基于时空上下文信息的POI推荐模型研究

随着基于位置的社交网络(LBSN)技术的快速发展,为移动用户提供个性化服务的兴趣点(POI)推荐成为关注重点。由于POI推荐面临着数据稀疏、影响因素多和用户偏好复杂的挑战,因此传统的POI推荐往往只考虑签到频率以及签到时间和地点对用户的影响,而忽略了签到序列中用户前后行为的关联影响。为了解决上述问题,该文通过序列的表示考虑签到数据的时间影响和空间影响,建立了时空上下文信息的POI推荐模型(STCPR),为POI推荐提供了更精准的个性化偏好。该模型基于序列到序列的框架下,将用户信息、POI信息、类别信息和时空上下文信息进行向量化后嵌入GRU网络中,同时利用了时间注意力机制、全局和局部的空间注意力机制来综合考虑用户偏好与变化趋势,从而向用户推荐感兴趣的Top-N的POI。该文通过在两个真实的数据集上实验来验证模型的性能。实验的结果表明,该文所提出的方法在召回率(Recall)和归一化折损累计增益(NDCG)方面优于几种现有的方法。     

基于签到活跃度和时空概率模型的自适应兴趣点推荐方法

针对现有兴趣点(POI)推荐算法对不同签到特征的用户缺乏自适应性问题,该文提出一种基于用户签到活跃度(UCA)特征和时空(TS)概率模型的自适应兴趣点推荐方法UCA-TS。利用概率统计分析方法提取用户签到的活跃度特征,给出一种用户不活跃和活跃的隶属度计算方法。在此基础上,分别采用结合时间因素的1维幂律函数和2维高斯核密度估计来计算不活跃和活跃特征的概率值,同时融入兴趣点流行度来进行推荐。该方法能自适应用户的签到特征,并能更准确体现用户签到的时间和空间偏好。实验结果表明,该方法能够有效提高推荐精度和召回率。     

基于深度学习的混合兴趣点推荐算法

针对现有兴趣点推荐的初始化和忽视评论信息语义上下文信息的问题,将深度学习融入推荐系统中已经成为兴趣点推荐研究的热点之一。该文提出一种基于深度学习的混合兴趣点推荐模型(MFM-HNN)。该模型基于神经网络融合评论信息与用户签到信息来提高兴趣点推荐的性能。具体地,利用卷积神经网络学习评论信息的特征表示,利用降噪自动编码对用户签到信息进行初始化。进而,基于扩展的矩阵分解模型融合评论信息特征和用户签到信息的初始值进行兴趣点推荐。在真实签到数据集上进行实验,结果表明所提MFM-HNN模型相比其他先进的兴趣点推荐具有更好的推荐性能。     

基于环境因素和移动互联网的个性化推荐系统

为解决信息激增给用户带来的信息选择难题,帮助用户节约查找和筛选信息的时间和精力,利用移动互联网环境下用户信息具有位置化和兴趣动态性等特点,提出并实现了基于位置和环境的移动互联网个性化推荐系统。建立了基于环境因素的多维度动态兴趣模型,通过对利用资讯信息的位置化和环境化处理建立了基于环境因素的信息特征模型。在兴趣模型和信息模型的基础上提出基于环境和位置的个性化推荐框架,并给出系统的实现架构。     

融合用户社交网络数据的推荐研究

针对社交网络数据在改善推荐效果方面的问题,梳理了融合社交网络数据的推荐,在改善推荐效果方面的方法以及逻辑思路,首先,说明和分析了社交网络的框架以及社会化推荐的概念;然后,根据形成社交网络的主要作用因素不同,分别从基于用户信任的社交网络推荐、基于位置社交网络的兴趣点推荐两个角度出发,归纳,分析其如何融合用户的社交网络信息来提高推荐的准确性,多样性,改善模型运行效率,从而提高推荐质量。     

基于HBase的实时消息推荐系统

在现有的推荐系统中,基于用户兴趣模型都能够表达出用户的兴趣,但在用户兴趣发生变化时却不能够及时更新模型。提出基于用户反馈内容来实时更新用户兴趣的消息推荐系统,通过实时更新模型和特征向量进而得到用户当前最匹配的推荐结果。并使用HBase(Hadoop Database)作为存储,能更好地适应数据规模的增长。     

位置社交网络的潜在好友推荐模型研究

为了提高位置社交网络的服务便捷性和用户感受度,与位置相关的推荐服务越来越具有重要意义和应用需求.提出的潜在好友推荐模型主要是根据签到位置的相似度及好友相似度进行潜在用户推荐.通过用户的好友关系、签到特性及签到历史记录,计算用户在各个位置兴趣点的位置权重,再分别利用位置权重及好友关系计算用户的位置相似度和好友相似度,最后根据用户位置和好友关系的综合相似度进行潜在用户推荐.实验结果表明,提出的潜在好友推荐模型是切实有效的.     

