基于异构信息网络的推荐系统

随着互联网、计算机等技术的深入发展,互联网为用户带来了各类网络服务用于增进用户交流。其中,问答社区为用户提供了提问和回答的交流平台,其目的是通过互联网实现用户间的知识经验分享和信息传播。但仍存在一些问题限制问答社区的发展,例如随着用户数量的不断增长,大量问题得不到及时回答且提问者对已有问题的回答并不满意。因此,对于问答社区来说,如何从大量的用户中找到专家用户是非常重要的。针对以上问题,本文提出一种基于异构信息网络的推荐方法,首先对问答社区中的问题属性和用户属性建立异构信息网络,利用元路径来捕捉异构信息网络中丰富的语义信息,然后使用基于元路径的相似度计算方法分别计算问题与用户的相似度矩阵,采用3种方式将得到的相似度矩阵与问题-用户评分矩阵相融合,然后使用矩阵分解获得问题和用户的潜在特征,最后使用因子分解机进行训练和推荐。在海川化工问答数据集上将本文提出的方法同多种先进的推荐算法进行对比,并利用评价指标对模型进行评估。实验结果表明,本文提出的算法在相关评估指标方面相较于之前的算法具有一定优势。     

融合隐性特征的群体推荐方法研究

作为目前最成功的主流推荐方法,奇异值分解算法(SVD)将已知的海量数据建模并通过矩阵分解降维处理来得到有效信息;非负矩阵分解(NMF)则通过分解出非负矩阵元素来解释特征意义。这两种较为成功的方法均通过对显性反馈信息进行基于矩阵分解的处理得到用户的喜好信息来进行群体推荐。然而,仅凭用户的显性反馈信息有时无法准确反映用户的真实喜好。为解决上述问题,提出了一种针对这两种模型的改进方法,将隐性特征和基于隐性特征的群体权重计算方法融合进经典的矩阵分解算法,其中隐性特征可以完善用户的喜好信息,基于隐性特征的群体权重计算方法则根据群体的特点给予用户相应的权重,使得推荐的准确率得到提升。对该方法在KDD Cup 2012 Track1中的腾讯微博数据集上进行测试,实验结果表明在该数据集上融合方法的平均绝对偏差(MAE)和准确率 要优于SVD算法与NMF算法,推荐的性能有较明显的提升。     

基于标签的矩阵分解推荐算法

基于标签的推荐算法已成为研究热点,现有相关研究集中在利用标签改进协同过滤推荐算法和基于内容的推荐算法,鲜有研究把标签引入更先进的矩阵分解推荐算法。而现有矩阵分解推荐算法大多使用商品类别作为因子向量对用户偏好和商品特征建模,限制了其精度的提升。本文使用标签构建因子向量,提出一种新的基于标签的矩阵分解推荐算法。经过真实数据检测,本文提出的推荐算法较以往基于类别的矩阵分解算法在精度上有了显著提升。     

基于改进余弦相似度的协同过滤推荐算法

传统的协同过滤推荐算法存在数据稀疏情况下分类准确性低的问题,针对于此提出一种基于改进余弦相似度的协同过滤推荐算法,将数据经嵌入层转换为特征矩阵,将对其计算后得到的改进余弦相似度矩阵和单位矩阵之间的均方误差作为损失函数,从而提高推荐算法在数据稀疏情况下的分类准确性。实验结果表明,该算法的AUC和对数损失函数指标均优于基线模型FM、FFM和DeepFM模型。     

融合注意力与深度因子分解机的时间上下文推荐模型

对于许多在线电商,预测用户购买商品的可能性至关重要。由于用户与商品的交互通常是高维且稀疏的,所以深度因子分解机算法（DeepFM）将因子分解机算法（FM）与深度神经网络（DNN）结合在一起,用FM处理低阶特征组合,用DNN处理高阶特征组合,通过并行的方式组合这2种方法,很好地解决了高维稀疏的问题。但是,它忽略了用户购买商品的先后性问题,也就是时间上下文信息。针对这一缺陷,本文提出一种融合注意力（Attention）与DeepFM的时间上下文推荐模型（DeepAFM）,更好地利用用户与商品交互的时间上下文信息,相比较于未加入时间上下文信息的DeepFM模型,AUC提升了1.84%。对比验证结果表明,DeepAFM模型具有更优越的性能。     

