户的时序特征和结构特征,提出了一种新的残差融合方式来替代Transformer中原有的残差连接;最后利用Transformer来进行信息传播预测.真实数据集上的大量实验验证了模型STT的有效性.     

基于进化计算理论的推荐系统算法设计

该文在分析推荐系统和进化计算理论的基础上,提出一种多目标优化思路,给出一种基于进化多目标优化的推荐系统算法。该算法同时考虑推荐的精确度和推荐的新颖度,既要保证精确率又要尽可能地推荐新的物品给用户,算法力求在两者之间得到一种平衡。该文给出算法的设计思想和算法流程,并对算法进行了模拟数据的测试。     

一个改进的物质扩散-热传导混合推荐算法

信息过载是困扰互联网发展的一项严峻挑战,而推荐系统是解决该问题的重要工具。目前已有各种推荐算法来解决互联网的信息过载问题,其中物质扩散算法和热传导算法是近年来颇受关注的两种推荐算法。物质扩散算法虽然具有较高的准确率,但推荐结果集中在少数热门物品,缺乏多样性,而热传导算法虽然具有较好的多样性,但准确率又明显偏低。本文在这两种算法的基础上进行改进提出了一个混合算法,新算法一方面在相似性计算模型上融合了两种传统算法的优点,另一方面增加了一个调节参数来抑制系统对热门物品的过度推荐。实验结果表明,在一定的参数条件下,新算法在准确率和多样性两指标上能够超越传统算法,并且该算法在平衡准确率和多样性这一对矛盾时表现得比传统算法更好。     

基于综合相似度和社交标签的推荐算法

针对传统个性化推荐方法所面临的冷启动、数据稀疏等问题,本论文结合了项目组的前期研究,在综合考虑用户特征和用户信任度的基础上,引入了用户兴趣,形成综合相似度.针对目前推荐系统中评分数据较少的问题,论文结合了社交标签,丰富了推荐数据.首先利用综合相似度,找到用户的相似近邻,并将相似近邻所标注的标签形成一个标签集.其次利用基于标签的推荐算法,产生最终的推荐列表.实验结果表明,该算法能够有效提高推荐的准确率和召回率.