融合推荐潜力的个性化趋势预测的混合推荐模型

预测用户对物品的行为中,准确的物品推荐是推荐系统的困难问题。为了提高推荐系统的推荐精度,引入物品的推荐潜力,提出一种新颖的融合物品推荐潜力的个性化混合推荐模型。首先根据最近短时间段和最近长时间段的物品访问率计算趋势动量,然后利用趋势动量计算出当前物品的推荐潜力值,最后将物品推荐潜力值融入到个性化推荐模型中得到混合推荐模型。实验证明,融合了物品推荐潜力值的个性化趋势预测,能较大地提高推荐系统的推荐精度。     

可提高多样性的基于推荐期望的top-N推荐方法

推荐系统帮助用户在海量信息中找到与用户相关的、个性化的产品,现有推荐技术大多致力于改进推荐系统的预测准确度。最近,推荐质量的另一个重要方面——推荐的多样性,越来越受到人们的重视。提出了一种基于物品推荐期望的top-N推荐方法,在向用户进行top-N推荐时,可以通过控制全体物品的推荐期望,来达到提高推荐总体多样性的目的。结合多种评价方法,使用不同的评分预测算法在真实的电影评分数据集上对提出的算法进行了实验,结果证明提出的算法能够在保证推荐准确度的同时,显著提高推荐的总体多样性。     

基于用户行为特征的动态权重混合推荐算法

推荐系统可以为不同的用户定制个性化的网络服务,如何提供准确的推荐则成为其最大难点。针对传统推荐算法的稀疏性问题,提出基于用户行为特征的动态权重混合推荐算法。通过对数据集中的数据进行预处理,计算出不同用户对于不同物品的个性化行为特征指数,并将其引入相似度的计算中。依据用户评分数据稀疏性的差异计算出动态权重,并依此将基于用户内容的推荐和协同过滤推荐进行动态混合。实验结果表明,该算法在稀疏数据集中能有效降低推荐误差,提高推荐精度。     

融合知识图谱与注意力机制的个性化序列推荐

序列推荐系统可以根据用户和物品交互的时间序列信息,精确预测用户下一次交互物品.现有的序列推荐算法存在用户兴趣过渡拟合的问题,导致推荐内容同质化严重,从而无法实现个性化推荐.基于此,本文提出一种融合知识图谱与注意力机制的个性化序列推荐算法(SR-KGA):首先,引入知识图谱,通过图卷积网络对物品进行嵌入表示;其次,通过自注意力机制和多头注意力机制构建序列到序列(seq2seq)模型,最后,在损失函数中加入多样性正则项;实现用交互序列来预测未来可能交互的物品序列,从而进行推荐.通过在真实的数据集上实验,SR-KGA在保证推荐准确度的同时,提升了推荐列表的多样性,实现了用户个性化推荐.     

基于内容的推荐与协同过滤融合的新闻推荐方法

针对基于内容的新闻推荐方法中用户兴趣多样性的缺乏问题和混合推荐方法存在的冷启动问题,提出一种基于内容与协同过滤融合的方法进行新闻推荐。首先利用基于内容的方法发现用户既有兴趣;再用内容与行为的混合相似度模式,寻找目标用户的相似用户群,预测用户对特征词的兴趣度,发现用户潜在兴趣;然后将用户既有兴趣与潜在兴趣融合,得到兼具个性化和多样性的用户兴趣模型;最后将候选新闻与融合模型进行相似度计算,形成推荐列表。实验结果显示,与基于内容的推荐方法相比,所提方法的F-measure和整体多样性Diversity均有明显提高;与混合推荐方法相比,性能相当,但候选新闻无需耗时积累足够的用户点击量,不存在冷启动问题。     

基于深度学习的论文个性化推荐算法

该文基于学术搜索和数据挖掘平台Aminer向用户进行个性化推荐,提出了结合协同过滤推荐和基于内容推荐的混合模型,实验表明该算法可以有效解决新物品的推荐问题,即冷启动问题。其中在基于内容推荐的模型中,融合深度学习的方法,引进了词向量模型,将用户和论文映射到用词向量空间, 并使用WMD(Word Mover Distance)计算相似度。实验表明,与其他基线模型相比该文提出的推荐模型在准确率上显著提高了4%。     

基于ALS模型协同过滤推荐算法的优化

推荐系统可以根据用户的基本信息与行为分析用户的兴趣,〖JP2〗向用户提供个性化推荐服务,因而成了近年来的研究热点。本文研究基于ALS模型协同过滤推荐算法。算法采用分布式平台实现,对比以往单节点实现,实验结果表明该算〖JP2〗法在计算速度上有了很大的提升。本文通过在损失函数上融合物品的相似性来减少隐形因子物品属性信息的丢失,同时在最优模型得出的预测评分中引入兴趣遗忘函数,通过实验对比结果表明,本文的优化算法有效提高了推荐系统的准确性。     

