一种结合聚集图嵌入的社会化推荐算法

社交网络信息已被广泛的应用到传统的推荐上,一定程度上减轻了数据稀疏和冷启动问题.随着表示学习的兴起,出现了利用表示学习进行推荐的算法研究.然而社交网络过大,表示学习可扩展性差,难以在有限内存中进行计算.聚集图通过空间压缩,保留了关键的结构关系,去除次要或噪音的结构数据,便于表示学习能够有效学习图结构,从而更好地找到相似用户进行推荐.首先,利用图聚集算法同时考虑分组间及分组内的结构得到最终的聚集图;其次,在聚集图上计算随机游走的转移概率,然后选择每个具有偏差概率的后继节点并生成节点序列;最后将节点序列输入到skip-gram学习用户的潜在表示,获得节点的表示向量整合其信息到贝叶斯个性化排序模型(BPR)来解决项目排名问题.实验结果表明,该方法相比于社会化贝叶斯个性化排序(SBPR)、协同用户网络嵌入(CUNE)等基线方法在推荐任务中保持时间效率的同时有效提升了准确率、召回率和平均精度均值.     

一种检测兴趣漂移的图结构推荐系统

协同过滤是构造推荐系统最有效的方法之一.其中,基于图结构推荐方法成为近来协同过滤的研究热点.基于图结构的方法视用户和项为图的结点,并利用图理论去计算用户和项之间的相似度.尽管人们对图结构推荐系统开展了很多的研究和应用,然而这些研究都认为用户的兴趣是保持不变的,所以不能够根据用户兴趣的相关变化做出合理推荐.本文提出一种新的可以检测用户兴趣漂移的图结构推荐系统.首先,设计了一个新的兴趣漂移检测方法,它可以有效地检测出用户兴趣在何时发生了哪种变化.其次,根据用户的兴趣序列,对评分项进行加权并构造用户特征向量.最后,整合二部投影与随机游走进行项推荐.在标准数据集MovieLens上的测试表明算法优于两个图结构推荐方法和一个评分时间加权的协同过滤方法.     

基于分布式图计算框架的好友推荐算法研究

随着社交网络的兴起与发展,用户数目规模呈现出指数级增长的趋势。这些大规模数据里蕴含着许多有价值的信息,挖掘其中有用的信息已经成为学者研究的重点,好友推荐就是数据挖掘里的一个重要应用。为了获得更优的性能、更高的可扩展性,采用分布式平台解决大规模好友推荐成为学术界和工业界的一个发展趋势。目前使用得较广泛的为基于MapReduce框架的好友推荐算法,该方法有较高的可扩展性,但是受限于MapReduce低效的中间数据传输,存在性能缺陷。针对上述问题,提出一种基于分布式图计算框架的好友推荐算法。最后,在多个真实的社交网络数据集上评测了该方法。实验结果表明,该方法要优于业界先进的好友推荐算法,在准确率相当的情况下,性能大约为其他算法的7倍。     

基于用户兴趣度的改进二部图随机游走推荐方法

传统的二部图随机游走算法主要采用基于共同项目的相似度计算,并且项目之间、用户之间的影响程度是对称的,这种对称信息不能体现用户兴趣,推荐精度不高。为了提高推荐准确性,提出一种基于用户兴趣度的二部图随机游走方法。采用共同项目和用户打分项目数量的共同性质体现用户兴趣度,分析信息的不对称性,并在二部图中随机游走。实验表明,基于用户兴趣度的二部图随机游走算法提高了预测准确率和命中率。     

一种基于随机游走的歌曲推荐算法

推荐系统可以帮助人们在海量的数据中发现所需的有价值的信息。传统的协同过滤推荐算法根据历史数据中用户对项目的各种行为操作构建用户-项目评分矩阵,进而计算相似度,从而预测用户对项目的偏好程度进行推荐。但因为评分数据通常较为稀疏,使得推荐的准确性不高,从而不能很好地对用户进行推荐。针对这个问题,提出一种结合场论理论的随机游走歌曲推荐算法,融合歌曲评分相似度和歌曲基本信息相似度,降低歌曲间综合相似度矩阵的稀疏性,并将物理学中的场论理论和歌曲的重要度结合,构造转移概率矩阵,从而实现歌曲推荐。实验表明,该算法较协同过滤算法的推荐准确性更佳。     

信任社交网络中基于图熵的个性化推荐算法

随着社交网络的飞速发展引起了人们对推荐系统（RS）的广泛关注。针对社交网络中现有推荐方法仍存在冷启动问题以及未考虑用户所处的社交网络信息的情况，提出了在信任社交网络中基于图熵的个性化推荐算法（PRAGE）。首先，根据用户物品和它们之间的反馈信息建立用户物品图（UIG），同时引入信任机制建立用户信任图（UTG）；其次，通过对两个图使用随机游走算法得到用户与物品的初始相似度和基于信任机制的新的用户物品相似度；重复随机游走过程直至相似度稳定到收敛值；然后，使用UIG和UTG的图熵对两组相似度进行加权并最终相应地得出目标用户的最终推荐列表。在真实的数据集Epinions和FilmTrust上的实验结果表明，相比经典的基于随机游走算法，PRAGE的精确率分别提高了34.7%和19.4%，召回率分别提高了28.9%和21.1%，能够有效地缓解推荐的冷启动问题且在精确率和覆盖率指标上均优于对比算法。     