移动社会网络中基于位置的个性化餐馆推荐建模研究

移动网络中基于位置的服务(Location-Based Service,LBS)是用于移动设备的典型服务。文章总结了LBS推荐系统的主要特点及其应用,融合情景信息提出分阶段的LBS推荐系统模型。在冷启动阶段,根据用户历史数据基于规则推荐,预测新用户兴趣。当获得大量的历史用户反馈和交互数据,采用基于用户和情景的协同过滤推荐算法来提高推荐系统的精度,并修改规则库。实验表明该推荐模型能提高推荐精度并实时推荐。     

融合图神经网络与长短期偏好的序列推荐算法

针对序列推荐在捕获用户动态偏好方面存在明显不足,而且难以捕获用户复杂的长期依赖关系等问题。提出了一种融合图神经网络与长短期偏好的序列推荐算法。算法主要包含短期偏好学习和长期偏好学习。首先基于图神经网络进行短期偏好学习,图神经网络具有强大的图数据拟合能力,用图神经网络捕获用户兴趣点的联系并准确生成短期偏好表示。历史长期偏好具有全局性,波动较小,利用双向LSTM进行长期偏好兴趣学习,获得用户长期偏好表示。实验结果表明,融合图神经网络与长短期偏好的序列推荐算法显著优于其他先进的序列推荐方法。     

多源异构数据融合的智能商业选址推荐算法

随着社交媒体和基于位置网络服务的快速发展,基于海量用户生成数据进行智能推荐成为研究热点。然而,已有工作主要面向在线产品推荐,在如何利用物理空间的多维异构数据进行推荐方面研究较少。文中以城市商业选址为背景,利用社交媒体上的用户签到数据、小区房价数据以及各种POI数据等多源城市数据,在数据预处理基础上进行多侧面商业特征和地理特征提取,提出基于随机森林的商业选址推荐方法。使用北京地区的多源城市数据建立模型,通过排序评价指标NDCG对实验结果进行评估。结果表明所提出的方法具有较好的推荐性能。     

Joint recommendation algorithm based on tensor completion and user preference

Aiming at the problem that existing recommendation algorithms have little regard for user preference,and the recommendation result is not satisfactory,a joint recommendation algorithm based on tensor completion and user preference was proposed.First,a user-item-category 3-dimensional tensor was built based on user-item scoring matrix and item-category matrix.Then,the Frank-Wolfe algorithm was used for iterative calculation to fill in the missing data of the tensor.At the same time,a user category preference matrix and a scoring preference matrix were built based on the 3-dimensional tensor.Finally,a joint recommendation algorithm was designed based on the completed tensor and the two preference matrices,and the differential evolution algorithm was used for parameter tuning.The experimental results show that compared with some typical and newly proposed recommendation algorithms,the proposed algorithm is superior to the compare algorithms,the precision is improved by 1.96% ~ 3.44% on average,and the recall rate is improved by 1.35%~2.40% on average.     

An Adaptive User Preferences Elicitation Scheme for Location Recommendation

User preferences elicitation is a key issue of location recommendation.This paper proposes an adaptive user preferences elicitation scheme based on Collaborative filtering (CF) algorithm for location recommendation.In this scheme,user preferences are divided into user static preferences and user dynamic preferences.The former is estimated based on location category information and historical ratings.Meanwhile,the latter is evaluated based on geographical information and two-dimensional cloud model.The advantage of this method is that it not only considers the diversity of user preferences,but also can alleviate the data sparsity problem.In order to predict user preferences of new locations more precisely,the scheme integrates the similarity of user static preferences,user dynamic preferences and social ties into CF algorithm.Furthermore,the scheme is paraltelized on the Hadoop platform for significant improvement in efficiency.Experimental results on Yelp dataset demonstrate the performance gains of the scheme.     

POI recommendation by incorporating trust-distrust relationship in LBSN

POI (point of interest) recommendation is an important personalized service in the LBSN (location-based social network) which has wide applications such as popular sights recommendation and travel routes planning.Most existing collaborative filter algorithms make recommendation according to user similarity and location similarity,they don’t consider the trust relationship between users.And trust relationship is helpful to improve recommendation accuracy,robustness and user satisfaction.Firstly,the propagation property of trust and distrust relationship was analyzed.Then,the measurement and computation method of trust were given.Finally,a hybrid recommendation system which combined user similarity,geographical location similarity and trust relationship was proposed.The experiments results show that the hybrid recommendation is obviously superior to the traditional collaborative filtering in terms of results accuracy and user satisfaction.     

