基于社交信息和物品曝光度的矩阵分解推荐

为了解决隐式反馈推荐中的数据稀疏性和未观测值二义性,提出基于社交信息和物品曝光度的概率矩阵分解推荐算法. 该算法通过对用户-用户社交矩阵进行矩阵分解来约束用户偏好潜在因子,一定程度上缓解了数据稀疏性问题;将物品曝光度作为观测值的条件,结合物品本身的流行度和用户的社交信息,对物品曝光度进行建模,解决未观测值的二义性. 在Lastfm公开数据集上开展多个层次的实验和分析. 结果表明,与已有的隐式推荐算法相比,在召回率、平均准确率（MAP）和归一化折损累计增益（NDCG）3个评价标准上都有一定程度的提高.     

基于社会信任正则化的排名推荐算法

随着在线商品交易额逐年增大和社交网络不断深入发展,推荐系统已成为解决信息过载的重要工具之一。当评分矩阵数据稀疏性较大时推荐精度就会显著下降,特别是用户冷启动的时候这个问题更加明显。因此,本文提出一种新的基于隐式反馈信息的社会化排序推荐算法。该算法首先利用矩阵分解方法计算不同项目间的用户偏好。其次将用户偏好信息融入Bayesian Personalized Ranking (BPR)算法中。然后挖掘用户之间相似关系以及信任用户直接和间接关系,并量化它们之间的信任关系,从而研究不同项目之间用户偏好差异。最后将以上这些信任关系和BPR算法进行融合,进而构建出社会化排序推荐模型。为了验证所提出的社会化排序推荐算法,在DouBan数据集和FilmTrust数据集上,进行该算法的有效性验证。主要通过Precision、MAP和NGCD这三种排序评估指标分别在全数据集和用户冷启动中验证本文所提算法与SBPR、TBPR、BPRMF和MostPopular等算法之间排序推荐的优劣性。实验结果证明本文所提算法明显优于其他排序推荐算法,并可以获得更好的推荐准确率。可见该算法可以有效改善由于数据稀疏性和用户冷启动所带来推荐效果差的问题。     

一种压缩稀疏用户评分矩阵的协同过滤算法

提出了一种通过降低用户评分矩阵维数来解决数据稀疏问题的协同过滤算法(基于项目多类属概率潜在语义的协同过滤算法)．首先将概率潜在语义分析法中的隐变量集固定为项目的多类属集,明确隐变量的意义,限制隐变量的变化范围; 而后迭代学习隐变量的分布,即用户的兴趣模型,压缩用户评分矩阵; 最后用学到的兴趣模型度量用户的相似度,对目标用户做出推荐． 仿真实验结果表明: 该算法有效解决了数据稀疏问题,平均绝对误差低于基于记忆的协同过滤算法4％; 与通过概率潜在语义分析法降低用户评分矩阵维数来解决数据稀疏问题的协同过滤算法相比,该算法明确了隐变量的意义,提高了对系统的理解,并取得了富有竞争力的推荐性能．     

耦合社会信任信息的矩阵分解协同过滤模型

在过去的十年中,协同过滤（CF）推荐系统已经取得了巨大的成功。然而,用户-物品矩阵的稀疏性和冷启动问题仍然是一个挑战。在线社交网络的出现,为推荐系统提供了大量社交网络信任信息,从而为解决这一问题提供了契机。该文基于矩阵分解协同过滤方法,提出了一种集成用户信任信息的模型。该方法利用用户信任信息对用户隐因子进行修正,采用自编码器来提取用户和物品隐特征向量的初始化特征,并针对社交网络中的信任关系提出了信任群组的检测算法。大规模的真实数据集上进行的广泛的实验表明,该模型与相关算法对比,不但能有效缓解冷启动,而且取得了更好的推荐性能。     

