基于异质图表达学习的跨境电商推荐模型

跨境电商产品推荐已经成为电子商务领域新兴的研究议题之一。由于电商产品信息复杂多样、“用户-产品”关联矩阵极为稀疏并且冷启动问题突出,因此传统的协同过滤推荐模型很难奏效。而改进的深度协同过滤模型,只考虑了用户对产品的“显式”和“隐式”的反馈信息,忽视了由用户与项目组成的图结构信息,推荐性能很难满足平台和用户的要求。为了解决这些难题,该文提出基于异质图表达学习的图神经网络模型(HGNR)用于个性化的跨境电商产品推荐,该模型具有2个显著的优势:(1) 构造“用户-产品-主题”3部图作为模型的输入,通过图卷积神经网络(GCN)在异质图上进行高质量信息传播和聚合;(2)能够获取高质量的用户和产品表征向量,实现了用户和产品复杂交互关系的建模。在真实的跨境电商订单数据集上的实验结果表明,HGNR模型不仅在推荐性能上表现出色,还能有效提升冷启动用户的推荐准确率,与9种推荐基准算法相比,HGNR在评价指标HitRate@10, Item-coverage@10, MRR@10上至少提升了3.33%, 0.91%, 0.54%。     

融合用户行为序列预测的混合推荐算法

对于用户行为序列中隐藏用户兴趣的捕捉是近年来推荐算法研究的热门方向。传统的序列预测模型使用用户最后一次点击的商品为目标,建立用户行为和目标商品间的关联,并没有充分挖掘用户序列间的先后关系。文中在传统的DIN模型的基础上进行了改进,采用一段时间内的连续行为作为目标向量,使用transformer结构完成序列到序列的预测任务,进一步提取和利用了用户行为序列中的用户深度兴趣,并将其作为辅助特征结合DIN进行推荐。在亚马逊图书数据集和电子数据集上的实验结果表明,文中提出的基于DIN混合推荐模型比原DIN模型的AUC指标分别提升了约0.7%和1.9%。由此可知,基于用户行为序列预测的混合推荐可以在多特征推荐系统中起到一定的辅助作用。此外,文中还对用户序列长度对模型结果造成的影响进行了探究。     

面向时序感知的多类别商品方面情感分析推荐模型

电子商务网站中的评论数据隐含着商品特征和用户情感,现有基于方面情感分析的推荐研究大多通过抽取同一类别商品评论数据中用户对商品不同方面的情感来捕捉用户方面偏好,忽略了不同类别商品有不同方面以及用户的方面偏好随时间变化的特点。对此,该文提出一种面向时序感知的多类别商品方面情感分析推荐模型,该模型对用户、商品类别、商品、商品方面、方面情感和时间统一建模,以发现用户对不同类别商品的方面偏好随时间变化的特点,并据此做出推荐。该模型能够推断用户在任意时间对商品的方面偏好,从而为用户提供可解释的推荐。两个真实数据集的实验结果表明,与其它基于时间或方面情感分析的推荐模型相比,该文提出的模型在top-N推荐准确率和召回率评价指标上均获得显著改善。     

Random Group Recommendation Model Based on Fuzzy Clustering

The group recommendation system is a viral requirement for the Internet service provider to provide recommendation services for all the users in a group. Due to the shared or different interests among users in the group, it is difficult for traditional personal recommendation algorithms to predict items that can meet the requirements of all the users in the group. In this paper, a random group recommendation model is proposed to recommend the top K most appealing items for all the users in a random group. By analyzing item ratings of all the users in the group, the recommendation model can abstract the group as a virtual user. Then a personal recommendation algorithm is applied to suggest the top K most appealing items for the virtual user. And the preference score and fuzzy clustering algorithm based on multiclass are applied to optimize the recommendation result of the group recommendation model. Finally, the MovieLens-100K dataset is applied to verify the efficiency of the recommendation model. The experimental results show that the items recommended by the proposed group recommendation model are more popular for all the users in the group than the items recommended by traditional group recommendation algorithms.     