基于高阶偏差的因子分解机推荐算法

在推荐系统中,因评分尺度差异而造成的偏差问题一直影响着协同过滤算法的预测准确性。其中针对矩阵因子分解算法中的偏差问题,本文提出一种基于高阶偏差的因子分解机算法。该算法首先按照评分偏差的现实特征对用户和项目进行划分,再将偏差类别作为辅助特征集成到因子分解机中,实现了评分预测中不同偏差用户、项目的高阶交互。在Movielens数据集上的实验结果表明,相比传统矩阵因子分解算法,本文提出的算法具有更低的预测误差,体现了其更好的推荐性能。     

基于改进带偏置概率矩阵分解算法的研究

针对个性化推荐过程中高维稀疏性问题,本文提出一种将奇异值分解技术和带偏置概率矩阵分解相结合的推荐方法。 首先利用SVD算法初始化用户项目潜在因子向量,避免因随机赋值而使得函数陷入局部最优解,接着将用户项目的偏置信息融入到概率矩阵分解算法中,同时为了提升训练速度和推荐精度,通过动量加速的迷你批量梯度下降（mini Batch Gradient Descent,miniBGD）来训练,最后利用分解后的两个低维矩阵对原矩阵中的未知评分进行预测,在三个公开数据集的实验结果表明,本文提出的算法相对于传统的算法能够有效的提高推荐精度,进一步缓解由数据高维稀疏性带来的推荐质量不高的问题。     

基于社交信任的概率矩阵因子分解推荐算法

针对评分矩阵和信任矩阵的稀疏性以及推荐精度不高等问题，提出基于社交信任的概率矩阵因子分解推荐算法PMFTrustSVD。该文采用概率矩阵分解算法对信任矩阵进行分解，分别获得用户作为信任者和被信任者的潜在社交偏好；根据用户在作为信任者或被信任者时的偏好不同，将TrustSVD算法中的无向信任矩阵修正为有向矩阵；融合两种算法来预测用户的评分矩阵。在FilmTrust数据集上实验结果表明，该算法优于现有基准算法，能有效缓解用户信任矩阵稀疏的问题并提高推荐精度。     

基于数字标牌广告数据的兴趣点推荐算法研究

为了解决数字标牌广告投放的推荐问题,研究基于位置数据的推荐算法。在已有的基于矩阵分解思想的兴趣点推荐算法基础上,提出结合矩阵分解思想和商业地理信息数据的兴趣点推荐模型,并在基于位置的数字标牌广告数据上进行实验。实验结果表明,通过为矩阵分解附加商业地理信息的方法,解决了位置访问数据稀疏性的问题,并为数据类型单一,推荐依据不足的问题提供了有效的数据参考及实现方法。为数字标牌广告投放提供了重要的参考依据。     

基于MapReduce的矩阵分解推荐算法研究

矩阵分解是近几年提出的一种协同过滤推荐技术,但其每项预测评分的计算都要综合大量评分数据,同时在计算时还需要存储庞大的特征矩阵,用单一结点来进行推荐将会遇到计算时间和计算资源瓶颈。结合MapReduce分布式计算框架和矩阵分解推荐算法,设计了一种基于MapReduce的矩阵分解推荐算法来解决该问题,利用Hadoop的分布式缓存技术和MapFile文件结构解决了大特征矩阵在多结点间的高效共享问题并实现了多正则因子的并行处理。通过在Netflix数据集上的实验表明,该MapReduce算法及数据存储方案能带来较高的加速比,从而提高了推荐算法的计算效率。     

社区问答系统中问题推荐机制

在社区问答系统中,每天大量涌现的问题导致用户很难寻找自己感兴趣并且擅长的问题进行回答。为了更好地解决这一问题,本文根据用户兴趣,将用户的活跃度指数融入推荐算法。实验结果显示,该方法在一定程度上提高了问题推荐的效率。      

融合社交网络和兴趣的正则化矩阵分解推荐模型

针对目前用户偏好数据和社交关系数据十分稀疏的问题,以及用户可能更加喜欢朋友推荐的商品而不喜欢非朋友推荐的商品这样一个事实,提出了一种结合社交网络和用户间的兴趣偏好相似度的正则化矩阵分解推荐算法,首先针对社交关系数据稀疏问题,利用网络的全局和局部拓扑特性挖掘出用户间的信任和不信任关系矩阵,然后定义了一种改进的用户间的兴趣偏好相似度计算方法,最后在矩阵分解的过程中将信任矩阵、不信任矩阵以及兴趣相关性综合起来为用户作出推荐。实验表明该方法优于主要的正则化推荐方法,与基本的矩阵分解模型（SocialMF）、SoRec、TrustMF、CTRPMF、RecSSN算法相比,算法在均方根误差（RMSE）和平均绝对误差（MAE）上分别减小了1.1%~9.5%和2%~10.1%,取得了较好的推荐效果。     