基于属性偏好自学习的推荐方法

推荐系统从海量数据中挖掘出有用信息来学习用户偏好．目前主流研究的推荐算法是在考虑 评分数据和社交数据的基础上执行协同过滤算法．协同过滤方法包括传统的用户、商品协同过滤算 法和经典的矩阵分解方法．用户、商品协同过滤算法具有可解释性但训练速度慢,矩阵分解模型虽 然训练速度快但缺乏解释性．此外,评分数据和社交数据在获取难度上高于属性信息．针对这些问 题,提出一种基于属性偏好的自学习算法．该算法在评分数据和属性信息的基础上,首先利用用户 对属性的初始偏好程度与属性对商品的评分构建预测评分模型,通过预测评分和实际评分的平方 差及正规化项构造损失函数,使用梯度递减方法对损失函数中预测评分模型的属性偏好程度进行 迭代训练,最后使用训练后的属性偏好程度和属性值评分来预测用户评分．实验在两个经典数据集 上证明了该模型运行时间较快,且在评分数据稀疏的情况优于传统的协同过滤方法和基本矩阵分 解模型．     

融合用户感知和多因素的兴趣点推荐

针对传统的基于协同过滤的兴趣点(POI)推荐方法存在数据稀疏问题和现有工作往往单纯利用上下文信息却没有合理平衡各因素的作用影响的问题，提出融合用户感知和多因素的兴趣点推荐模型（UPMF）.为基于用户感知的隐式建模提取用户相似性以丰富用户表示，并利用序列、地理和社交等上下文信息构建用户感知协同影响的POI推荐模型，缓解数据稀疏问题.设计新颖的用户感知的融合策略(UPIS)，在基于用户感知的同时合理利用各种上下文信息挖掘用户的动态偏好.提出基于分段的活动区域选择算法针对不同活动区域对用户的影响进行建模.实验结果表明，与其他流行的POI推荐方法相比，UPMF在准确率、召回率和归一化折损累计增益(NDCG) 3个评价标准上都有一定程度的提高.在Gowalla和Yelp数据集上，UPMF模型的NDCG@10比SUCP的分别高12.77%、7.24%.     

结合社交影响和长短期偏好的个性化推荐算法

针对基于会话的推荐算法只捕获用户的短期动态兴趣，忽略长期兴趣和社交好友对用户行为的影响，提出结合社交影响和长短期偏好的推荐算法.设计新颖的异构关系图来组织用户的社交关系和历史会话，提出基于注意力机制的异构图神经网络对图进行学习，得到融合用户社交影响的长期偏好.针对社交影响力不一致容易引入噪声的问题，提出加权剪枝策略，减少了噪声干扰且丰富了图结构信息.利用无损的会话建模方法捕获用户的短期偏好，将短期偏好与长期偏好进行自适应融合，得到反映用户全局偏好的特征表示. Gowalla和Delicious数据集上的实验结果表明，所提方法的各项指标相比现有先进方法均有显著提升，证明了所提算法的有效性.     

融合社交和标签信息的隐语义模型推荐算法

为了提高隐语义模型在数据稀疏情况下推荐结果的质量,提出一种带有社交正则化项和标签正则化项的隐语义模型.根据用户社交网络和物品标签的信息,设计出描述用户和物品概况的正则化项,并利用用户对物品的历史评分计算得到用户评分偏好,将这三项引入矩阵分解目标函数中,进一步约束目标函数,最后通过梯度下降法去优化模型参数,得到推荐结果.为了验证算法的有效性,在Last.fm数据集上进行实验,实验结果表明,本文算法的推荐质量优于其他传统推荐算法.     

基于用户评论挖掘的产品推荐算法

针对电子商务推荐系统中,互联网“信息过载”所造成的难以精确定位用户兴趣并提供准确产品推荐的问题,通过深入挖掘电子商务社区中丰富的用户评论信息,开发产品特征提取算法,建立用户兴趣偏好模型,结合用户历史评分数据来改善传统协同过滤推荐算法的推荐准确性;利用相似度传递技术在一定程度上缓解推荐系统中数据稀疏性带来的问题.实验结果表明,在数据稀疏的情况下,该算法仍可较好地拟合用户对产品的兴趣偏好,并在推荐准确性方面较传统的协同过滤算法有明显的提高.     

