融合隐含信任度和项目关联度的矩阵分解推荐算法

随着社交网络的发展,融合社交信息的推荐系统在一定程度上解决了协同过滤推荐系统的冷启动和数据稀疏等问题,但是在信任数据稀疏情况下,仍会造成推荐精度降低等问题。为此,提出了一种融合隐含信任度和项目关联度的矩阵分解推荐算法。首先,利用矩阵分解模型将信任数据进行分解,得到用户的潜在被信任矩阵,在此基础上引入用户的影响力,从而提出了基于隐含信任度的推荐模型;然后,为了更好的利用项目间的关联信息,反映项目间的有向性,提出了基于项目关联度的推荐模型;最后,综合两种推荐模型并构建了一种推荐算法TCRMF。实验结果表明,所提算法在评分数据和信任数据稀疏的情况下仍然可以有效地提高推荐算法的精度,具有良好的应用前景。     

一种基于降噪自编码器的隐式反馈推荐算法

现有的隐式反馈协同算法直接利用稀疏的二值社交信任信息辅助推荐,存在严重的数据稀疏问题,且没有深层次地融合社交信任信息的影响。针对以上问题,提出利用降噪自编码器深度融合用户隐式反馈数据与社交信息的算法。首先从不同的角度区分用户信任,提出一种信任相似度的新度量方法来改善社交数据的稀疏性,利用降噪自编码器将信任数据与用户隐式交互信息深度融合,通过综合二者的影响,有效提高了推荐质量。实验表明,该算法优于现有主流的的隐式反馈推荐算法。     

基于热扩散影响力传播的社交网络个性化推荐算法

有针对性地为用户提供推荐,提高互联网信息利用率是个性化推荐系统的主要目标.文中基于热扩散传播概率模型,结合用户在社交网络中隐含的跟随关系,提出基于热扩散影响力传播的社交网络个性化推荐算法.首先,算法将现实生活中人与人的朋友关系转化为购物网络中用户与用户的跟随关系,构建异构信息网络图,计算用户之间的复合相似度.然后,利用基于热扩散概率模型模拟社会网络中影响力的传播过程,计算社交网络中用户的跟随概率分数并精确排序,筛选与目标用户相似的邻近用户.最后,根据目标邻近用户对各个产品的评分,将评分较高、具有潜在兴趣的产品推荐给目标用户,实现个性化的用户推荐.在公开数据集上与现有的个性化推荐算法进行对比,实验表明,文中算法具有较好的精确度和多样化的推荐效果.     

基于图嵌入模型的协同过滤推荐算法

传统协同过滤算法存在严重的数据稀疏和冷启动问题。利用社交网络中的丰富信息为解决传统协同过滤算法的数据稀疏和冷启动带来了契机。然而,传统基于社交网络的协同过滤算法仅利用粗粒度、稀疏的用户信任关系来改进传统协同过滤算法,即用0或1表示用户之间信任程度。另外,传统基于社交网络推荐算法仅仅集成用户之间显式信任关系,而忽略用户之间隐式的信任关系。本文提出一种基于图嵌入模型的协同过滤推荐算法,即利用图嵌入模型技术学习社交网络中用户的低维特征表示,并根据用户的低维特征表示推导用户之间细粒度的信任关系。最后,根据信任用户和相似用户对目标物品的评分权重预测用户对目标物品的评分。在真实数据集上的实验结果表明,基于图嵌入模型的协同过滤算法的性能优于传统的协同过滤算法。     

社交网络环境下基于信任的推荐算法

现有的基于信任的推荐算法通常假设用户是单一和同质的,没有充分挖掘信任关系信息,且相似关系和信任关系的融合缺乏高效的模型,极大地影响了推荐的准确性和可靠性。本文提出一种基于信任的推荐算法。首先结合全局信任和局部信任,并利用信任的传播性质对信任关系进行建模,然后设置推荐权重,综合考虑相似度和信任度来构建用户间的偏好关系,筛选出邻居。接着将基于记忆的协同过滤思想和社交网络的信任关系融入概率矩阵分解模型,同时使用自适应权重动态决定各部分的影响程度,形成高效统一的可信推荐模型Trust-PMF。本文的算法在FilmTrust、Epinions这两个数据集上与相关算法做了对比验证,结果证实了此算法的高效性。     

