基于多维社交关系嵌入的深层图神经网络推荐方法

社会化推荐系统通过用户的社会属性信息能缓解推荐系统中数据稀疏性和冷启动问题，从而提高推荐系统的精度。然而大多数社会化推荐方法主要针对单一的社交网络，或对多个社交网络进行线性叠加，使得用户社会属性难以充分参与计算，因而推荐的精度有限。针对该问题，提出一种多重网络嵌入的图形神经网络模型来实现复杂多维社交网络下的推荐，该模型构建了统一的方法来融合用户-物品、用户-用户等各种关系构成的多维复杂网络，通过注意力机制聚合不同类型的多邻居对节点生成作出贡献，并将多个图神经网络进行组合，从而构建了多维社交关系下的图神经网络推荐框架。这种方法通过拓扑结构直接反映推荐系统中实体及其相互间关系，直接在图上对相关信息进行不断更新计算，具有很强的归纳性，有效避免了传统推荐方法中信息利用不完全的问题。通过与相关的社会推荐算法进行比较，实验结果表明，所提方法在均方根误差（RMSE）和平均绝对误差（MAE）等推荐精度指标上有所改善，甚至在数据稀疏情况下也有良好的精度。     

基于多维社交关系嵌入的深层图神经网络推荐方法

社会化推荐系统通过用户的社会属性信息能缓解推荐系统中数据稀疏性和冷启动问题,从而提高推荐系统的精度。然而大多数社会化推荐方法主要针对单一的社交网络,或对多个社交网络进行线性叠加,使得用户社会属性难以充分参与计算,因而推荐的精度有限。针对该问题,提出一种多重网络嵌入的图形神经网络模型来实现复杂多维社交网络下的推荐,该模型构建了统一的方法来融合用户-物品、用户-用户等各种关系构成的多维复杂网络,通过注意力机制聚合不同类型的多邻居对节点生成作出贡献,并将多个图神经网络进行组合,从而构建了多维社交关系下的图神经网络推荐框架。这种方法通过拓扑结构直接反映推荐系统中实体及其相互间关系,直接在图上对相关信息进行不断更新计算,具有很强的归纳性,有效避免了传统推荐方法中信息利用不完全的问题。通过与相关的社会推荐算法进行比较,实验结果表明,所提方法在均方根误差(RMSE)和平均绝对误差(MAE)等推荐精度指标上有所改善,甚至在数据稀疏情况下也有良好的精度。     

改进填补法和多权重相似度相结合的推荐算法

针对传统推荐算法中存在的数据稀疏性问题,国内外许多研究人员都提出了相应的推荐算法。然而,在个性化推荐方面,其中大多数并没有取得很好的推荐效果。因此,提出改进填补法和多权重相似度相结合的推荐算法,该算法首先采用改进填补法填充缺失值并对数据降维,接着分别计算社交网络用户信任度和改进的二部图用户关联度,最后采用多权重因子将这两者相似度进行结合。基于此,该算法根据相似度高低获取邻居用户并对目标用户进行商品推荐。实验结果表明,在数据稀疏性以及个性化推荐情况下,该算法的平均绝对误差（MAE）优于其他推荐方法。     

基于协同过滤推荐的社交网络行为推断方法

因当前方法在划分用户行为时参考指标单一,导致推断结果误差较大.为解决上述问题,基于协同过滤推荐,对社交网络行为推断方法展开研究.根据不同形式的社交网络推荐模式,架构用户之间的信任关系,随后将信任值替换为相似度,采用协同过滤算法获取推荐列表,基于社交网络信息的组成部分,利用线性融合方法将其结合,创建用户相似度模型,推导出...     

基于多维相似度的利基产品推荐方法

电子商务平台上的产品销售具有长尾特征,但现有以追求精度为目标的推荐方法难以将处于长尾上的利基产品加入推荐列表。为此,从利基产品视角出发提出一种新的推荐方法。基于用户评分、产品属性和隐特征信息分别计算用户之间的评分相似度、偏好相似度和隐特征相似度,并综合这三种相似度挖掘利基产品高评分用户的相似用户,从而得到利基产品的受众并为其进行推荐。实验结果表明,该方法针对利基产品的推荐转化率远高于概率矩阵分解和协同过滤方法,在解决利基产品推荐问题上更有效。     