基于协同过滤和标签的混合音乐推荐算法研究

结合音乐这一特定的推荐对象,针对传统单一的推荐算法不能有效解决音乐推荐中的准确度问题,提出一种协同过滤技术和标签相结合的音乐推荐算法。该算法先通过协同过滤技术确定相似用户,再通过相似用户对某一歌手的标签评分预测另一用户对该歌手的偏好程度,从而选择更符合用户喜好的音乐进行推荐,以此提升个性化推荐效率,为优化音乐推荐系统提供参考方法。     

融合狼群算法和模糊聚类的混合推荐算法

针对传统协同过滤推荐算法普遍存在的数据稀疏性问题以及寻找相似用户时存在局限性,提出一种融合狼群算法和模糊聚类的混合推荐算法.在数据处理过程中,根据基于项目的协同过滤算法充分挖掘项目间的数据关系,填充原始矩阵的零值以降低数据稀疏性;从用户的角度出发,根据模糊聚类隶属度的大小筛选出相关邻居集合,扩大相关用户的寻找范围;将狼...     

融合上下文信息的深度推荐模型

目前,在基于文档信息的推荐任务中,传统基于文档的混合推荐算法仍依赖于浅层的线性模型,当评分数据变得庞大且复杂时,其推荐性能往往不太理想。针对此问题,提出一种深度融合模型(DeepFM),该模型能够在完全捕获文本信息的同时也能很好地处理复杂且稀疏的评分数据。DeepFM由两个并行的神经网络组成,其中一路神经网络使用多层感知器提取评分矩阵的行向量信息从而获得用户的潜在特征向量,另一路则使用MLP和卷积神经网络(CNN)共同建模从而提取额外有关项目的文本信息得到项目潜在特征向量。最后,通过构建融合层将用户特征向量和项目特征向量进行融合得出预测评分。实验结果表明,DeepFM在MovieLens数据集和亚马逊数据集上的性能优于主流的推荐模型。     

一种多特征融合的软件开发者推荐

软件开发者能力评价和协作关系推荐是大数据环境下软件智能化开发领域的一个研究热点.通过分析互联网开发者社区和企业内部开发环境,设计出基于模糊综合评价的开发者能力模型;随后,通过挖掘开发者与任务的动态交互行为、静态匹配度以及开发者能力三个不同维度的特征并结合矩阵分解技术,提出一种能力与行为感知的多特征融合协同过滤开发者推荐方法,最终解决开发者推荐面临的评价矩阵稀疏性和冷启动问题,提升个性化精准推荐效率.从系统层面给出适合大数据环境的多特征融合开发者推荐原型系统实践及对现有开源技术框架的优化改进,实验过程分别基于互联网问答社区StackOverflow和企业内部GitLab环境进行了实验分析.最后,对未来研究可能的问题及思路进行了展望.     

拟合矩阵与两阶融合迭代加速推荐算法

传统的矩阵分解模型无法充分探索用户与物品在均值、偏置和特征之间的内在联系,提出拟合矩阵模型,通过构建用户与物品矩阵分别代表用户与物品特性来提高预测性能。矩阵分解模型在推荐系统领域有精度优势,但求解模型参数最常用的梯度下降法收敛速度缓慢,因此考虑与拟牛顿法融合,加快收敛速度。提出的算法命名为拟合矩阵与两阶融合迭代加速推荐算法（fitting matrix and two orders fusion iterative,FAST）,实验表明,FAST算法比传统的非负矩阵分解（NMF）、奇异值矩阵分解（SVD）、正则化奇异值矩阵分解（RSVD）在平均绝对误差（MAE）与均方根误差（RMSE）上有下降,在迭代效率上有显著提高,缓解了精度与迭代效率难以平衡的问题。     

基于降维和聚类的协同过滤推荐算法

协同过滤算法在个性化推荐系统中应用广泛,为保证其在用户规模扩大的同时可以保持推荐的高效性和准确性,设计了一种基于PCA降维和二分K-means聚类的协同过滤推荐算法PK-CF。该算法为解决用户-项目评分矩阵极度稀疏造成的相似度计算误差的问题,采用主成分分析法对用户-项目评分矩阵进行降维,去除含信息量少的维度,只保留最能代表用户特征的维度;为解决协同过滤算法在系统规模庞大情况下的相似度计算时耗问题,通过在降维后的低维向量空间上进行二分K-means聚类来减小目标用户最近邻的搜索范围。在MovieLens数据集上对传统协同过滤算法、基于K-means聚类的协同过滤算法及PK-CF算法进行性能测试的结果表明:PK-CF算法不仅能有效地提高推荐结果的准确率与召回率,而且具有较高的时间效率。