基于K-means和矩阵分解的位置推荐算法

采用矩阵分解方法为模型量化用户对未知位置的签到次数,利用改进的融合用户间签到和好友关系的相似度计算方法计算用户间的相似度,通过聚类方法将用户进行群组划分,最终提出结合聚类和矩阵分解的方法实现个性化位置推荐。相比于基于用户协同过滤和基于矩阵分解推荐算法,本文算法在位置推荐召回率和准确率上均有提高,同时,在推荐运行时间上也优于其他算法。     

DPLORE：一种差分隐私保护位置推荐算法

人类移动中的顺序模式在地理社交网络服务的位置推荐中扮演了重要角色。现有的位置推荐系统必须访问用户的原始签到位置数据, 以挖掘其顺序模式, 然而这会泄露用户的位置隐私。针对该问题, 提出一种基于差分隐私保护的位置推荐算法(Differential Privacy Location Recommendation, DPLORE)。首先, 根据原始数据构建转移计数矩阵, 利用拉普拉斯机制向分解后的矩阵元素添加噪声, 使得算法满足差分隐私保护。接着, 在多阶马尔可夫链模型的基础上, 提出自适应权重的n-阶马尔可夫链模型, 利用用户的顺序模式来进行位置推荐。最后的实验表明, 本文设计的算法框架DPLORE的推荐结果准确率和召回率都优于现有的算法, 同时DPLORE在高推荐精度和严格的位置隐私保护之间达成良好的权衡。     

基于用户行为序列特征的位置预测模型

针对现有位置预测研究中忽略用户行为序列特性、预测精度提升受限的问题,提出了基于用户行为序列特征的位置预测模型.首先以人工提取的方式构建用户行为的序列特征,融合到位置预测模型中,构造了基于行为序列特征的循环神经网络模型（BCP-RNN）;借助RNN模型循环结构的特点,自动学习行为序列特征,并引入位置预测模型,构造了3层对称循环神经网络模型（TS-RNN）.实验结果证明,引入行为序列特征的BCP-RNN和TS-RNN模型,其预测性能均高于现有的位置预测模型,验证了行为序列特征对挖掘用户移动模式的重要性.相较于人工提取行为序列特征的BCP-RNN模型,TS-RNN不仅节省了人工特征提取的成本,还弥补了人工分析的片面性造成的偏差,具有更高的预测性能.     

一种改进的基于梯度提升回归算法的 O2O 电子商务推荐模型

位置属性对于线下消费的用户具有重要影响。为了有效提高个性化推荐精度,在对O2O电子商务特点进行用户特征分析的基础上,在推荐算法中引入当前时间参数和位置参数,提出了一种改进的基于梯度提升回归算法的O2O电子商务推荐模型。实验结果表明,改进的基于梯度提升回归算法的O2O电子商务推荐模型在实时性和准确性方面明显优于传统的推荐算法。     

基于位置社交网络中地点聚类推荐方法

为解决基于位置社交网络中地点推荐时遇到的数据稀疏、冷启动问题,提出一种改进的地点推荐方法,在协同过滤算法的基础上融合了聚类算法,考虑到用户偏好、朋友关系、位置语义等因素,在推荐时取两种算法的优点进行互补。研究的重点是相似度的计算,包括兴趣地点相似度、好友亲密度、词频-逆文档频率、余弦相似性。在Foursquare数据集上以准确率、召回率、单个主题的平均准确率作为度量依据,对提出的方法进行验证。试验证明,本方法有效提高了推荐效果。     

融合时空上下文信息的兴趣点推荐

为了给用户提供更好的位置服务,提出了一种位置社交网络中融入时空上下文信息的混合个性化兴趣点推荐模型.在空间上,对用户签到进行层次聚类,对各聚类内二维核密度估计的结果取平均.在时间上,利用用户签到的时间信息、签到的位置信息及社交网络构建转移矩阵,运行改进图的随机游走模型.混合模型融合时空上下文信息做推荐.在真实数据集上的实验结果表明,无论在标准推荐场景还是冷启动场景下,混合推荐模型的准确率和召回率性能均优于基准方法.     

融合用户行为网络信息的个性化餐馆推荐

目前主流推荐算法是在显式评分或者隐式特征相似的基础上,忽略了用户就餐行为序列中的网络拓扑结构关系,使得用户就餐行为中隐含的喜好信息难以被很好地定性刻画。对此,提出了一种融合用户行为网络信息的个性化餐馆推荐系统。首先根据用户的历史就餐行为序列信息,构建其就餐地理位置转移网络和口味信息转移网络。然后利用网络图表征方法得出位置和口味标签的向量表征,刻画了用户历史就餐行为偏好,并提出用户每次就餐时的怀旧指数GT。最后,将怀旧指数GT结合用户评分信息融入到已有的协同过滤推荐算法框架中,得到改进的融合用户行为网络信息的个性化餐馆推荐模型。在Yelp数据上的实验证明:该模型的推荐效果高于传统的基于评分的推荐算法和最好的图嵌入推荐算法。     

基于手机位置数据的个体行为规律研究

研究个体在不同时间的行为规律性,以及不同个体行为之间的相似性,可以为个性化推荐以及基于位置的服务提供帮助.从手机的基站位置数据中,通过聚类方法找到参考位置,并根据参考位置,将人们杂乱无章的行为转变为到达和离开的二进制时间序列.定义二进制时间序列的相似度,利用异或算法检测个体行为模式.在Reality数据集上的实验结果表明,该方法是有效且可靠的.     