基于多维特征的开源项目个性化推荐方法

随着软件协同开发技术与社交网络的深度融合,社交化开发范式已成为当前软件创作与生产的重要方式。这一软件开发模型的灵活性与开放性,吸引了大规模的外围贡献者加入到开源社区中,形成了巨大的软件生产力。在开源社区中,这些分布广泛、规模巨大的外围贡献者主要以一种无组织的松散方式进行协同。他们需要花费大量的时间和精力,在海量的开源项目中寻找到自己真正感兴趣的项目并进行长期贡献。为了提高大规模群体协同的效率,本文提出一种基于多维特征的开源项目个性化推荐方法（即RepoLike）。该方法从开源项目自身流行度、关联项目技术相关度以及大众贡献者之间的社交关联度等三个维度度量开发者和开源项目之间的关联关系,并利用线性组合和Learning To Rank方法构建推荐模型,从而为开发者提供个性化的项目推荐服务。通过大规模的实证实验表明,RepoLike在推荐20个候选项目时的推荐命中率超过25%,能够有效地为开发人员提供有价值的推荐服务。     

基于商品特征的个性化推荐算法

针对现有个性化商品推荐算法精度不高、新商品不能及时推荐等缺点,提出了一种基于商品特征、用户购买日志及用户实时浏览行为的个性化推荐算法。算法首先根据客户的在线浏览情况获取当前客户的购买倾向,然后将客户的购买日志与商品特征数据库进行对比分析,获得客户对商品特征的偏爱度及推荐参照组,依据特征实体的相似度矩阵进行特征推荐组推荐,最后结合当前的购买倾向向客户推荐商品。     

基于信任社交圈的好友推荐算法

为体现出在线社交网络中好友推荐时的用户倾向性,并且更真实反映现实生活中人与人之间的关系强度,将用户间的好友关系强度定义为信任度引入到相邻边拓扑信息相似性计算中,并结合用户兴趣模型导出用户社交圈,提出一种好友推荐算法。针对用户社交圈中未考虑好友间信任度的情况,将信任度融入到社交圈重叠程度计算中为用户发现其潜在的好友提供建议。实验结果表明,与基于社交圈相似性和公共朋友相似性的好友推荐算法相比,该算法具有更高的好友推荐准确率。     

基于共同用户和相似标签的好友推荐方法

针对目前的社交网络好友推荐方法用户兴趣不明显、用户之间相关性较差等问题,提出一种基于共同用户和相似标签的协同过滤算法。抽取共同关注用户作为共同项目,加入体现用户兴趣的自定义标签数据,并对标签进行相似度计算处理,以扩充稀疏矩阵,改善协同过滤推荐方法。实验结果表明,与单指标的协同过滤推荐算法相比,基于共同用户和相似标签的好友推荐方法更好地体现了用户兴趣,同时在推荐准确率和平均准确率上都有较大提高。     

基于评分和项目特征的群组推荐方法

针对现有群组推荐方法准确率偏低的问题,提出了一种基于评分和项目特征相结合的方法。首先综合时间因素对评分的影响和项目领域特征,利用改进的TF-IDF方法构建成员在各个特征上的偏好模型。其次考虑群体用户间的相互作用,从项目特征属性均值相似性权重和特征属性频度权重两个方面来得到群体偏好模型。最后计算群组在项目特征上和评分上的综合相似度,进行预测评分并推荐。通过在MovieLens数据集上进行实验,表明本方法比现有方法的准确率有明显提高。     

基于论文共同作者学术关系的学者推荐系统

为使用户能够准确、高效地查找出关联的科研人员、学科知识及研究领域等相关信息,提出一种基于论文共同作者学术关系的推荐系统。该推荐系统应用科研人员所著论文的关键词对科研人员进行建模,突出科研人员与研究领域之间的关联,通过论文共同作者等学术关系计算科研人员之间的相似度以进行推荐。实验结果证明,与未应用学术关系的普通方法相比,该推荐系统的精准度能提高5%左右。     

一种结合显式特征和隐式特征的开发者混合推荐算法

现有开发者推荐算法通过对任务和开发者的显式信息进行挖掘, 抽取任务和开发者的显式特征, 完成针对任务的开发者推荐. 然而, 由于显式信息中的描述信息是主观的, 往往是不精确的, 现有基于显式特征的开发者推荐算法性能不够理想. 众包软件开发平台除包含大量不精确的描述信息外, 还包含客观的、较准确的任务—开发者成绩信息...     