数据隐私保护的社会化推荐协议

基于邻域的社会化推荐需要同时依赖用户的历史行为数据和完善的社交网络拓扑图,但通常这些数据分别属于不同平台,如推荐系统服务提供商和社交网络服务提供商。出于维护自身数据价值及保护用户隐私的考虑,他们并不愿意将数据信息提供给其他方。针对这一现象,提出了2种数据隐私保护的社会化推荐协议,可以在保护推荐系统服务提供商和社交网络服务提供商的数据隐私的同时,为用户提供精准的推荐服务。其中,基于不经意传输的社会化推荐,计算代价较小,适用于对推荐效率要求较高的应用;基于同态加密的社会化推荐,安全程度更高,适用于对数据隐私要求较高的应用。在4组真实数据集上的实验表明,提出的2种方案切实可行,用户可以根据自身需求选择合适的方案。     

Personalized privacy protection method for group recommendation

To address the problem that most of the existing privacy protection methods can not satisfy the user’s personalized requirements very well in group recommendation,a user personalized privacy protection framework based on trusted client for group recommendation (UPPPF-TC-GR) followed with a group sensitive preference protection method (GSPPM) was proposed.In GSPPM,user’s historical data and privacy preference demands were collected in the trusted client,and similar users were selected in the group based on sensitive topic similarity between users.Privacy protection for users who had privacy preferences in the group was realized by randomization of cooperative disturbance to top k similar users.Simulation experiments show that the proposed GSPPM can not only satisfy privacy protection requirements for each user but also achieve better performance.     

基于用户行为认知的在线社交网络协同推荐

近年来,在线社交网络成为人们工作、生活不可或缺的信息共享与交流工具,如何对海量庞杂、大范围时空关联的用户行为信息进行认知并据此提供个性化的推荐服务,已成为在线社交网络发展重点关注的问题。为此,提出了一种基于用户行为认知的在线社交网络协同推荐框架,在对用户特征、文本信息及兴趣偏好等行为进行认知的基础上,利用协同过滤算法,实现个性化的推荐服务。实验结果验证了提出的基于用户行为认知的协同推荐策略具有较好的稳定性和实际应用效果。     

异质社交网络中多通道特征融合的好友推荐模型

合理有效的好友推荐算法对于社交网络的发展和扩张有重大的意义。然而随着社交网络的复杂化和异质化,传统推荐系统中协同过滤推荐方法不能满足需求。针对异质社交网络中存在着大量的内容相关信息这一特点,根据好友推荐的需求,提出了多通道特征融合的好友推荐模型。该模型对用户相关的多维特征进行挖掘与利用,包括显性特征(如用户profile,用户tag,社交关系等)和隐性特征(如用户重要度,挖掘用户标注发现其领域兴趣等),并进一步将这些内容相关的多特征融合到协同排序算法中进行学习训练。实验结果表明,随着多个内容特征的逐步融合,算法的MAP值稳步提高,最终相对未融合的协同排序方法提高了12%,并在一定程度上的解决了冷启动问题,提高了好友推荐的多样性。     

一种基于动态角色标识和张量分解的推荐模型

社交网络推荐中,通常未依据用户兴趣变化进行用户角色动态标注,会造成推荐预测误差,并且用户评分数据稀疏造成评分预测不准确.根据以上问题,本文提出一种基于动态角色标识和张量分解的推荐模型.首先,针对用户角色无差别标识问题,引入信息熵指标度量用户兴趣多样性,对目标用户进行角色定量标识.其次,考虑到用户兴趣漂移现象,提出基于时间窗的动态角色标识方式,解决静态角色标识产生的个体评分数据无偏好差异问题,实现用户评分数据层次化处理.最后,为提高评分预测准确率,通过引入张量分解在数据维度转换和数据压缩的特性,构建基于"用户-项目-角色"张量分解的评分预测模型.同时,在张量分解的过程中,通过对数据缺失值处理,提高评分预测精度,生成目标用户推荐列表.实验表明,该方法缓解了用户无角色差异形成的预测误差问题,并能够有效改善评分数据稀疏情况下传统方法推荐精度不足的问题,提高推荐效率.     

Co-pairwise ranking model for item recommendation

Most of existing recommendation models constructed pairwise samples only from a user’s perspective.Nevertheless,they overlooked the functional relationships among items--A key factor that could significantly influence user purchase decision-making process.To this end,a co-pairwise ranking model was proposed,which modeled a user’s preference for a given item as the combination of user-item interactions and item-item complementarity relationships.Considering that the rank position of positive sample and the negative sampler had a direct impact on the rate of convergence,a rank-aware learning algorithm was devised for optimizing the proposed model.Extensive experiments on four real-word datasets are conducted to evaluate of the proposed model.The experimental results demonstrate that the devised algorithm significantly outperforms a series of state-of-the-art recommendation algorithms in terms of multiple evaluation metrics.     

融入音乐子人格特质和社交网络行为分析的音乐推荐方法

为了可以实时推荐符合人们情感状态的音乐,提出了一种融入音乐子人格特质的社交网络行为分析的音乐推荐算法,该算法通过分析用户发表在微博等社交媒体上的状态,计算用户在该情感状态下对音乐的偏好程度;选择在该情感状态下音乐偏好相似的最近邻用户,最后融入音乐子人格特质进行偏好度计算,为用户推荐最适合其情感状态的音乐。实验结果表明,该算法可以缓解用户数据稀疏性对推荐结果的影响,能够提高推荐系统的推荐质量。