情境化条件下基于OBN模型的推荐算法研究

随着互联网的发展,用户获取信息精准度提高,个性化服务越来越重要.针对个性化推荐算法中用户相似性计算精度不高,导致算法的推荐精度低的问题,应用面向对象思想和贝叶斯理论、融合推荐对象的情境化因素,提出OBN模型,实现用户之间的相似度计算方法 ,该方法具有时间复杂度低、聚类稳定性强的特点.在此基础上设计个性化推荐算法.通过实验分析,提高个性化推荐的精度.     

一种基于用户空间相似性的兴趣点推荐算法

位置社交网络（Location Based Social Network,LBSN）的发展,为兴趣点推荐提供丰富的数据资源。基于地理影响的推荐算法是兴趣点推荐的热门研究话题,而现有的推荐算法缺乏对用户个性化行为的分析。因此,提出一种基于用户空间相似性的兴趣点推荐算法。首先,利用用户签到数据构建空间分布相似性模型;其次,引入削减因子,提高具有相同签到记录的用户权重;最后,线性融合用户及空间分布性相似性模型对Top-N兴趣点进行推荐,并进行实验验证。实验结果表明,该算法有效提高了兴趣点推荐的质量。     

基于点击图特征的稀疏广告点击率预测方法

为更全面地反映用户个人偏好,提高推荐的准确度,提出了一种融合多源异构数据的混合推荐模型.综合考虑了用户社交关系和用户评论对用户评分的影响,从评论中提取主题信息作为用户和商家的特征,采用社区发现算法为用户划分社区,利用机器学习方法为社区建立模型,预测用户对商家的评分,再根据评分对商家进行排序,取前N个商家推荐给用户.实验结果表明,提出的混合推荐模型与经典推荐算法相比,可提高评分预测的准确度,从而提高推荐的准确度.     

移动终端离线浏览系统的新闻推荐服务研究

对移动信息服务中面向用户的个性化问题进行了研究,提出了一种基于移动终端浏览系统,采用改进的K－近邻分类器的个性化推荐算法对每个移动用户的新闻访问行为序列进行跟踪、记录、建模和分析,将个性化特征归类存储,实现了实时的个性化新闻推荐。仿真实验结果验证了该个性化推荐模型的实用性和可行性,推荐正确率可以达到70%。     

基于在线评论情感分析的改进协同过滤推荐模型

针对在线中文评论中用户主观意见的不确定性,提出一种基于不确定理论的情感分析模型,并结合情感分析模型设计了个性化推荐算法。采用分词工具ICTCLAS和IKAnalyzer预处理在线中文评论,并基于情感词典(HowNet)计算特征词的点互信息值;应用不确定变量与不确定集设计情感分析模型;根据情感分析模型设计新的最近邻居搜索方法并产生推荐。在两个真实数据集上进行试验,试验结果表明,该方法能够有效改进推荐结果的准确率,缓解数据稀疏问题。     

个性化推荐系统描述文件攻击检测方法

个性化推荐系统能产生针对性的、个性化的信息来满足不同用户需求,但也很容易受到用户描述文件注入恶意攻击,影响正常的推荐结果.针对该问题,分析和研究了描述文件的形式化模型、描述文件的属性及分类方法,应用粗糙集理论,设计了数据预处理离散化、决策表约简和个性化推荐处理相应算法,提出了一种用户描述文件分类学习和攻击检测的方法;为...     

协同过滤算法中一种改进的相似性计算方法

协同过滤算法作为一种成功的个性化推荐技术已经被应用到很多领域中.传统的协同过滤算法中用户相似性的计算只考虑了用户评分信息而没有考虑到用户的社会背景信息,针对这个问题,本文提出了基于用户社会信息的相似度计算方法,实验表明,改进后的协同过滤算法能更好地反映用户兴趣,提高推荐精度,在推荐效果方面得到了更好的改善.     

基于多方面评分的景点协同推荐算法

针对传统的协同过滤(collaborative filtering, CF)推荐模型中利用单一的总体评分进行相似性计算,但总体评分不能准确反映用户对物品喜好的问题,提出基于多方面评分的景点协同推荐算法。该算法综合利用用户对景点在景色、趣味性、性价比三个方面的评分计算用户或景点之间的相似性,进而计算目标用户对目标景点的总体评分。试验结果表明:在相似性计算中引入景点在这三个方面的评分信息后,推荐结果的均方根误差、平均绝对误差、覆盖率、准确率和F-度量指标都得到了改善。