基于相似用户好奇心的多样性推荐方法

推荐技术已经成为信息过载时代提供个性化服务的关键技术。由于推荐结果的多样性可以提升推荐效果,多样性推荐方法开始备受关注。针对现有基于朋友好奇心的多样性推荐方法中,诸如朋友、信任关系等难以获取及比较稀疏的问题,提出了基于相似用户好奇心的多样性推荐方法（SUC）。分析用户的真实评分,计算相似用户集;采用协同过滤方法,计算用户的预测评分;分析用户的真实评分和预测评分,计算用户的好奇心评分;融合预测评分和好奇心评分,计算用户的项目推荐列表。SUC方法不需要额外的用户关系信息,更具普适性。在五个真实数据集上的实验表明,与基准方法相比,SUC方法不仅提高了推荐多样性,同时也提升了推荐准确率、召回率和覆盖率。     

基于分层模型的位置推荐方法研究*

为了丰富地理位置社交网络中位置推荐的方法,提高位置推荐的精度,提出一种分层模型的推荐方法。将地理位置社交网络中的数据分为历史位置层和社交关系层,在历史位置层中,考虑用户的历史签到位置序列具有幂律分布和瞬时效应这两种特性,引入Pitman‐Yor语言过程模型的机制来分析用户的历史位置签到数据,计算出下一次签到位置的概率,结合社交关系,加入社交关系层的朋友数据信息,得出所有可能位置的概率分布,按照TopN方法给出推荐列表。通过模型计算结果分析,对比其他的位置推荐方法,验证了该方法的有效性。     

一种基于位置社交网络的地点推荐算法*

针对目前基于用户签到的地点推荐方法忽略了用户未评分的项集以及忽视了用户签到次数的差异,以及基于社交影响的地点推荐算法中缺乏对用户之间必要的相关性描述的情况,提出一种新的算法。该算法采用了一种线性的融合框架,有效地避免了单独考虑用户签到、社交因素进行地点推荐的弊端。实验结果表明,在距离限制变量、推荐地点个数相同的条件下,新算法的推荐准确率优于现有的推荐算法。与现有的算法相比,新算法有更好的推荐效果。     

融合多特征和双向图分类的专家推荐方法

专家推荐是推荐系统领域的一个研究热点,专家信息特征提取的合理性直接影响到推荐的准确性。然而多数专家推荐方法未对多源信息构建特征关系文本图,忽略了属性特征之间的相关性,以及无法依据关联性拓展知识领域特征。针对以上问题本文提出了一种融合多特征和双向图分类的专家推荐方法CMFBG。首先通过多源信息融合获取专家个体多特征信息,并对不同属性特征构建类内文本图;然后分别使用基于Transformer的双向编码器表示（Bidirectional encoder representation from transformer, BERT）模型和图卷积神经网络（Graph convolutional network, GCN）模型对特征提取并融合;最后通过双向注意力机制增强源数据对图特征的扩展,实现图结构上的分类。在同一专家数据集上进行实验分析,结果表明在图分类任务中CMFBG精确率高于其他算法,达到了91.71%。     

基于弱概念相似度的组推荐方法

网络数据下的概念认知与知识发现是网络背景下机器学习和人工智能的重要研究方向,已被引入到推荐系统研究中。现有的基于概念格的推荐方法忽视了节点之间的网络结构关系,同时构造概念格的效率低且构建概念集合的约束条件较严,在大规模的社交网络中难以实现。为解决这些问题,本文在网络形式背景的框架下,综合复杂网络的拓扑结构和弱概念相似度,提出了基于弱概念相似度的组推荐算法。首先,定义属性度、属性密度来描述属性的重要性,通过改进的节点影响力来确定专家节点;其次,利用专家节点划分社区,在划分的社区中通过属性弱概念下限相似度进行组推荐研究,进而获取推荐规则并对相应社区进行组推荐;最后,利用MovieLens数据集和Filmtrust数据集分析了各参数对本文所提算法的影响,并确定了参数的合理取值。将本文所提算法与其他推荐算法进行比较测试,实验验证了本文算法的有效性。