融合信任用户间接影响的个性化推荐算法

为了解决推荐系统中固有的数据稀疏性和冷启动问题,通常会采用一些额外的与用户或是项目有关的信息。提出了一种新颖的基于矩阵因子分解的推荐算法,其结合了其他用户对于活动用户未来评分的间接影响作用,并进一步将社交网络中的信任关系融入到算法中。同时,为了避免学习参数时过度拟合,引入了一种加权的正规化因子。最后针对一般情况和冷启动情况,分别在Epinions数据集和Ciao数据集上进行了实验。实验结果表明,相比于其它相关算法,本算法在推荐准确性上有了很大的提高,同时能更好地解决相关问题。     

一种基于交互信息的分割图像检测方法

基于交互信息的图像算法通过比较图像局部信息熵结合训练集的样本数和概率密度函数。本文设计一种将整体图像分割区域得到交互信息的方法，并在训练样本数据库下设置了不同的评价，以及不同强度分布的分辨率显示了该方法具有较高的准确率。     

融合社交信息的矩阵分解推荐方法研究综述

随着社交网络的发展,融合社交信息的推荐成为推荐领域中的一个研究热点.基于矩阵分解的协同过滤推荐方法（简称为矩阵分解推荐方法）因其算法可扩展性好及灵活性高等诸多特点,成为研究人员在其基础之上进行社交推荐模型构建的重要原因.本文围绕基于矩阵分解的社交推荐模型,依据模型的构建方式对社交推荐模型进行综述.在实际数据上对已有代表性社交推荐方法进行对比,分析各种典型社交推荐模型在不同视角下的性能（如整体用户、冷启动用户、长尾物品）.最后,分析基于矩阵分解的社交推荐模型及其求解算法存在的问题,并对未来研究方向与发展趋势进行了展望.     

分解机深度网络推荐算法

近些年很多基于深度学习的推荐模型被提出,这些模型通过对特征的处理和改变深度网络结构来解决推荐系统数据稀疏和冷启动的问题.然而现有的方法忽略了特征与特征之间的交互对深度网络的影响,限制了模型的学习能力.为了给用户推荐更感兴趣的项目和信息,本文提出了分解机深度网络(Factorization Machine Deep Ne...     

融合交互强度的优化社交推荐算法

针对现有社交化推荐算法忽视了评级数据与社交信息之间关联的探索,提出了一种融合交互强度的优化社交推荐算法。首先,利用社交信息和评级数据结合两种相似度丰富社交矩阵;接着,定义用户间交互强度代表用户间复杂关系;最后,利用交互强度与社交关系之间的关联以及用户潜在特征与用户群体参与特征的关联构建新的目标函数,学习用户和项目的潜在特征,实现个性化推荐。在三个真实数据集上进行实验,与基线模型相比,提出的算法在推荐预测精度上有显著提升,且在对不同评级数量的用户进行潜在特征学习时,表现出良好的鲁棒性。综上,融合交互强度可以进一步提升社交化推荐算法性能,增强用户体验感。     

融合评论文本与评分交互特征的推荐方法

为缓解协同过滤推荐算法中评分数据稀疏问题对推荐结果的影响,提出一种融合文本评论和用户评分交互的推荐算法。通过将用户和商品评论各自潜在主题向量与用户、商品的潜在因子向量进行融合并各自进行评分,经过动态线性加权融合做出整体评分预测。在公开的多组数据集上,以推荐结果的均方根误差(RMSE)和平均绝对误差(MAE)为评估指标进行实验验证。实验结果表明,提出算法可以更好地刻画用户偏好和商品特征,有效缓解了评论数据稀疏性影响,提高推荐结果的准确性。     

融合用户属性信息的冷启动推荐算法

协同过滤算法广泛应用于个性化推荐系统中。现有的基于社群相似性的协同过滤算法在新用户新商品的冷启动场景中难以使用,性能较差。对此,提出了一种基于矩阵分解和神经网络映射的冷启动推荐算法。首先,使用矩阵分解方法求出用户在潜在兴趣空间的向量表示;然后,训练神经网络学习从用户属性数据到潜在兴趣向量的映射关系;最后,融合用户的历史评分数据与属性数据各自生成的兴趣向量,给出平滑的推荐预测值。实验表明,当用户的评分记录很少时,预测性能有明显提升,融合用户的属性信息能较好地改善"冷启动"情况下推荐系统的性能。     