融合信任相似度的偏置概率矩阵分解算法

为解决社会化推荐算法推荐效果严重依赖用户信任数据的问题,提出一种融合信任相似度的偏置概率矩阵分解算法(bias probability matrix factorization algorithm fused with trust similarity, TTSPMF)。该算法引入稀疏性更低的信任相似度网络,使用信任关系的相似性弥补用户信任数据的稀疏性。通过用户信任矩阵计算得出信任相似度矩阵,然后将信任相似度矩阵和用户信任矩阵共同进行矩阵分解,同时加入偏置项来表达用户和物品的偏好,从而更好地刻画用户和物品的特征,避免因用户或物品本身因素带来的评分偏差。使用概率矩阵分解模型融合信任矩阵和信任相似度矩阵并迭代求解,得到用户特征矩阵和物品特征矩阵。在多个数据集上的试验证明,在不同评价指标下,该算法的推荐准确度明显高于传统推荐算法,可以有效缓解数据稀疏带来的推荐效果差的问题。     

一种基于用户空间相似性的兴趣点推荐算法

位置社交网络（Location Based Social Network,LBSN）的发展,为兴趣点推荐提供丰富的数据资源。基于地理影响的推荐算法是兴趣点推荐的热门研究话题,而现有的推荐算法缺乏对用户个性化行为的分析。因此,提出一种基于用户空间相似性的兴趣点推荐算法。首先,利用用户签到数据构建空间分布相似性模型;其次,引入削减因子,提高具有相同签到记录的用户权重;最后,线性融合用户及空间分布性相似性模型对Top-N兴趣点进行推荐,并进行实验验证。实验结果表明,该算法有效提高了兴趣点推荐的质量。     

满足差分隐私的逻辑回归矩阵分解推荐算法

为了提高隐私保护下的推荐算法准确性，提出了一种满足差分隐私保护的逻辑回归矩阵分解推荐算法。该算法首先将隐式数据的矩阵分解转换为分类问题并以概率方式对其建模；然后采用sigmoid函数对预测评分进行非线性变换，将原始的矩阵分解问题转换成用户隐因子和项目隐因子的优化问题，并对目标函数添加随机噪音进行扰动，使算法满足差分隐私保护。在Movielens100K,Movielens1M和YahooMusic数据集上进行实验，并与现有算法进行对比，该算法在F1值指标上分别提升了9.29%,7.40%和3.61%。理论分析和实验结果表明，所提算法在实现用户隐式反馈数据保护的同时还能有效地保证推荐结果的准确性，具有良好的应用价值。     

TPR-TF:基于张量分解的时间敏感兴趣点推荐模型

针对现有的兴趣点(POI)推荐研究没有合理地利用POI推荐的时间敏感性,对用户在不同时间段的行为偏好没有给予充分考虑,造成推荐效果较差的问题,提出了一种基于层次聚类的时间动态分段算法。把时间敏感的推荐和用户的直接朋友及潜在朋友影响相结合,扩充了用户的社交影响范围。在模型学习过程中采用按访问频次分布随机选择POI位置的方法,改善了经典的贝叶斯个性化排序(BPR)方法。实验结果表明,本文模型性能优于目前的主流POI推荐模型。     

一种基于用户偏好分析和论坛相似度计算的改进LFM推荐算法

针对用户的偏好推荐需求,提出一种改进的LFM算法BBLFM算法,通过引入隐含特征将稀疏的相关矩阵分解为两个相对稠密的矩阵,减少了空间复杂度,同时实现LFM的隐语义分析功能,深入挖掘了用户的潜在特征,提高了推荐的准确性。具体地,设计了一种基于BM-25的精确用户关注点查找与权重赋值方法,同时引入软概率情感分析方法的结果,合成出一种基于语义的标签体系。此外,还构建了一个基于BERT的用户偏好分析网络,根据用户曾经浏览或点击的历史论坛数据,来为用户画像,给出用户的主题偏好。在真实的百度贴吧数据集上进行的对比实验结果,表明算法在推荐准确性上优于比较的算法。     

基于非负矩阵分解的Slope One算法

针对协同过滤推荐算法中Slope One算法在稀疏数据集中推荐精度低的问题,利用矩阵分解在解决矩阵稀疏性方面的优势,将非负矩阵分解技术引入到用户-项目评分矩阵的降维处理中,将原有的稀疏评分矩阵进行非负分解,改善了矩阵的稀疏性,优化Slope One算法. 从实验数据可以看出,与原始的CF算法进行比较,NMF-Slope One算法有较好的推荐效果. 在数据稀疏的条件下,确定参数进行实验. 实验结果表明,该方法提高了Slope One算法在数据稀疏下的精度和推荐质量.     