基于用户影响力游走模型的社会化推荐算法

社会化推荐在一定程度上缓解了推荐中的数据稀疏性问题,但是通常仅考虑了社交网络中用户间的局部影响关系。综合考虑用户的局部影响力和全局影响力,提出了基于用户影响力游走模型的社会化推荐算法,该算法根据用户信任关系和历史行为分析用户的局部影响力,通过评估用户的评分质量研究用户的全局影响力,然后将二者有机结合计算随机游走模型中各节点之间的转移概率。通过与以往的算法在均方根误差、覆盖率和F-Measure等指标的实验结果表明,提出的算法在一定程度上提高了推荐的性能。     

信任社交网络中基于图熵的个性化推荐算法

随着社交网络的飞速发展引起了人们对推荐系统（RS）的广泛关注。针对社交网络中现有推荐方法仍存在冷启动问题以及未考虑用户所处的社交网络信息的情况，提出了在信任社交网络中基于图熵的个性化推荐算法（PRAGE）。首先，根据用户物品和它们之间的反馈信息建立用户物品图（UIG），同时引入信任机制建立用户信任图（UTG）；其次，通过对两个图使用随机游走算法得到用户与物品的初始相似度和基于信任机制的新的用户物品相似度；重复随机游走过程直至相似度稳定到收敛值；然后，使用UIG和UTG的图熵对两组相似度进行加权并最终相应地得出目标用户的最终推荐列表。在真实的数据集Epinions和FilmTrust上的实验结果表明，相比经典的基于随机游走算法，PRAGE的精确率分别提高了34.7%和19.4%，召回率分别提高了28.9%和21.1%，能够有效地缓解推荐的冷启动问题且在精确率和覆盖率指标上均优于对比算法。     

社会网络环境下基于信任传递的推荐模型研究

现有基于信任的推荐算法中没有充分挖掘用户间的信任关系,且缺乏合理的信任关系传递规则,极大地影响了推荐算法的可靠性和准确性。针对上述问题,通过用户评分数据与用户的社会关系建立信任传递模型,提出一种基于信任传递的推荐算法。该算法首先利用评分数据计算信任传递模型中用户的隐式直接信任关系,其次通过求解有序加权平均算子融合多条信任传递链的间接信任关系,最后将计算出的用户信任度与相似度融合为综合相似度进行预测推荐。实验结果证实了所提算法可有效提升系统的推荐质量。     

用于社交推荐的增强影响扩散模型

随着网络上创建连接、协作、共享的全新变革方式的出现,互联网上丰富的社交行为现象引起了研究者和实践者的关注.近年来,随着社交网络平台的普及与推广,基于社交网络的推荐系统也成为了个性化推荐领域的研究热点之一,社交推荐系统可以利用社交网络来缓解传统的推荐算法中数据稀疏性问题.在社交网络中,社交关系影响起着重要作用,而用户信任是社交关系形成的基础,每一个用户会受到其信任的用户影响,这些被信任的用户也会被自己的社交关系所影响,这就表明了联系在一起的用户会相互影响,导致社交联系之间的用户偏好具有相似性.用户的信任关系影响着用户偏好的推断,同时用户受到其信任用户的社交关系影响,而这些社交关系影响在社交网络中递归传播和扩散.因此,基于社交推荐算法研究的关键就在于信任信息的挖掘和利用.在基于社交网络的推荐领域中,比较有代表性的模型为Diff Net,该模型未充分考虑到信任问题,同时,在递归计算长距离的社交关系时,有额外的噪声,影响推荐预测的质量.本文提出了基于Diff Net改进的社交推荐模型-EIDNet.首先,该模型在模拟社交关系影响扩散过程时,通过用户对物品的历史交互记录建立用户间的信任关系,并融...     

