基于项目之间相似性的兴趣点推荐方法*

针对评分数据稀疏的情况下传统相似性计算的不足,提出了一种基于项目之间相似性的协同过滤算法。该算法结合用户对项目的评分和项目之间的兴趣度进行项目之间的相似性计算,在一定程度上减小了评分数据稀疏的负面影响。实验结果表明,该算法在评分数据稀疏的情况下,能使推荐系统的推荐质量明显提高。     

关联项目增强的多兴趣序列推荐方法

现有基于多兴趣框架的序列推荐方法仅从用户近期交互序列中学习得到用户多兴趣表示,忽略了数据集中项目间的关联信息。针对这一问题,提出了一种关联项目增强的多兴趣序列推荐方法IAMIRec（item associations aware multi-interest sequential recommendation method）。首先通过数据集中用户交互序列计算得到项目关联集合和对应的项目关联矩阵,然后根据项目关联矩阵通过多头自注意力机制建模用户的近期交互序列,最后使用多兴趣框架学习得到用户的多个兴趣向量并进行top-N推荐。在三个数据集上对该方法进行了测试与分析,IAMIRec在recall、NDCG（normalized discounted cumulative gain）和hit rate指标上的表现均优于相关方法。实验结果说明 IAMIRec可以实现更优的推荐性能,也表明引入项目关联信息可以有效增强用户的多兴趣表示。     

基于Web访问信息的用户兴趣迁移模式的研究

针对用户浏览网页的兴趣会随时间而变化这一现象,设计了一种网络用户兴趣迁移模式的挖掘模型。把用户的访问兴趣通过隐马尔可夫模型抽象成一种时间序列,以此反映用户兴趣的序列性,进而利用GSP算法从用户兴趣序列中挖掘出用户兴趣的迁移模式。实验证明该方法是有效的,从时间属性上更深层次地描述了用户兴趣的变化情况。     

用户兴趣迁移模式与个性化服务

提出用户浏览兴趣迁移模式作为关联规则生成的基础的思路;给出了用户频繁访问路径的更新算法,用聚类主题号代替浏览序列的页面号,获得用户浏览兴趣迁移模式,以此得到更优化的个性化服务。     

开源软件缺陷的跨项目相关问题推荐方法

GitHub是著名的开源软件开发社区,支持开发人员在开源项目中使用问题追踪系统来处理问题.在软件缺陷问题的讨论过程中,开发人员可能指出与该缺陷问题相关的其他项目问题(称为跨项目相关问题),为缺陷问题的修复提供参考信息.然而, GitHub平台中托管了超过2亿的开源项目和12亿个问题,导致人工识别和获取跨项目相关问题的工作极其耗时.提出为缺陷问题自动化推荐跨项目相关问题的方法 CPIRecom.为了构建预选集,采用项目之间历史相关问题对的数量和问题发布时间间隔筛选问题.其次,为了精准推荐,采用BERT预训练模型提取文本特征,分析项目特征.然后使用随机森林算法计算预选问题与缺陷问题的相关概率,最终根据相关概率排名得到推荐列表.模拟CPIRecom方法在GitHub平台的使用情况. CPIRecom方法的平均倒数排名达到0.603,前5项查全率达到0.715.     

Roster:一种开发者潜在同行推荐方法

根据开发者的历史开发信息,推荐潜在合作对象或能够胜任的任务,对于减少开发延时,提高团队开发效率有极大的促进作用.大量已有工作主要研究单个开源项目开发者社区,通过确定开发者的个人技能实施推荐.然而,以整个开源社区为视角,研究使用开发者实践技能做推荐,实现开发者跨项目与组织边界合作的工作相对甚少.为丰富这一工作,文中结合开发者的实践技能相似性与共同开发者数,为Sourceforge.net社区未曾合作的开发者提供一种同行推荐的方法.研究结果表明文中的方法能够有效地实现开发者同行推荐,相比只考虑共同开发者数时成功推荐的开发者数增加了31.1%,且推荐精度提高0.4倍,缓解了社区合作的稀疏性.最后,应用文中提出的方法开发了一个Roster推荐系统,为社区开发者的交流建立了一种新的辅助途径.     

集成Web使用挖掘和内容挖掘的用户浏览兴趣迁移挖掘算法

提出了一种集成Web使用挖掘和内容挖掘的用户浏览兴趣迁移模式的模型和算法。介绍了Web页面及其聚类。通过替代用户事务中的页面为相应聚类的方法得到用户浏览兴趣序列。从用户浏览兴趣序列中得到用户浏览兴趣迁移模式。该模型对于网络管理者理解用户的行为特征和安排Web站点结构有较大的意义。     

基于Eclat算法的图书推荐系统仿真

研究了图书馆的个性化推荐系统应用问题,针对常用的协同过滤技术不适用于大数据量的情况,在深入研究关联规则Eclat算法的基础上,为了高效挖掘和优先搜索有效信息,提出了一种改进算法,并将算法应用于图书推荐系统的仿真实验中,新算法充分利用了垂直数据表示和交叉计数的高效优势,直接在垂直数据表示的数据集上通过广度优先搜索和交叉计数产生频繁模式,通过对流通数据库中的借阅记录进行挖掘得到关联规则,产生读者感兴趣的书目.仿真结果表明算法可以在大数据量的情况下实现关联规则的高效挖掘,在图书推荐系统中取得了良好的应用效果.     

用户兴趣迁移模式与个性化服务

提出用户浏览兴趣迁移模式作为关联规则生成的基础的思路;给出了用户频繁访问路径的更新算法,用聚类主题号代替浏览序列的页面号,获得用户浏览兴趣迁移模式,以此得到更优化的个性化服务.     

