软决策分析方法及其在智能推荐中的应用*

引入基于软集的软命题逻辑公式,给出软命题逻辑公式的语义解释,软集中的参数是原子公式,参数的函数值是原子公式的赋值集。将决策信息系统转化为决策软集,而软决策规则表示为由原子公式组成的蕴含逻辑公式。引进基本软真度、条件软真度、绝对软真度等概念,从充分性、必要性、合理性等不同方面来评价软决策规则,提出基于决策软集的典型软决策规则提取算法。将基于软集的软决策规则分析方法应用于智能推荐,给出基于软决策规则分析的推荐算法,实际例子和数值实验表明提出的算法是有效的。     

时序犹豫模糊软集及其在决策中的应用

针对犹豫模糊软集的信息随着时间动态变化的情形,引入时间参数,将犹豫模糊软集推广为时序犹豫模糊软集。基于时序犹豫模糊软集的概念,定义了其基本的运算法则,分析对应的运算结果并讨论其运算性质。给出了时序犹豫模糊软集的一种决策方法,并通过实例表明了该方法的有效性与可行性。     

犹豫模糊软集

犹豫模糊集是对模糊集的一种推广,它是一类关于域中每个元素所含隶属度的集合,常应用于群决策中,但由于其本身在参数工具上的缺乏使得难于处理不确定数据。为了提高决策的精确性,将软集与犹豫模糊集结合起来,提出犹豫模糊软集的概念,并给出犹豫模糊软集的基本运算法则和性质。     

基于软区分矩阵的模糊软集决策方法及其应用

通过在模糊软集中引入水平软集,用软区分矩阵来处理决策问题。首先,利用模糊软集的水平软集,将模糊软集转化为经典软集。其次,在软集中引入软区分矩阵的概念,提出了一种基于软区分矩阵解决模糊软集的新算法来处理决策问题。最后,通过实例说明了该算法的可行性。     

命题逻辑公式模糊软集语义及其在决策分析中的应用

基于论域公式引入软命题逻辑公式概念,给出软命题逻辑公式的模糊软语义解释.将决策模糊信息系统转化为决策模糊软集,软决策规则表示为包含有蕴含联结词的软命题逻辑公式.引入软命题逻辑公式的基本真度、条件真度、绝对真度等指标,从充分性、必要性等方面评价软决策规则的有效性、合理性.提出基于决策软集的典型软决策规则提取算法和基于软决策分析的推荐算法,并通过实例和数值实验证明算法的有效性.     

软集与软RSL-代数

将Molodtsov提出的软集理论应用于RSL-代数。为此,提出了软 RSL-代数和软 RSL-子代数的概念,讨论了它们的基本性质。同时,给出了关于RSL-代数的同态映射,刻画了同态映射的基本特性。     

软集与新型软子群

定义并研究了软集上的一些新的代数运算,给出了二型软子群,正规二型软子群的新概念,得到了它们的一些等价刻画,进一步研究了在软集的各种不同的运算之下软子群、正规软子群的一些初等性质。     

Vague软集的新模糊熵及其应用

依据软集、Vague集、Vague软集现有理论,参考Vague集模糊熵度量方法,对Vague 软集模糊熵的公理化定义进行了补充,修正了原有公理化定义中不完整的地方;提出了一种新的计算Vague 软集模糊熵的公式,并给出了其在决策中的应用实例及分析。实例分析表明该Vague 软集模糊熵公式具有良好的应用效果。     

基于Vague集的内容推荐算法研究

针对内容推荐系统中商品特征表示的困难,将Vague集方法引入到这一领域,并利用高斯函数和Vague集中未知度的一些性质,将商品的特征用Vague值形象地表示;在此基础上给出了运用Vague集方法进行内容推荐的一般步骤,为推荐系统的设计者提供了一种新的指导思想和方法;最后给出了多个推荐公式,并对各式进行了简单的比较,这将有利于实际推荐工作中酌情选择不同的推荐公式,提高商品推荐质量和推荐精度。     

软集与软格

将Molodtsov于1999年提出的软集理论应用到格论中,提出了软格和软子格的概念,讨论了它们相关的性质。另外,基于[∈]-软集和q-软集的概念,讨论了理想软格和滤子软格的一些性质。     

