云计算环境下的学习资源个性化推荐技术研究

针对学习资源的个性化推荐,提出了一种基于用户影响关系的协同过滤推荐方法,使用传统协同过滤推荐采用的用户项目评分信息,通过挖掘用户时序交互评论和回复行为数据发现用户之间的相互影响关系,从而优化用户兴趣矩阵,在此基础上改善基于用户的协同过滤方法进行推荐。在数据集上的实验结果表明,通过利用用户之间时序交互行为数据,挖掘隐藏的用户影响关系信息可以有效提高预测的准确度。     

基于注意力机制和用户行为序列的推荐模型研究

现有多数推荐方法主要根据用户在会话期间点击的物品信息为用户推荐所需信息,但用户的兴趣在不同的时间会发生变化,因此很难从用户会话所点击的项目中获得用户的准确信息。为此,文中提出一种结合自我注意力网络（SAN）和循环神经网络中的门控循环单元（GRU）的SAN-GRU混合推荐模型,以预测用户的真实意图。首先,使用多层自我注意网络捕获会话中用户-物品之间交互的全局依赖,从而获取用户行为序列中的用户长期偏好,并采用GRU隐藏层的最后一个隐藏状态来表示用户在当前会话中的短期兴趣;其次,将长期兴趣和短期兴趣进行线性结合以获得会话最后的表示,来预测下一个项目被点击的概率。为验证所提方法的有效性,选取Yoochoose和Diginetica两个公开标准数据集,与基于会话的递归神经网络推荐模型（GRU4REC）等基线方法进行实验对比。结果表明,相较于基于会话推荐的短期注意力/记忆优先级模型（STAMP）,SAN-GRU混合推荐模型在Yoochoose 1 64数据集下的召回率提升6.8%,在Yoochoose 1 4数据集下的召回率和排名倒数的平均值分别提升1.6%和9.3%。     

基于行为延迟共享网络的个性化商品推荐方法

针对电商平台难以利用历史浏览行为进行个性化商品推荐的问题,该文提出了一种行为延迟共享网络模型(BDSN),充分结合历史浏览信息,对用户进行精准浏览推荐。该模型提出行为延迟门控循环神经单元(BDGRU),将历史浏览时间间隔作为用户活跃度因子,对神经元状态进行更新,用于计算用户的兴趣表示。为了提高向量表示的一致性,该模型提出共享参数网络,将用户侧和商品侧的表示向量收敛到统一空间,解决个性化商品推荐点击率预估问题。并在真实数据集上进行实验,结果表明,BDSN模型在验证集上的AUC指标和损失函数均处于最优,在测试集上的AUC指标相较基本模型提高37%,能够有效提升商品推荐的准确性。     

基于行为延迟共享网络的个性化商品推荐方法

针对电商平台难以利用历史浏览行为进行个性化商品推荐的问题,该文提出了一种行为延迟共享网络模型(BDSN),充分结合历史浏览信息,对用户进行精准浏览推荐.该模型提出行为延迟门控循环神经单元(BD-GRU),将历史浏览时间间隔作为用户活跃度因子,对神经元状态进行更新,用于计算用户的兴趣表示.为了提高向量表示的一致性,该模型提出共享参数网络,将用户侧和商品侧的表示向量收敛到统一空间,解决个性化商品推荐点击率预估问题.并在真实数据集上进行实验,结果表明,BDSN模型在验证集上的AUC指标和损失函数均处于最优,在测试集上的AUC指标相较基本模型提高37％,能够有效提升商品推荐的准确性.     

基于用户兴趣模型的三维室内家居风格推荐方法研究

为了更好地辅助完成家居风格的推荐工作,提出一种基于用户兴趣模型的三维室内家居风格推荐方法。该方法包括三维模型数据采集、家居风格特征定义和风格关联挖掘。通过用户行为数据分析建立用户兴趣模型,结合关联规则挖掘算法中的Apriori算法对三维模型数据集进行关联分析,从而得到家居风格的推荐结果。实验结果表明,提出的方法可以有效完成三维室内家居风格分析,并且推荐结果得到了较好的用户满意度。     

移动群智感知中基于协同排序的任务推荐方法

针对移动群智感知中参与者积极性不高导致的数据质量低和激励成本高的问题,本文提出了一种基于混合用户模型与列表级排序学习算法相结合的协同排序任务推荐方法.根据参与者的历史行为对其进行分析,初步过滤掉一些劣质感知用户,同时利用参与者间的相似性构建混合用户模型.利用概率矩阵分解对参与者的意愿值进行预测,并根据排序学习得到一个排序模型.根据排序模型生成任务推荐列表,作为目标参与者的优选任务列表.基于真实数据集的仿真实验结果表明,本文提出的方法有效地提高了任务分配的准确率,与此同时减少了感知用户的移动距离.     