基于协同过滤的位置感知推荐

不同地区的用户兴趣不同,并且当推荐物品具有位置属性时,用户更加倾向于离自身较近的物品。根据用户和物品的位置信息来捕获用户兴趣能有效地提高个性化推荐精度。为了有效处理用户和物品的位置信息,在推荐系统中引入金字塔模型(PS)来实现用户分区和用户旅行代价的计算,提出了基于金字塔模型的协同过滤算法(PMCF),来生成对用户的Top-N物品推荐。使用MovieLens数据集、Foursquare数据集和Synthetic数据集来分别评估算法的有效性,实验表明,所提出的算法的准确度要高于传统的推荐算法。     

基于图的混合推荐算法*

混合推荐是解决各种单一推荐方法缺陷的重要途径,文中提出基于图的混合推荐算法,通过在图中融合各种推荐因素进行建模,产生最终的推荐结果.利用推荐物品的内容属性计算物品间的相似度,构建最近邻图关联矩阵.根据物品的打分记录构建物品的兴趣模型,生成矢量函数.在此基础上,利用正则化框架组合关联矩阵和矢量函数,构建基于图的学习模型,实现基于图的混合推荐,并从理论上证明算法的收敛性.在MovieLens数据集和亚马逊网上商城交易数据上的对比实验验证文中算法的有效性.     

基于融合GMM聚类与FOA-GRNN模型的推荐算法

针对传统基于物品的推荐算法由于数据稀疏性导致的低推荐精度问题,提出了一种融合GMM聚类和FOA-GRNN模型的推荐算法。该算法首先使用高斯混合模型（GMM）方法对物品特征进行聚类;然后根据聚类结果分别构造评分矩阵,并使用Slope One算法填充评分矩阵;最后计算用户对物品的相似度预测评分作为输入,通过FOA-GRNN模型输出最终的评分。基于movielens-2k数据集的实验结果表明,与其他3种算法相比,该算法能够更好地处理高稀疏性数据,推荐精度更优,并能够在一定程度上解决冷启动问题。     

基于网络和标签的混合推荐算法

基于网络结构的推荐算法利用用户与项目间的结构关系进行推荐,忽略了用户偏好,而项目的标签隐含了项目的内容及用户的偏好,提出一种基于网络结构和标签的混合推荐方法。算法根据用户选择项目的标签统计信息,分别采用TF-IDF和用户对标签的支持度两种方法构建用户偏好模型,与基于网络的推荐模型进行线性组合推荐。通过在基准数据集MovieLens上测试证明,该算法在推荐结果命中率、个性化程度、多样性等方面均优于基于网络的推荐算法。     

结合信任度和项目关联的混合推荐算法

推荐系统是大数据时代处理信息过载问题的重要手段,传统的推荐算法的准确性和可靠性相对较低。针对用户和项目冷启动问题,提出一种基于概率矩阵分解的混合型推荐算法(HR-TP),先从用户的评分角度挖掘用户的信任关系,再利用标签上下文根据用户特征测量项目间的关联关系,然后融合到概率矩阵模型中进行推荐。实验表明,本文提出的算法在推荐精度上对比常规方法取得了很好的效果。     

推荐系统中的新颖性问题研究

准确性推荐中存在商品类型单一、流行商品多、缺乏新意的问题,因而新颖性推荐得到重视。但已有研究在设计算法时未考虑项的特征,无法针对不同用户帮其区分和挑选具备较高新颖度的项。为提高推荐系统的性能,对基于随机游走的方法进行改进,提出融合新颖性特征的推荐算法。从兴趣扩展和预测角度分析项的特征,给出完善的新颖度定义,并结合用户需求构建新的转移概率,产生个性化的推荐列表,提高了列表内容的新意。实验结果表明,提出的算法较现有算法对准确率影响较小,同时在新颖性指标上有明显提升,并得出通过融合新颖性特征能够在兼顾准确性的情况下有效改善推荐内容的结论。     

融合项目标签相似性的协同过滤推荐算法

针对传统推荐算法在相似性计算和评分预测方法中存在预测精度和稳定性的不足,为进一步提高算法精确度和稳定性,提出一种新的推荐算法。首先,依据各项目的重要标签的数量,计算出项目间M²相似性,依据该相似性构成该项目的邻近项目集;然后,参考Slope One加权算法思想,定义了新的评分预测方法;最后,使用该评分方法基于邻近项目集对用户评分进行预测。为了验证该算法的准确性和稳定性,在MovieLens数据集上与基于曼哈顿距离的K-最近邻（KNN）算法等传统推荐算法进行了对比,实验结果表明该算法与KNN算法相比平均绝对误差下降7.6%,均方根误差下降7.1%,并且在稳定性方面也更好,能更准确地为用户提供个性化推荐。     