融合项目流行度与用户间多相似度的协同过滤算法

为进一步解决协同过滤算法中存在覆盖范围不高的问题,针对现有算法未充分考虑引入项目流行度在降低热门项目影响力的同时会普遍降低热门但评分高的项目影响力的问题,提出一种融合项目流行度与用户间多相似度的协同过滤算法.在降低热门项目影响力的同时,考虑目标用户的相似用户群体对热门项目的综合评分,动态调整推荐列表中热门项目对目标用户的影响力.算法通过融合多种改进的用户相似度来提高相似度计算精度.其中引入了用户属性相似度去除“零相似度”以缓解用户冷启动问题的影响.实验结果证明,该算法在解决冷启动问题和改善推荐覆盖率的同时,提升了推荐的准确率.     

基于多维信任和联合矩阵分解的社会化推荐方法

针对现有社会化推荐算法在信任分析方面的不足，研究了从社交辅助信息中充分挖掘用户信任关系的方法，进而提出一种基于多维信任计算和联合矩阵分解的社会化推荐算法。首先，从用户社交行为、社交圈特征获得用户的动态和静态两种局部信任度，再利用信任网络的结构特征提取全局信任度；然后，构造一种对增强关注矩阵和社交信任矩阵进行联合矩阵分解的社会化推荐算法，并采用随机梯度下降法对其求解。基于新浪微博数据集的实验结果表明，所提出的算法在推荐精度和Top-K推荐能力方面明显优于socailMF、LOCABAL、contextMF和TBSVD这几种代表性的社会化推荐算法。     

基于领域敏感兴趣圈的社会化推荐算法

为了更好地融入信任关系对用户评分的影响，并考虑用户兴趣随领域变化的特点，提出了一种基于领域敏感兴趣圈的社会化推荐算法DSC-PMF。DSC-PMF算法通过构造领域敏感兴趣圈（DSC）模型，并结合概率矩阵分解（PMF）推荐算法，对用户进行推荐。DSC模型仅考虑兴趣相似朋友的影响，用信任划分的方法度量了不同朋友的影响程度，同时引入用户领域敏感度来衡量用户受朋友影响的意愿程度。通过在Yelp数据集上的多组对比实验，该算法不仅降低了MAE和RMSE，还提高了系统推荐准确率。     

Joint user knowledge and matrix factorization for recommender systems

Currently, most of the existing recommendation methods treat social network users equally, which assume that the effect of recommendation on a user is decided by the user’s own preferences and social influence. However, a user’s own knowledge in a field has not been considered. In other words, to what extent does a user accept recommendations in social networks need to consider the user’s own knowledge or expertise in the field. In this paper, we propose a novel matrix factorization recommendation algorithm based on integrating social network information such as trust relationships, rating information of users and users’ own knowledge. Specifically, since we cannot directly measure a user’s knowledge in the field, we first use a user’s status in a social network to indicate a user’s knowledge in a field, and users’ status is inferred from the distributions of users’ ratings and followers across fields or the structure of domain-specific social network. Then, we model the final rating of decision-making as a linear combination of the user’s own preferences, social influence and user’s own knowledge. Experimental results on real world data sets show that our proposed approach generally outperforms the state-of-the-art recommendation algorithms that do not consider the knowledge level difference between the users.     

结合重要节点信任传播的社会化推荐算法

融合社交信息的推荐算法有效缓解了推荐算法中的数据稀疏性问题和冷启动问题,近年来受到极大的关注。但社交信息依然存在数据稀疏性问题,而且社交网络提供的二值数据无法衡量不同用户间的信任程度。针对这些问题,利用重启随机游走算法获取社交网络中的重要节点。提出重要节点信任传播算法建立重要节点和其他用户节点之间的信任关系,同时利用节点的结构信息进一步量化用户间的信任权重,以得到更精确的推荐结果。在三个公开数据集上的实验表明,结合重要节点信任传播的社会化推荐算法（INTP-Rec）丰富了社交信息,有效地提高了推荐算法的准确率和召回率。     