基于用户兴趣变化的混合推荐算法分析

推荐算法被应用在商品购物、音乐推荐、书籍推荐等网站。如何根据这些已有的用户行为数据让用户快速做出抉择,推荐算法显得十分重要。传统的协同过滤算法没有考虑到用户的兴趣是随时间而变化的。文章首先在传统的协同过滤算法的基础上构建时间变化函数,对用户以往的评分数据,对数据做时间加权,提高预测用户兴趣的能力。针对当前推荐算法都会遇到的评分稀疏性问题,文章提出了把基于时间权重的协同过滤算法与基于关联规则的推荐算法进行混合推荐,提高了算法的准确率。     

基于项目属性和BP神经网络的协同过滤推荐

针对协同过滤推荐中存在的数据稀疏性问题,文中提出了一种基于项目特征属性和BP神经网络相结合的协同过滤推荐算法,并通过Movielens数据集验证了该模型的有效性。此方法首先将用户评分数据映射为用户对项目特征属性的偏好,然后使用BP神经网络训练得到目标用户的特征属性偏好模型并对新项目的评分进行预测,从而降低用户项目评分矩阵的数据稀疏性,最后使用协同过滤推荐算法,形成最近邻并生成推荐建议。     

一种改进的混合多因子推荐算法

在新闻网站、电子书城等应用中,为了提高计算用户间的相似性,在传统基于用户协同过滤和基于内容的混合推荐的基础上,引入人口统计信息和专家信任等因子,对混合推荐算法进行改进。最后,通过GroupLens提供的数据集对算法进行验证,与传统基于用户和基于项目的协同过滤算法相比,文中所提算法在准确率上有显著的提高。     

基于嵌入式向量和循环神经网络的用户行为预测方法

为了进一步描述时间因素对用户行为的影响,进而提高推荐系统的推荐效果,综合考虑了用户的长期行为特征和短期行为特征提出一种基于嵌入式向量和循环神经网络的用户行为预测方法。依据推荐系统中的所有用户行为数据,将用户和商品嵌入到相同的特征空间,并通过嵌入式向量反应用户的长期行为特征。针对每个用户,依据其历史行为的时间序列,基于循环神经网络建立该用户的行为预测模型,从而描述该用户的短期行为特征。实验结果表明,提出的方法与特征级时间序列分析等方法相比具有更好的推荐效果。     

一种新颖的协同推荐算法研究

为了克服协同推荐系统中的用户评分数据稀疏性和推荐实时性差的问题,提出了一种高效的基于粗集的个性化推荐算法.该算法首先利用维数简化技术对评分矩阵进行优化,然后采用分类近似质量计算用户间的相似性形成最近邻居,从而降低数据稀疏性和提高最近邻寻找准确性.实验结果表明,该算法有效地解决用户评分数据极端稀疏情况下传统相似性度量方法存在的问题,显著地提高推荐系统的推荐质量.     

一种基于动态角色标识和张量分解的推荐模型

社交网络推荐中,通常未依据用户兴趣变化进行用户角色动态标注,会造成推荐预测误差,并且用户评分数据稀疏造成评分预测不准确.根据以上问题,本文提出一种基于动态角色标识和张量分解的推荐模型.首先,针对用户角色无差别标识问题,引入信息熵指标度量用户兴趣多样性,对目标用户进行角色定量标识.其次,考虑到用户兴趣漂移现象,提出基于时间窗的动态角色标识方式,解决静态角色标识产生的个体评分数据无偏好差异问题,实现用户评分数据层次化处理.最后,为提高评分预测准确率,通过引入张量分解在数据维度转换和数据压缩的特性,构建基于"用户-项目-角色"张量分解的评分预测模型.同时,在张量分解的过程中,通过对数据缺失值处理,提高评分预测精度,生成目标用户推荐列表.实验表明,该方法缓解了用户无角色差异形成的预测误差问题,并能够有效改善评分数据稀疏情况下传统方法推荐精度不足的问题,提高推荐效率.     