基于用户兴趣评分填充的改进混合推荐方法

针对传统协同过滤推荐方法中的用户项目评分数据稀疏和推荐准确度不高的问题,提出了一种基于用户兴趣评分填充的改进混合推荐方法。首先,分析用户对项目类型的偏好,计算用户兴趣评分并进行矩阵填充;然后,考虑用户主观评分差异化及项目自身质量的影响,对传统皮尔逊相关系数进行改进,并基于已填充评分矩阵进行用户相似性及项目相似性计算;在此基础上分别基于用户和项目两个方面进行评分预测,并将两者的预测评分进行加权求和,进而进行混合推荐;最后,以Movielens100k为数据集进行实验,先分析了用户兴趣评分矩阵的填充效果,再将文中方法和传统协同过滤混合推荐方法以及文献中提出方法进行了对比分析。实验结果表明;提出的评分矩阵填充方法能有效缓解数据稀疏的影响,填充效果优于传统评分矩阵填充方法;提出的改进混合推荐方法（IHRIRF）比传统的混合协同过滤推荐方法HCFR及WPCC方法具有更好地推荐效果。     

融合用户信任和影响力的top-N推荐算法

针对现有基于信任的推荐方法通常直接利用社交网络的二值信任关系来提高推荐质量,较少考虑用户间信任强度的差异和潜在影响的问题,提出结合用户信任和影响力的混合推荐算法进行top-N项目推荐. 采用自动编码器对用户行为进行无监督的初始特征优化,将高维、稀疏的用户行为压缩成低维、稠密的用户及项目特征向量;提出融合用户交互信息、偏好度和信任的新型信任度量模型,发掘社交网络中用户间的隐含信任关系,重构社会信任网络;将社会信任网络的拓扑结构和用户的交互信息融入结构洞算法,通过改进的结构洞算法来识别网络中的影响力用户,提高top-N项目推荐性能. 实验在FilmTrust、Epinions、Ciao这3个标准数据集上进行对比验证,实验结果证明了所提算法的有效性.     

融合时空上下文信息的兴趣点推荐

为了给用户提供更好的位置服务,提出了一种位置社交网络中融入时空上下文信息的混合个性化兴趣点推荐模型.在空间上,对用户签到进行层次聚类,对各聚类内二维核密度估计的结果取平均.在时间上,利用用户签到的时间信息、签到的位置信息及社交网络构建转移矩阵,运行改进图的随机游走模型.混合模型融合时空上下文信息做推荐.在真实数据集上的实验结果表明,无论在标准推荐场景还是冷启动场景下,混合推荐模型的准确率和召回率性能均优于基准方法.     

基于社交网络中双重好友及用户偏好的协同过滤推荐

针对目前基于社交网络的协同过滤推荐算法只融入直接好友信息且不能有效防御概貌注入攻击等问题,提出一种融合双重好友及用户偏好的协同过滤推荐算法,通过设置合适的熟悉度阈值在社交网络的直接好友、间接好友中选取可信好友用户集作为目标用户K近邻候选集,在共同评分项目数的基础上,采用用户偏好相似度与评分相似度的加权相似度作为寻找近邻用户的标准,完成目标用户项目评分预测。在数据集Flixster上的实验结果表明,融合双重好友关系及用户偏好的推荐算法不仅具有较好的推荐准确率,还具有较强的抗概貌注入攻击能力。     

DPLORE：一种差分隐私保护位置推荐算法

人类移动中的顺序模式在地理社交网络服务的位置推荐中扮演了重要角色。现有的位置推荐系统必须访问用户的原始签到位置数据, 以挖掘其顺序模式, 然而这会泄露用户的位置隐私。针对该问题, 提出一种基于差分隐私保护的位置推荐算法(Differential Privacy Location Recommendation, DPLORE)。首先, 根据原始数据构建转移计数矩阵, 利用拉普拉斯机制向分解后的矩阵元素添加噪声, 使得算法满足差分隐私保护。接着, 在多阶马尔可夫链模型的基础上, 提出自适应权重的n-阶马尔可夫链模型, 利用用户的顺序模式来进行位置推荐。最后的实验表明, 本文设计的算法框架DPLORE的推荐结果准确率和召回率都优于现有的算法, 同时DPLORE在高推荐精度和严格的位置隐私保护之间达成良好的权衡。