基于异构信息网络的混合推荐模型

个性化推荐平台具有数据来源广泛且数据类型丰富的特点,而其中的数据稀疏是影响推荐系统性能的重要原因。如何挖掘推荐平台结构化数据和非结构化数据以发现更多特征,在数据稀疏场景中提高推荐的准确率,缓解冷启动问题,并且使得推荐具有可解释性,是推荐系统面临的重大挑战。因此,针对为User推荐Item的个性化场景,利用异构信息网络（HIN）构建推荐平台中对象间的关联关系,以元路径（Meta-Graph）描述对象间的关联路径并计算不同路径下的User-Item相似度矩阵;用FunkSVD矩阵分解算法分解User以及Item的隐式特征,并针对以文本为例的非结构化数据以卷积神经网络（CNN）技术挖掘这些数据的文本特征;将两种方式获取的特征进行拼接后,使用融入User和Item历史平均分的因子分解机（FM）来预测User对Item的评分。实验过程基于公开数据集Yelp建立提出的混合推荐模型、基于Meta-Graph的单一推荐模型、因子分解机推荐（FMR）模型以及基于FunkSVD推荐模型并对它们进行训练。实验结果表明,所提出的混合推荐模型具有较好的有效性和可解释性,相较于几个对比模型,该模型的推荐精度均有较大的提升。     

基于信息流的实时电子商务推荐策略

针对企业对实时个性化推荐的需求,基于信息流的表达、生成和分析对顾客访问记录进行了深层次挖掘,研究了电子商务系统实时个性化推荐策略。提出了包含信息流定义、信息流评价、知识匹配、网站动态组织等算法在内的个性化推荐算法。基于J2EE技术完成了包含客户端、服务器端和存储系统在内的实时动态个性化推荐系统的结构设计。实例表明,随着训练次数的增加推荐准确度呈升高的趋势,并优于关联规则法。     

基于兴趣感知和时间因子的个性化菜品推荐 *

目前推荐系统已广泛应用在各种电子商务网站上,但针对菜品的个性化推荐很少。针对菜品推荐中存在别名多、用户菜品矩阵稀疏以及新用户冷启动等难题,对基于用户的协同过滤算法进行改进,设计一种融合专家选择和在线推荐的菜品推荐系统。专家选择通过对菜品进行种类层次划分为用户兴趣建模做准备,在线推荐通过兴趣感知选择算法选择餐厅中的专家用户和候选菜品,从而实现对用户菜品的推荐。最后通过在候选菜品选择时引入时间敏感因子和协同过滤中引入时间遗忘因子,改进兴趣感知算法和菜品偏好预测效果。实验结果表明,所设计算法较传统算法在准确性和推荐效率有明显改进,并得出了针对菜品推荐时引入时间因子有利提高推荐准确性的结论。     

一种数据递增式的混合推荐方法

推荐系统由于较大的训练数据量和推荐算法较高的复杂度,其推荐的更新周期往往较长．然而系统上的数据时刻都在增长,更新推荐期间会产生大量数据,这些新数据对下一刻的推荐有较大的利用价值,系统却无法及时利用起来．为了能及时的利用这些新数据来提高推荐系统的推荐质量,提出一种数据递增式的混合推荐方法．该模型主要分为离线计算模块和在线推荐模块,离线模块用于计算出个性化推荐列表,在线推荐模根据递增的实时数据维护一个流行趋势动量表,然后结合两个模块的结果给出匿名推荐或者个性化推荐．实验证明,该方法简单、有效、可行,能较好的改善推荐系统性能．     

Spark平台下基于上下文信息的影片混合推荐

响应速度较慢和推荐内容与用户上下文信息匹配程度低是当前影片推荐系统迫切需要解决的问题。针对上述挑战,提出Spark平台下基于上下文信息的影片混合推荐方法。它利用分布式并行计算技术Spark进行加速,来提高系统对于海量数据的检索与计算速度,从而减少了系统响应时间。同时该方法将“上下文推荐”和“交替最小二乘的协同过滤（ALS）”融合成一种混合推荐方法,提高了系统的推荐精度。实验结果表明,所提出的混合推荐方法有不错的效果。     

基于本体的Web资源个性化推荐算法

为提高Web资源推荐的准确度,提出基于本体的Web资源个性化推荐算法(BO-RM)。设计Web资源主题抽取算法和相似性度量方法,利用本体语义推理机制实现资源聚类,在推荐过程中通过实时分析用户浏览行为捕获用户个性化偏好的变化,动态实时推荐内容。与基于情境的协同过滤算法（CFR-RM）和基于模型的个性化预测算法（BM-RM）进行对比,结果显示BO-RM的时间开销相对稳定,在平均排序倒数(MRR)和平均准确率(MAP)上均取得了较好的效果。实验结果表明:BO-RM离线完成海量Web资源的分析聚类,有效提高了运行效率,实用性比较强;BO-RM实时捕捉用户兴趣变化,动态更新推荐列表,更加贴近用户的真实需求。