一种基于随机游走的多维数据推荐算法

在推荐系统中,推荐算法不但要具备很高的准确性,还需要满足灵活性。为了使推荐算法满足准确性,同时尽量提高算法的灵活性,提出了一种基于随机游走的多维推荐算法。首先,应用用户的上下文信息建立一个多维的推荐系统模型;其次,将用户的查询分解为多个子查询,并建立相应的二部图;最后,应用随机游走模型将候选项排序,并将top-k个选项作为结果返回。实验结果表明,提出的推荐算法能灵活满足用户多样化的推荐查询,并具有很好的准确性,明显优于相关的推荐算法。     

一种个性化旅游线路推荐算法

采用用户-景点-线路三部图来描述用户的行为,通过改进的随机行走算法给用户推荐合适的旅游线路,可以提供准确的旅游线路推荐并有效地解决新的线路难以推荐的问题。通过对景点的聚类,减小了数据稀疏性对推荐带来的影响并避免了过拟合问题。实验结果表明,与传统的方法相比,本文提出的算法具有较好的排序准确度,特别是对稀疏度较高的用户,优势更明显。     

基于加权两层图的混合推荐方法

结合用户一项目评分矩阵和项目一类别关联矩阵,提出了一种新的混合推荐模型。首先,利用用户一项目评分矩 阵和项目一类别矩阵,提出一种新的项目关联度度量方法,该方法根据项目的特征信息和当前评分数据的稀疏情况,动 态调节关联度的计算值,真实地反映彼此之间的关联度;其次,分别以项目关联度和用户一项目评分信息为权值,构建 一个基于用户一项目的加权两层图模型;在此基础上,从两层图的全局结构出发,结合随机游走算法给出了基于加权两 层图的推荐算法,以为用户提供个性化的项目推荐和用户推荐。实验结果表明,该算法相比文献中的其他推荐方法具 有更高的准确度。     

基于项相关图的协同过滤算法

在电子商务中,准确的推荐结果可以提高商品的成交量,从而给企业带来更多的收益。为了提高推荐算法的准确性,提出了一种基于项相关图的协同过滤算法。以商品作为顶点,以共同购买两个商品的用户数作为连接这两个顶点的边,将用户-项评分矩阵转换成一个项相关图。根据项相关图确定项与项之间的相似性,设计了一种综合了项相关图相似性和平均值相似性的推荐算法。实验结果表明,提出的推荐算法具有很好的预测准确性,明显优于相关的项推荐算法。     

电影推荐系统中基于图的协同过滤算法

在视频服务领域,通常使用传统的协同过滤算法来解决评分数据较为稀疏的问题,而算法的视频相似度计算仅利用评分矩阵,从而造成推荐准确度较低,针对视频资源中的电影这一应用场景提出一种基于图的协同过滤算法。结合电影属性与用户偏好的关联性,将电影信息中类型、导演和演员等信息进行图元素的映射,融合图结构特点来计算影片资源的相似度。用该方法替代传统协同过滤算法中仅利用评分矩阵的相似度计算方法,在一定程度上缓解了由于数据稀疏性影响推荐准确度的问题,实验验证了该方法的有效性。     

一种面向共享账号的个性化推荐算法

传统的推荐领域的研究主要面向的是单个用户的内容推荐,然而现实生活中多个用户共享同一个账号的情况不在少数。为了解决多用户共享账号情况下,账号内部分用户得不到有效推荐的问题,本文提出PRASA(Personalized Recommendation Algorithm for Shared Account)算法,首先利用LDA(Latent Dirichlet Allocation)主题模型构建项目特征向量,接着利用DPC(Density Peaks based Clustering)算法对项目进行聚类分组,为分组后的每组项目分别进行推荐,对于离群点进行单独处理后产生推荐,保证推荐结果可以覆盖更广泛。实验结果表明,本文提出的PRASA算法可以有效地为共享账号的用户产生合适的推荐。     

ConvFNN:一种基于深度学习的个性化推荐算法

最近这几年,随着深度学习快速发展,在图像处理、自然语言处理等领域有了很多应用,而在推荐系统领域,深度学习的应用还不是很常见,并且现在传统的推荐算法也遇到了一些瓶颈,由于现在的评分数据非常稀疏,传统的矩阵分解模型,在一些评分预测领域效果不是很理想。本论文为了解决这些问题,提出一种基于深度学习的个性化推荐算法,考虑利用深度学习来解决评分预测不准的问题。     