基于霍克斯过程的社交网络用户关系强度模型

社交网络节点之间的关系强度建模是研究信息传播、实现推荐服务等社交网络服务的关键.传统关系强度模型主要研究简单二元关系与静态关系,未考虑用户交互影响及其动态衰减.本文提出一种基于霍克斯过程的社交网络用户关系强度模型,将用户关系强度视为潜在因子,用户相似性与历史交互行为分别视为潜在因子诱因与表象,并使用霍克斯过程刻画历史交互行为与用户关系强度之间的关系,解决了已有模型未考虑用户历史交互影响及其动态衰减的问题.采用微博社交网络数据对模型进行的评估表明,本模型可以提高用户关系强度预测精度以及基于关系强度排序Top-N邻居节点的覆盖率.     

基于稀疏轨迹数据的出租车载客区域推荐

基于短期出租车轨迹数据的载客区域推荐能极大减少系统开销,提高推荐效率,但常伴随着数据稀疏性的问题.针对该问题,本文提出了一种融合地理信息的隐语义模型-GeoLFM.该模型通过将出租车司机所处的客观地理环境信息,融合到司机-载客区域矩阵分解的过程中,从而弥补数据稀疏性带来的不足.同时,根据出租车实时的空间位置信息,为身处不同地点的出租车推荐不同的载客区域.实验证明,本文提出的方法与常用方法相比,推荐结果与真实的出租车司机载客情况间的平均绝对误差和均方根误差都得到大幅降低,较好的提升了推荐效果.     

融合偏置的动态专家信任推荐算法

针对协同过滤推荐算法中数据稀疏、冷启动与噪声用户对推荐质量的严重影响,该文将用户-项目评分数据与用户信任关系数据相结合;提出一种融合偏置的动态专家信任推荐算法(BDETA),首先根据用户信任关系数据进行社区划分,获取用户间显式信任值;其次从社区中用户-项目评分数据获取可信度、隐式信任值;通过结合用户间可信度、显式信任值、隐式信任值动态确定专家信任因子,根据用户的推荐能力为每个社区确定专家数据集;最后结合用户不同评分标准进行评分预测。在真实数据集FilmTrust的实验结果中,能够有效地解决协同过滤中冷启动与数据稀疏问题,可更好地满足用户的个性化推荐需求,并且在推荐系统常用评价指标MAE与RMSE中有着不错的表现。     

基于一跳信任模型的协同过滤推荐算法

基于社会信任网络的协同过滤推荐算法存在节点之间多下一跳带来的复杂路径选择和信任弱传递问题。针对这2个问题,给出基于项目的一跳信任模型,该模型通过用户对项目信任度的计算,定义用户的直接和间接社会信任属性,然后一步跳转计算用户之间的直接和间接信任距离,进而计算用户之间的信任度。基于此模型设计推荐算法,同时分析了信任度与传统相似度的理论关系并二维拟合。仿真实验表明,该算法提高了推荐准确度(约0.02 MAE),降低了训练时间(约50%)。     

基于知识图谱共同邻居排序采样的推荐模型

知识图谱作为辅助信息可以有效缓解传统推荐模型的冷启动问题。但在提取结构化信息时,现有模型都忽略了图谱中实体之间的邻居关系。针对这一问题,该文提出一种基于共同邻居排序采样的知识图谱卷积网络(KGCN-PN)推荐模型,该模型首先基于共同邻居数目对知识图谱中的每个实体邻域进行排序采样;其次利用图卷积神经网络沿着图谱中的关系路径将实体自身信息与接收域信息逐层融合;最后将用户特征向量与融合得到的实体特征向量送入预测函数中预测用户与实体项目交互的概率。实验结果表明该模型在数据稀疏场景下相较其他基线模型性能均获得了相应提升。     