社会化推荐研究进展

文章提供了一个关于社会化推荐研究进展的概述。随着推荐系统研究的不断深入,将社会化影响融入推荐系统成为一个新的研究热点和问题丰富的研究领域。首先描述了社会化推荐的相关技术：推荐系统和社会化网络分析。对当前社会化推荐的一些最新技术方法进行分类介绍,具体包括利用社会化关系推荐物品,利用社会化关系推荐好友,根据内容推荐社会化关系,小组推荐和为团体推荐五个方面。     

一种基于个性化成对损失加权的新颖推荐

推荐系统的目的是为了基于用户喜爱,为用户提供最高匹配度的潜在项目.但如果用户和项目提供者喜欢单一的热门项目,那么用户不能发现新颖性项目,会给用户和项目的提供商双方造成巨大损失.现有的新颖推荐工作主要集中在对由精度为基础的基础模型生成的前N个列表进行重新排序.结果,这些框架是两阶段的,并且结果基本上限于基础模型.另外,在...     

面向移动应用的探索式个性化服务推荐方法

个性化推荐系统是应用系统中广泛应用的技术之一,用户兴趣偏好模型的建立与更新是个性化推荐系统的关键环节,针对移动设备位置随时变化的特点,以移动端的应用系统为研究对象,提出了一种随用户位置变化而动态更新的用户兴趣偏好模型,并对实现过程中的几个关键问题,包括用户兴趣偏好模型表示方法、用户兴趣关键字提取、用户兴趣偏好模型的建立与更新算法进行了详细描述,最后利用用户兴趣偏好模型根据协同过滤算法进行个性化推荐,并根据用户对推荐结果的评价进一步修正用户兴趣偏好模型.用户兴趣偏好模型采用基于兴趣关键字的向量空间模型表示,用户兴趣关键字由根据TF-IDF算法获得的用户隐式兴趣和用户参与的显式兴趣相结合获得,用户位置信息变化时,系统获取当前位置附近的服务,对已存在于用户兴趣关键树中的服务权值进行增强,而对不存在其中的进行遗忘以调整用户兴趣树从而更新用户兴趣偏好模型.验证表明,该方法推荐的服务更符合用户所处的位置上下文环境,并且具有高度的可达性.     

序列生成对抗网络在推荐系统中的应用

推荐系统旨在根据用户的历史行为数据发现该用户可能感兴趣的新项目,并产生相应的推荐。当前大部分的推荐系统多根据用户的历史行为数据,挖掘相似用户,并从相似用户的历史数据中选出彼此历史数据中未出现的新项目;或者根据用户感兴趣的历史项目匹配相似的新项目,从而实现推荐。但这些推荐方式对原始数据有着较强的依赖关系,且难以发觉不同项目之间隐含的序列关系。因此提出一种融合Item2vec和生成对抗网络（Generative Adversarial Networks,GAN）方法的推荐算法,可以学习得到项目间难以表达的关系;挖掘用户历史数据中的序列关系,学习用户兴趣偏好的真实分布;实现用户兴趣偏好的预测。实验发现该推荐算法具有较好的表现。     

Exploiting Structural and Temporal Influence for Dynamic Social-Aware Recommendation

Recent years have witnessed the rapid development of online social platforms,which effectively support the business intelligence and provide services for massive users.Along this line,large efforts have been made on the socialaware recommendation task,i.e.,leveraging social contextual information to improve recommendation performance.Most existing methods have treated social relations in a static way,but the dynamic influence of social contextual information on users'consumption choices has been largely unexploited.To that end,in this paper,we conduct a comprehensive study to reveal the dynamic social influence on users'preferences,and then we propose a deep model called Dynamic Social-Aware Recommender System(DSRS)to integrate the users'structural and temporal social contexts to address the dynamic socialaware recommendation task.DSRS consists of two main components,i.e.,the social influence learning(SIL)and dynamic preference learning(DPL).Specifically,in the SIL module,we arrange social graphs in a sequential order and borrow the power of graph convolution networks(GCNs)to learn social context.Moreover,we design a structural-temporal attention mechanism to discriminatively model the structural social influence and the temporal social influence.Then,in the DPL part,users'individual preferences are learned dynamically by recurrent neural networks(RNNs).Finally,with a prediction layer,we combine the users'social context and dynamic preferences to generate recommendations.We conduct extensive experiments on two real-world datasets,and the experimental results demonstrate the superiority and effectiveness of our proposed model compared with the state-of-the-art methods.     