一种基于内容过滤的科技文献推荐算法

个性化推荐技术能够帮助用户快速方便地从大量的电子文献中获得感兴趣的文献,但传统的基于内容过滤的推荐算法不能反映用户对文献需求的兴趣变化,难以区分文献质量的高低。针对上述问题,提出了基于用户访问时间的数据权重和文献重要度,以便更好反应用户的兴趣以及文献质量的优劣,并将这两种度量引入到基于内容过滤的科技文献推荐算法中。实验和分析表明,改进后的算法比传统的内容过滤推荐算法在对文献推荐的准确度上有所提高。     

融合隐语义和邻域算法的兴趣点推荐模型*

近年来,随着众多具有传感功能的智能手机和可穿戴设备的普及,基于位置的服务得到了快速发展,其中基于位置的社交网络（location-based social networks,LBSN）逐渐被大多数人所接受,基于位置社交网络可以为人们提供兴趣点推荐服务,为了提供更加精准的兴趣点推荐服务本文提出了一种融合的算法模型。本文通过隐语义分析算法来充分挖掘用户的历史行为,使用基于邻域的方法结合好友和地理位置等因素,然后在统一的框架中融合这两种推荐方式的结果,实现了对用户行为更好的预测。实验结果表明,本文提出的兴趣点推荐方法拥有较好的准确率和召回率。     

运动视频对象分割的一种快速算法

为了能够实时地对运动视频对象进行分割,提出了一种对视频序列图象中的运动对象进行快速分割提取的算法,该算法首先对图象进行滤波,并求出连续两帧图象之间的差分,然后应用“同化填充”技术和基于对象的“整体运动估计”来对差分图象进行修正,进而得到对象模板,同时利用模板缓冲区的帧间迭代来维持模板的完整性,该算法不仅不依赖于固定背景,而且能够消除差分图中的显露背景,还能得到运动目标较为精确的形状,并且算法简单,快速,鲁棒性好。     

一种属性和评分的协同过滤混合推荐算法

传统协同过滤推荐算法仅仅根据稀疏的评分矩阵向用户推荐,存在推荐质量不高的问题.提出了一种属性和评分的协同过滤混合推荐算法.该算法由项目的类别属性计算项目之间基于属性的相似性,考虑到用户兴趣随时间的变化,构建评分时间权重的指数函数,并应用到项目之间的Pearson相关相似性中.通过权重因子加权项目之间基于属性的相似性和项目之间的Pearson相关相似性,然后计算基于项目属性的评分预测.描绘职业分类树,构建职业相似性模型,并与性别加权结合产生用户综合属性的相似性,得到基于用户属性的评分预测.最后,综合两者计算混合评分预测.在Movielens实验数据集下,实验结果表明提出的算法具有较好的平均绝对误差.     

On random routing in wireless sensor grids: A mathematical model for rendezvous probability and performance optimization

Random routing protocols in Wireless Sensor Networks (WSNs) forward packets to randomly selected neighbors. These packets are ‘agents’ carrying information about events or ‘queries’ seeking such information. A novel mathematical framework is proposed for analyzing random routing protocols. Exact probability of a packet visiting a given node within a given hop count as well as the rendezvous probability of agents and queries meeting at a given node in a 2-D grid-based WSN are derived. The basic relationship needed for extending the models to a 3-D grid topology is provided. Exact probabilities of agents meeting queries are derived while ignoring physical boundary effects and packet losses, under two different strategies for forwarding the packet to a neighbor: (a) with equal probability, and (b) self-avoiding forwarding. We then extend the model to account for packet losses by considering the case where a packet is forwarded to a neighbor with equal probability. Also provided is the extension of the analysis for a network with rectangular boundaries. The exact solutions presented, unlike existing models relying on asymptotic behavior, are also applicable to small and medium scale networks. They can be used to set parameters and optimize performance of several classes of random routing protocols. All the models are validated using Monte Carlo simulations. Simulation results indicate that the model is also a good approximation for sparse arrays with 75% or higher node density. Finally, the utility of the model is demonstrated by determining the protocol parameters to optimize the performance of rumor routing protocol under a fixed energy budget.     

PTRA:一个面向空载出租车的路线推荐算法

目前针对出租车的推荐系统主要从降低空载率和减少寻客里程两个方面为司机推荐潜在载客点或最优行驶路线,然而从司机收益最大化的角度而言,多数研究没有考虑实时路况的变化对推荐效果的影响.因此,以收益最大化为目标进行了研究,提出了一种空载出租车推荐算法PTRA(profit-based taxi recommendation a...     

基于RBLDA模型和交互关系的微博标签推荐算法

随着互联网技术的发展, 个性化标签推荐系统在海量信息或资源过滤中起着重要的角色. 在新浪微博平台中, 用户可以自主的给自己添加标签来表明自己的兴趣爱好. 同时, 用户也可以通过标签来搜索与自己兴趣爱好相似的用户. 针对新浪微博中大部分用户没有添加标签或添加标签数目较少的问题, 提出了一种基于RBLDA模型和交互关系的微博标签推荐算法, 它首先利用RBLDA模型来产生用户的初始标签列表, 然后再结合用户的交互关系而形成的交互图来预测用户标签的算法. 通过在新浪微博真实数据集上的实验发现, 该方案与传统的标签推荐算法相比, 取得了良好的实验效果.