基于支撑向量机的自适应信息推荐算法

提出一种新的基于支撑向量机的自适应主动推荐算法，该算法将用户模型按照层次化方式组织成领域信息和原子需求信息，考虑多用户同类信息需求，采用支撑向量机对领域信息结点中的原子需求信息进行分类协同推荐。然后再针对每一领域信息节点中的原子信息需求进行基于内容的过滤，最后将所有领域信息需求获得的推荐集按照一定的重要度等级进行推荐．本文所提算法克服了采用单一方法的弊端而使得推荐质量得到了很大的改善，基于标准测试集的测试结果表明该算法在查全率和查准率方面表现出了优越的性能，尤其适合大规模用户的自适应主动信息推荐。     

融合社交网络信息的长尾推荐方法

在长尾推荐场景中,目标用户更信任与自己兴趣相似的好友的推荐结果,故为目标用户推荐其好友的个性化偏好物品有利于提高长尾推荐性能.相应地,如何有效融合社交网络信息与评分矩阵信息,提升推荐性能自然成为长尾推荐中的重要问题.为此,文中从信息融合视角出发,通过社交网络和评分矩阵共享用户的潜在特征向量,并将好友推荐信息作为长尾推荐...     

基于交互信息的数据集特征结构研究

机器学习分类领域提出大量的分类算法,如何为数据集找到合适的分类算法成为研究的重要内容之一.文献[8]提出一种新的数据集离散化方法用来刻画数据集的特征,且在推荐方法方面取得较好的结果.本文在此基础上利用交互信息理论刻画数据集的属性与属性及属性与类标签之间协作关系,提出基于二变量和基于三变量的交互信息特征结构.通过12种分类算法在UCI数据库中的98个数据集上的性能实验,结果表明与文献[8]的方法相比,两种方法都能明显提高推荐方法的精度和命中率,且对于适应性较差的数据集,基于三变量的交互信息方法更为有效.     

基于多维信任和联合矩阵分解的社会化推荐方法

针对现有社会化推荐算法在信任分析方面的不足，研究了从社交辅助信息中充分挖掘用户信任关系的方法，进而提出一种基于多维信任计算和联合矩阵分解的社会化推荐算法。首先，从用户社交行为、社交圈特征获得用户的动态和静态两种局部信任度，再利用信任网络的结构特征提取全局信任度；然后，构造一种对增强关注矩阵和社交信任矩阵进行联合矩阵分解的社会化推荐算法，并采用随机梯度下降法对其求解。基于新浪微博数据集的实验结果表明，所提出的算法在推荐精度和Top-K推荐能力方面明显优于socailMF、LOCABAL、contextMF和TBSVD这几种代表性的社会化推荐算法。     

融合因子分解机和用户行为预测的音乐推荐

针对传统音乐评分推荐模式用户评分缺失和主观差异性较大等问题,通过提取用户行为数据构建行为特征模型,用以分析用户行为与兴趣的关联性,并采用因子分解机（Factorization Machine,FM）预测用户行为类型,作为音乐推荐的依据。将FM应用到该方法中,充分利用音乐和用户属性特征,并且通过模拟用户行为特征数据中的隐因子来填充推荐的稀疏矩阵,降低数据稀疏对预测的影响。与传统音乐推荐方法相比,从用户历史行为中挖掘用户兴趣倾向以解决评分模型带来的问题更具可行性,实验结果表明该方法用于音乐推荐也具有良好的效果。     

耦合辅助信息的矩阵分解推荐模型

近十年来，协同过滤（CF）推荐系统成功地为用户提供了个性化的产品和服务。然而，用户—物品矩阵的稀疏性、推荐精度不高等问题仍然是一个挑战。针对这些问题，在矩阵分解模型基础上，提出了耦合用户和物品辅助信息的矩阵分解混合协同过滤框架；然后，基于此框架又提出了耦合物品属性信息相似度（COS）的过滤模型。大规模真实数据集上的实验表明，该模型不但可以有效解决物品相似度度量问题，而且相比传统方法，尤其是在物品特征非常稀疏的情况下，推荐准确性得到有效改进。     

基于联合概率矩阵分解的个性化试题推荐方法

近年来随着在线教育中试题资源数量爆炸式的增长,学生很难在海量的试题资源中找到合适的试题,因此面向学生的试题推荐方法应运而生;然而,传统的基于概率矩阵分解的试题推荐方法没有考虑学生的知识点掌握信息,导致推荐结果准确率低,为此,提出一种基于联合概率矩阵分解的个性化试题推荐方法。首先,通过认知诊断模型得到的学生知识点掌握信息;然后,结合学生、试题和知识点三者信息进行联合概率矩阵分解;最后,根据难度范围进行试题推荐。实验结果表明,与其他传统推荐方法相比,所提方法在不同难度试题推荐的准确率上取得了较好的推荐结果。     