基于知识图谱和重启随机游走的跨平台用户推荐方法

针对单一社交网络平台中推荐相似用户结果单一,对用户兴趣和行为信息了解不够全面的问题,提出了基于知识图谱和重启随机游走的跨平台用户推荐方法（URCP-KR）。首先,在分割、匹配出的目标平台图谱和辅助平台图谱的相似子图中,利用改进的多层循环神经网络（RNN）预测出候选用户实体,再综合利用拓扑结构特征相似度和用户画像相似度筛选出相似用户;然后,将辅助平台图谱中的相似用户的关系信息补全到目标平台图谱;最后,计算目标平台图谱中的用户游走到社区内每个用户的概率,从而得到用户之间的兴趣相似度来实现用户推荐。实验结果表明,与协同过滤（CF）算法、基于跨平台的在线社交网络用户推荐算法（URCP）和基于多开发者社区的用户推荐算法（UR-MC）相比,URCP-KP在推荐精确率及推荐多样性等方面均有所提高,推荐精确率最高可达95.31%,推荐覆盖率最高可达88.42%。     

基于用户相似度和信任度的药品推荐算法

为了解决协同过滤算法推荐精度低的问题,提出基于用户相似度和信任度的药品推荐算法。该方法通过离线使用DBSCAN算法对药品进行聚类来降低时间复杂度。引入共同评分药品阈值使用户相似度计算更准确,同时设置相似度阈值来限定相似性邻居的选取以克服KNN算法选取邻居的缺陷。根据用户的推荐可信度和评分可信度建立信任计算模型,计算基于相似邻居集的可信邻居集。通过两次邻居选择策略为目标用户产生药品推荐。仿真结果表明,该算法与其他算法相比在平均绝对误差、准确率和召回率上有更好的性能,提高了系统推荐精度。     

融合社交网络用户潜在因子的社会化推荐

针对传统社会化推荐准确率不高的问题,提出一种融合社交网络用户潜在因子的推荐算法SGCN-MF。SGCN-MF考虑社交网络中用户的隐语义信息对推荐结果的影响。使用图卷积神经网络将用户-项目历史交互信息和用户社交网络进行编码嵌入,学习得到具有用户特征和网络结构信息的节点在低维向量空间的潜在特征表达;将用户潜在因子融入基于矩阵分解的社会化推荐模型中;使用梯度下降算法训练模型参数。在Filmtrust、Ciao和Epinions数据集上的实验表明,与传统的社会化推荐算法相比,SGCN-MF能够提升推荐的准确率。     

结合评分和信任关系的社会化推荐算法

针对推荐系统中普遍存在的数据稀疏和冷启动等问题,提出一种综合评分和信任关系的社会化推荐算法。首先对网络中新用户的初始信任值进行合理赋值,有效地解决了新用户的信任冷启动问题。鉴于用户的喜好会受其朋友的影响,推荐模型又利用朋友之间的信任矩阵对用户自身的特征向量进行修正,解决了用户特征向量的精准构建及信任传递问题。实验结果表明,所提算法较传统的社会网络推荐算法在性能上有显著提高。     

结合用户组群和隐性信任的概率矩阵分解推荐

研究表明在社会网络推荐中添加明确的社会信任明显提高了评分的预测精度,但现实生活中很难得到用户之间明确的信任评分。之前已有学者研究并提出了信任度量方法来计算和预测用户之间的相互作用及信任评分。提出了一种基于Hellinger距离的社会信任关系提取方法,通过描述二分网络中一侧节点的f散度来进行用户相似度计算。然后结合用户分组信息,将提取的隐式社会关系加入改进的概率矩阵分解中,提出一种新的基于用户组群和隐性社会关系的概率矩阵分解算法（CH-PMF）。实验结果表明,提出的模型与应用实际用户明确表示的信任分数推荐结果表现几乎相同,且在无法提取到明确信任数据时,CH-PMF有着比其他传统算法更好的推荐效果。