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。     

电子商务网站中Web页推荐的研究

针对Web日志文件提出了一个简单的数据挖掘模型,并以关联规则为理论基础,结合该模型设计一个高效的序列模式挖掘算法.该算法得到的频繁序列模式可以满足实时页面推荐的需要,同时对电子商务网站的营销决策的制定也有一定的辅助意义.     

面向兴趣主题的个性化好友推荐

个性化的好友推荐是促进社交网络服务不断提高的重要途径,在大规模的社交网络环境中,准确地为用户推荐兴趣主题相似的好友能够使得用户的粘性更强,然而海量数据的稀疏性使得现有的大多数社交网络都不能够准确根据用户间兴趣的相似性进行好友推荐。为此,提出一种面向用户兴趣主题的个性化好友推荐方法(ITOR)。该方法首先采用k-core分析法提取用户的兴趣主题,在拥有相似兴趣主题的基础上结合用户属性信息,通过先验概率计算出有相同属性信息的用户成为好友的概率,进一步强化推荐结果的准确性和满意度。最后,通过爬取2015年9月份发布的新浪微博数据进行实验分析,验证了本推荐方法的有效性。     

基于用户扩展兴趣的微博推荐方法

为解决微博用户兴趣提取不准确的问题,提出一种基于用户扩展兴趣的微博推荐方法。该方法将用户个体兴趣与关联兴趣结合为用户扩展兴趣进行微博推荐。其中,用户个体兴趣从用户标签、发布微博及交互微博中提取;用户关联兴趣通过用户与其关注用户间的关注关系强度、交互频繁程度和个体兴趣相似度获取。最后,计算用户扩展兴趣与待推荐微博的相似度,对相似度降序排列产生推荐列表。实验结果表明,新方法较传统方法更具有效性和准确性。     

个性化推荐技术在电子商务中的实现

随着互联网的发展,Web挖掘技术已经成为数据挖掘技术的一个研究的热点。本文对Web挖掘的特点、方法进行了讨论,提出了结合网页的链接结构来补充数据的预处理,以更精确地识别用户会话。同时在挖掘浏览模式的时候,结合网页内容聚类和用户聚类,提高了推荐系统的性能。     

个性化推荐技术在电子商务中的实现

随着互联网的发展．Web挖掘技术已经成为数据挖掘技术的一个研究的热点。本文对Web挖掘的特点、方法进行了讨论,提出了结合网页的链接结构来补充数据的预处理．以更精确地识别用户会话。同时在挖掘浏览模式的时候,结合网页内容聚类和用户聚类,提高了推荐系统的性能。     

基于加权动态兴趣度的微博个性化推荐

针对微博信息量大、用户兴趣随时间变化特征,提出一种基于加权动态兴趣度(WDDI)的微博个性化推荐模型。WDDI模型考虑微博转发特征,并引入时间因子,利用微博主题模型基于转发的狄利克雷分配(RT-LDA)对用户微博进行研究,建立用户对主题的个体动态兴趣模型。通过用户与其关注用户的相似度和交互频率获取用户的群体动态兴趣,将用户个体兴趣与群体兴趣加权结合得到加权动态主题兴趣模型。对用户接收的新微博按动态兴趣度降序排列,实现微博动态个性化推荐。实验表明,WDDI模型较之传统推荐模型,在微博服务中能够更准确地反映用户动态兴趣。     

时间上可持续的多兴趣偏好推荐系统

近年来, 推荐系统已经成为数据分析与挖掘、信息检索领域方向的热点. 然而, 部分推荐系统应用于用户多兴趣偏好还存在着问题: 首先用户的兴趣不唯一, 且对多个兴趣的偏好不等同; 其次用户当前的兴趣是否会在未来时间中持续. 基于此, 本文通过利用用户产生多兴趣并捕获其个性化需求的可持续性, 提出了一种MIES算法模型, 该模型能够很好捕捉到用户潜在的多种兴趣, 并注重用户兴趣的可持续, 提高了推荐的质量. 通过对比实验表明该模型有效解决了推荐系统对用户多维兴趣的捕捉和个性化兴趣的可持续性.     

基于FP-Growth的图上随机游走推荐方法

推荐是促进诸如社交网络等应用活跃度的重要模式,但 庞大 的节点规模以及复杂的节点间关系给社交网络的推荐问题带来了挑战。随机游走是一种能够有效解决这类推荐问题的策略,但传统的随机游走算法没有充分考虑相邻节点间影响力的差异。提出一种基于FP-Growth的图上随机游走推荐方法,其基于社交网络的图结构,引入FP-Growth算法来挖掘相邻节点之间的频繁度,在此基础上构造转移概率矩阵来进行随机游走计算,最后得到好友重要程度排名并做出推荐。该方法既保留了随机游走方法能有效缓解数据稀疏性等特性,又权衡了不同节点连接关系的差异性。实验结果表明,提出的方法比传统随机游走算法的推荐性能更佳。     

基于频繁主题集偏好的学术论文推荐算法

针对学术论文推荐中项目冷启动问题,提出了一种基于频繁主题集偏好的协同主题回归模型。该算法考虑到用户在选择学术论文时对研究热点的偏好,使用频繁主题集代表研究热点,将用户对研究热点的偏好表示成用户对频繁主题集的偏好。通过潜在狄利克雷分布主题模型挖掘得到论文—主题概率分布矩阵,并筛选出论文中概率较高的主题;然后挖掘出频繁出现的主题集合,并得到论文—频繁主题集矩阵;最后在预测未知评分时融入用户对频繁主题集的偏好。在CiteULike数据集上的实验表明,相比于矩阵分解模型和协同主题回归模型,该算法在召回率、准确率和RMSE三个指标上都有所提升。