融合内容与矩阵分解的混合推荐算法

传统的基于内容的推荐算法往往具有较低的准确性,而协同过滤推荐算法中普遍存在数据稀缺性和项目冷启动问题。为解决上述问题,提出了一种融合内容与协同矩阵分解技术的混合推荐算法。该算法实现了在共同的低维空间中分解内容和协同矩阵,同时保留数据的局部结构。在参数优化方面利用一种基于乘法更新规则的迭代方法,以此提高学习能力。实验结果表明,该算法优于其他具有代表性的项目冷启动推荐算法,有效缓解了数据稀疏性,提高了推荐准确性。     

基于Spark的矩阵分解推荐算法

针对传统矩阵分解算法在处理海量数据信息时所面临的处理速度和计算资源的瓶颈问题,利用Spark在内存计算和迭代计算上的优势,提出了Spark框架下的矩阵分解并行化算法。首先,依据历史数据矩阵初始化用户因子矩阵和项目因子矩阵;其次,迭代更新因子矩阵,将迭代结果置于内存中作为下次迭代的输入;最后,迭代结束时得到矩阵推荐模型。通过在GroupLens网站上提供的MovieLens数据集上的实验结果表明,加速比(Speedup)值达到了线性的结果,该算法可以提高协同过滤推荐算法在大数据规模下的执行效率。     

基于非负矩阵分解的群组推荐算法

近年来,随着媒介技术的快速发展,人们成组活动的现象逐渐增多,群组推荐系统也逐渐受到关注。现有的群组推荐系统往往将不同的成员视为同质对象,忽视了成员专业背景和项目固有属性之间的关系,无法真正地解决融合过程中的偏好冲突问题。为此,提出一种基于非负矩阵分解的群组推荐算法,通过非负矩阵分解将群组评分信息分解为用户矩阵和项目矩阵,针对2个矩阵分别利用隶属度和专业度权值计算得到项目隶属度矩阵和成员专业度矩阵,并由此获得各成员在不同项目上的贡献度来构建群组偏好模型。实验结果表明,所提算法在不同群组规模和组内相似度的情况下依然具有较高的推荐准确度。     

融合双重正则化机制的低秩矩阵分解推荐模型

基于矩阵分解技术的社会化推荐通过加入用户信任关系来加强学习准确性,但忽略了物品之间的关联信息在模型分解过程中对用户兴趣的影响。对此首先提出在物品相似度计算方法中加入用户参与度进行改进,并构建了融合物品关联正则项和信任用户正则项双重约束的矩阵分解推荐模型,在优化隐式特征矩阵过程中体现了物品之间的关联信息对推荐的重要影响。最后通过对两个不同稀疏级别的数据集的实验证明,相比主流的矩阵分解模型,提出的双重正则项的矩阵分解模型能够提高稀疏数据集上预测评分的准确性,并能明显缓解用户冷启动问题。     

结合非负矩阵分解的主题社区好友推荐算法

为用户推荐好友是在线社交网络的重要个性化服务。好友推荐可以帮助用户发现他们感兴趣的好友,减轻信息过载的现象。然而,目前现有的推荐方法仅考虑用户链接或内容信息,推荐精度不高,不足以提供高质量的服务。在本文中,考虑了用户之间的链接和内容信息,提出了一种结合非负矩阵因式分解的主题社区好友推荐算法(T-NMF)。该算法给出了主题社区和综合相似度计算方法,产生好友推荐列表。实验表明,该算法可以更好的反映用户的偏好,并且具有比传统方法更好的推荐性能。     

融合信任信息的欧氏嵌入推荐算法

为了改善推荐系统存在的稀疏性和冷启动问题，提出一种融合信任信息的欧氏嵌入推荐（TREE）算法。首先，利用欧氏嵌入模型将用户和项目嵌入到统一的低维空间中；其次，在用户相似度计算公式中引入项目参与度和用户共同评分因子以度量信任信息；最后，在欧氏嵌入模型中加入社交信任关系正则化项，利用不同偏好的信任用户约束用户的位置向量并生成推荐结果。实验将TREE算法与概率矩阵分解（PMF）、社会正则化（SoReg）模型、社交的矩阵分解（SocialMF）模型、社交信任集成模型（RSTE）四种算法进行对比，当维度为5和10时，在Filmtrust数据集上TREE算法的均方根误差（RMSE）比最优的RSTE算法分别降低了1.60%、5.03%，在Epinions数据集上TREE算法的RMSE比最优的社交矩阵分解模型（SocialMF）算法分别降低了1.12%、1.29%。实验结果表明，TREE算法能进一步缓解稀疏和冷启动问题，提高评分预测的准确性。