基于情境和主体特征融入性的多维度个性化推荐模型研究

个性化推荐准确率的高低是互联网应用成功与否的关键因素,针对传统推荐模型的不足,提出一种基于情境和主体特征融入性的多维度个性化推荐模型,该模型能够充分利用地域文化背景、领域主题情景、主体特征等信息,避免了传统算法把用户整体作为单个向量的弊端,克服了数据稀疏性等问题。实验结果表明,该模型的推荐质量比传统的协同推荐模型高,更有针对性地向用户推荐他们感兴趣的项目。     

融合深度情感分析和评分矩阵的推荐模型

目前,大多数推荐系统都具有评分数据稀疏性的问题,它会限制模型的有效性.而用户对于某件商品撰写的评论中隐含了很多信息,对评论文本进行情感分析并提取关键的因素来用于模型的学习,可以有效地缓解数据稀疏问题,但仅使用评论数据而忽略了评分数据的主要因素会影响推荐精度.对此,为了进一步提高推荐精度,该文提出一个评论文本和评分矩阵交...     

FedCDR: Privacy-preserving federated cross-domain recommendation

Cross-Domain Recommendation (CDR) aims to solve data sparsity and cold-start problems by utilizing a relatively information-rich source domain to improve the recommendation performance of the data-sparse target domain. However, most existing approaches rely on the assumption of centralized storage of user data, which undoubtedly poses a significant risk of user privacy leakage because user data are highly privacy-sensitive. To this end, we propose a privacy-preserving Federated framework for Cross-Domain Recommendation, called FedCDR. In our method, to avoid leakage of user privacy, a general recommendation model is trained on each user's personal device to obtain embeddings of users and items, and each client uploads weights to the central server. The central server then aggregates the weights and distributes them to each client for updating. Furthermore, because the weights implicitly contain private information about the user, local differential privacy is adopted for the gradients before uploading them to the server for better protection of user privacy. To distill the relationship of user embedding between two domains, an embedding transformation mechanism is used on the server side to learn the cross-domain embedding transformation model. Extensive experiments on real-world datasets demonstrate that our method achieves performance comparable with that of existing data-centralized methods and effectively protects user privacy.     

基于邻近项目的Slope One协同过滤算法

协同过滤是个性化推荐系统中的常用技术,数据稀疏性是影响协同过滤算法预测准确度的主要因素。提出了改进的Slope One算法,在该算法中,首先根据用户历史评分计算项目间相似性,然后依据项目相似性选取当前活跃用户评价过的k个相似项目记为邻近项目集合,并计算目标项目与其邻近项目的评分偏差,最后以项目间相似性为权重,计算当前活跃用户对目标项目的评分预测值。该算法使用邻近项目进行计算,降低数据的稀疏性,同时减少了计算量。使用标准MovieLens数据集对该算法的预测结果进行验证,结果表明：相对于原算法,该算法提高了预测的准确性,与其他协同过滤算法相比,推荐准确度也有明显的提高。     

基于标签与协同过滤算法的淘书吧应用

随着互联网的不断发展,电子商务的流行使人们从线下交易逐渐转为线上交易。电子商务中的推荐系统对人们日益多元化的网络消费起到了至关重要的作用。本文在传统协同过滤推荐算法基础上,加入商品标签属性,构建用户,商品,标签三者之间的关联模型。先构建用户商品评分矩阵,在计算用户对商品兴趣度时增加入标签作为权重系数,提高淘书吧应用推荐准确性。实验结果表明,该方法能有效地改进现有的推荐算法,达到更好的推荐效果。     

基于迁移率波动的MOSFET线性区域1／f噪声模型

统一的1/f噪声模型,例如BSIM3模型,已经在噪声预测与分析中有着广泛的应用,在多数情况下有很好的效果.然而文献[1]中基于物理机理分析的研究表明,统一的1/f噪声模型对处于线性区p-MOSFET不能进行正确的描述:当偏置电压V_gs增加时,该模型低估了噪声功率的增加.据此,本文提出了一种基于物理机理的迁移率波动(MF)1/f噪声模型,并给出了新MF模型与统一的1/f噪声模型在线性区的仿真结果.从仿真结果可以看出,新噪声模型更接近于测试的结果.     