基于数据挖掘的移动广告个性化推荐研究

移动互联网目前已经成为当今最具潜力的市场之一,与此同时,移动广告作为一种新兴的网络营销模式也得以迅速发展起来。诸多企业已经把目标投放在移动广告市场这一领域。当前,移动广告主要利用传统的广告定位策略,通过应用程序展示触发客户需求并以此来进行传播,从而导致移动用户被动地接受一些并不感兴趣的广告内容,严重干扰了用户的正常使用,甚至会泄露用户的个人隐私。文中从分析用户个人的行为和如何定位用户的实时位置出发,研究基于移动互联网下广告个性化推荐策略,提出研究模型,开发基于用户位置和兴趣的实时广告推荐服务系统。     

用户情境感知的流式移动应用推荐

在目前流式应用分发系统中,客户端的移动应用分发都是依靠系统后台管理员人工操作或者简单地依靠位置信息为用户分发应用,没有考虑到用户在不同的情境活动下对应用的需求差异问题。针对上述问题,提出一种基于用户情境感知的流式应用推荐机制。该机制通过采集流式应用场景下用户的情境信息数据,利用机器学习Xgboost算法识别用户情境活动,并根据识别的用户情境来为用户推荐应用。同时,利用用户的反馈信息进一步提高用户个性化应用推荐的准确度。实验结果表明,Xgboost算法在准确率和时间开销上性能优于传统算法,在流式应用分发系统中有很高的实际应用价值。     

融合了LSTM和PMF的推荐算法

推荐系统是帮助用户在海量的数据中快速发掘出他们感兴趣内容的最重要的技术之一。稀疏性和冷启动是推荐系统面临的主要问题。针对稀疏性问题,已有多种推荐算法考虑利用额外的辅助信息,如评论、摘要或概要等来提高预测准确性。这些算法确实已经在一定程度上提高了预测准确性,但是,已有的算法大都是基于词袋模型,对这些辅助信息的理解和利用缺乏深度,留于表面。提出了一种新型的推荐系统算法：深度协同过滤算法（DCF）。DCF集成了长短期记忆网络（LSTM）和概率矩阵分解（PMF）。该算法不仅能够基于用户评分学习用户特征,而且能深度挖掘辅助信息,学习到更精确的物品特征。经过在真实数据集MovieLens100K和1M上的验证,结果表明DCF算法的根均方误差比现有算法分别降低了2.54%和3.96%。     

基于情感分析和LDA主题模型的协同过滤推荐算法

协同过滤推荐算法通常基于物品或用户的相似度来实现个性化推荐,但是数据的稀疏性往往导致推荐精度不理想。大多数传统推荐算法仅考虑用户对物品的总体评分,而忽略了评论文本中用户对物品各个属性面的偏好。该文提出一种基于情感分析的推荐算法SACF(reviews sentiment analysis for collaborative filtering),该算法在经典的协同过滤推荐算法的基础上,考虑评论文本对相似度计算的影响。SACF算法利用LDA主题模型挖掘物品潜在的K个属性面,通过用户在各个属性面上的情感偏好计算用户相似度,从而构建推荐模型。基于京东网上评论数据集的实验结果表明,SACF算法不但可以有效地改善传统协同过滤推荐算法中数据稀疏性的问题,而且提高了推荐系统的精度。     

基于多源情境协同感知的药品推荐

电子医疗记录的快速积累与数据分析技术的日益成熟,为实现包含智能诊断与药品推荐等功能的智慧医疗服务奠定了基础.然而,电子病历的精简性与患者症状描述的模糊性,导致诊断模型容易受到高发疾病与常见症状的干扰,从而无法支撑细粒度的诊断与处方,在药品推荐上缺乏针对性.与此同时,病情描述以外的许多情境信息,如患者的性别、年龄等个人信息,诊疗过程、检查结果等记录信息,以及所在地的天气、温差等外部信息等,也对于细化对于患者的诊断和处方有着重要的辅助作用.然而,这些多源异构信息往往难以被现有技术所有效提取与整合,从而限制了病情诊断与药品推荐的有效性.针对这一问题,提出了一种基于多源情境协同感知的药品推荐方法,在有效整合多源异构情境信息的基础上,为实现病情诊断与药品推荐提供了具有可解释性的依据.具体而言,首先使用词袋模型对病历和相应的情境数据进行处理,然后设计了一种基于LDA模型的情境主题模型Medicine-LDA,在融合患者病情描述与相应情境信息的同时,有效缓解了情境信息组合爆炸的问题.基于某大型三甲医院的电子病历数据集上的对比实验证明了该方法的有效性与鲁棒性.