基于深度学习的小目标检测区域数据推荐算法

针对电网数据推荐结果未考虑电网领域知识关联度,推荐结果精准度低,不能精准掌控电网工程建设管理工作问题,提出一种基于深度学习的小目标检测区域数据推荐算法。利用颜色直方图距离和边缘距离展开超像素合并,检测电网小目标区域,采用多尺度卷积神经网络特征提取方法获取小目标区域卷积神经网络特征。以获取的特征为知识项,通过知识树结构组织不同粒度知识项,构建电网领域知识体系关联和推理机制,采用协同过滤推荐算法AR-Item CF,挖掘用户行为日志,根据用户推荐列表,计算出不同知识项间的深层推荐。实验结果表明,该算法可有效解决推荐结果关联度低问题,且推荐效率高、质量好。     

融入注意力网络的深度分解机推荐算法

推荐系统能够在海量的信息中找到满足用户个性化需求的信息。随着深度学习的发展,深度学习也开始广泛被推荐系统所应用。CTR预估在推荐系统中起着重要作用,已被应用在个性化推荐、信息检索、在线广告等多个领域。针对推荐系统数据量大且稀疏的问题,文中将注意力网络和xDeepFM模型融合,提出了一种新的基于深度学习的CTR预估模型,即Atte-xDeepFM模型。该模型能够解决特征稀疏问题,有效学习特征之间的交互关系,且不需要手动提取特征工程中的有用信息。在Avazu数据集和Criteo数据集上进行的对比实验证明了文中提出的模型的有效性。与推荐系统CTR预估常用的算法模型对比,文中所提出的模型具有更好的推荐效果。     

基于评分预测与排序预测的协同过滤推荐算法

协同过滤推荐算法在电子商务领域运用广泛.之前的研究要么仅从评分预测的角度来研究,要么仅从排序预测的角度来研究.为了兼顾这两个方面,本文在传统的基于评分预测的PMF（Probabilistic Matrix Factorization）算法和基于排序预测的xCLiMF（Extended Collaborative Less-is-More Filtering）算法的基础上提出了一种基于评分预测与排序预测的协同过滤推荐算法URA（Unified Recommendation Algorithm）,该方法通过在PMF和xCLiMF算法中共享用户和推荐对象的特征空间,利用PMF算法来学习高精度的用户和推荐对象的特征向量,从而进一步增强排序推荐性能.实验验证,该方法在评价指标NDCG和ERR下均优于PMF和xCLiMF算法,且复杂度与评分点个数线性相关.URA算法可运用于互联网信息推荐领域的大数据处理.     

复杂网络环境下基于推荐链分类的动态信任模型

针对网络环境中复杂的推荐信息处理问题,提出了一种基于推荐链分类的信任模型。该分类方法基于节点间的诚实属性,在实际经验数据的基础之上能选择出有效的推荐链。针对推荐信息的传播使用了以信息增益为基础的参数,使推荐信息更精准,考虑了时间的影响并且能把交互能力与诚实属性清楚地区分开。在最终的直接信任与推荐信息的聚合计算过程中采用了信息论中熵的概念,摆脱了以往主观设定参数的模糊性。模型中主要的聚合参数能随着交互的进行而不断地修正,达到了最贴近真实值的情形。仿真实验验证了新模型分类的有效性以及参数设置的合理性。     

基于数据源向图的数据项的表示与获取方法

 如何清晰的表示数据项之间的关系,进而了解数据之间更深层的内在关系,在当前的需求分析中没有明确的方法,但是其对于软件需求中数据的获取和数据关系的表示具有重要作用.如何通过数据本身采用推导的方法获取软件系统所必须的数据以及数据项,在当前的需求分析和获取方法中也没有直接方法和思路.本文采用数据源向图的方法,通过推导的方法获取必要的数据和数据项,并通过它来表示数据中各个数据项之间的关系,使得数据项之间关系的表示更加清晰,数据项的获取更加容易.