Social recommendation algorithm fusing user interest social network

Using the social information among users in recommender system can partly solve the data sparsely problems and significantly improve the performance of the recommendation system. However, the recommendation systems which using the users' social information have two main problems: the explicit user social connection information is not always available in real-world recommender systems, and the user social connection information is directly used in recommender systems when the user explicit social information is available. But as we know that the user social information is not all based on user interest, so this can introduce noise to the recommender systems. This paper proposes a social recommender system model called interest social recommendation (ISoRec). Based on probability matrix factorization (PMF), the model addresses the problems mentioned above by combining user-item rating matrix, explicit user social connection information and implicit user interest social connection information to make more accurately recommendation. In addition, the computational complexity of our algorithm is linear with respect to the number of observed data sets used in this algorithm, and can scalable to very large datasets.     

基于标签与协同过滤算法的淘书吧应用

随着互联网的不断发展,电子商务的流行使人们从线下交易逐渐转为线上交易。电子商务中的推荐系统对人们日益多元化的网络消费起到了至关重要的作用。本文在传统协同过滤推荐算法基础上,加入商品标签属性,构建用户,商品,标签三者之间的关联模型。先构建用户商品评分矩阵,在计算用户对商品兴趣度时增加入标签作为权重系数,提高淘书吧应用推荐准确性。实验结果表明,该方法能有效地改进现有的推荐算法,达到更好的推荐效果。     

一种基于用户浏览行为更新的兴趣模型

为了使个性化推荐系统能适应用户浏览兴趣的变化,一个关键问题就是如何动态地更新用户的兴趣模型。提出了一种新的二层树状结构模型。模型的第1级节点表示用户的兴趣类型,及其对每一兴趣类的兴趣度高低：第2级节点是用户某一兴趣类的向量空间模型表示。并通过分析Web环境下用户的浏览速度,改进了兴趣类兴趣权值计算公式,然后通过用户在这张页面上的浏览速度和页面内容与兴趣类主题的相关程度来更新模型。试验表明改进的计算公式能将兴趣估计的一致性提高到70％。     

基于用户行为认知的在线社交网络协同推荐

近年来,在线社交网络成为人们工作、生活不可或缺的信息共享与交流工具,如何对海量庞杂、大范围时空关联的用户行为信息进行认知并据此提供个性化的推荐服务,已成为在线社交网络发展重点关注的问题。为此,提出了一种基于用户行为认知的在线社交网络协同推荐框架,在对用户特征、文本信息及兴趣偏好等行为进行认知的基础上,利用协同过滤算法,实现个性化的推荐服务。实验结果验证了提出的基于用户行为认知的协同推荐策略具有较好的稳定性和实际应用效果。     

基于HBase的实时消息推荐系统

在现有的推荐系统中,基于用户兴趣模型都能够表达出用户的兴趣,但在用户兴趣发生变化时却不能够及时更新模型。提出基于用户反馈内容来实时更新用户兴趣的消息推荐系统,通过实时更新模型和特征向量进而得到用户当前最匹配的推荐结果。并使用HBase(Hadoop Database)作为存储,能更好地适应数据规模的增长。     

一种基于云模型的社交网络推荐系统评分预测方法

本文针对评分预测中用户评分主观性及评分数据稀疏带来的预测不准确问题,围绕社交推荐的特点,设计实现一种社交网络评分预测方法.首先,针对评分主观性问题,引入并优化相关云模型理论,提出采用综合云模型生成评分标准并转化用户评分的方法.其次,针对预测不准确问题,通过引入隶属度达到数据降维和目标用户定位的作用,同时考虑到社交网络用户关系对评分结果的影响,分别利用社交关系及相似群体建立两个评分预测模型,并基于高斯变换融合两部分预测结果生成预测评分.实验表明,该方案不仅克服了用户评分主观性,同时有效改善了用户评分数据稀疏情况下传统预测方法准确度偏差的问题.     

基于知识图谱共同邻居排序采样的推荐模型

知识图谱作为辅助信息可以有效缓解传统推荐模型的冷启动问题。但在提取结构化信息时,现有模型都忽略了图谱中实体之间的邻居关系。针对这一问题,该文提出一种基于共同邻居排序采样的知识图谱卷积网络(KGCN-PN)推荐模型,该模型首先基于共同邻居数目对知识图谱中的每个实体邻域进行排序采样;其次利用图卷积神经网络沿着图谱中的关系路径将实体自身信息与接收域信息逐层融合;最后将用户特征向量与融合得到的实体特征向量送入预测函数中预测用户与实体项目交互的概率。实验结果表明该模型在数据稀疏场景下相较其他基线模型性能均获得了相应提升。     

基于本体论的个性化影片推荐技术研究

个性化影片推荐服务是解决目前网络及家庭数字电视应用中影片资源迅速增长,用户"信息迷航"的有效方法.针对影片点播应用,给出了个性化影片推荐服务的体系结构、影片数据建模、用户兴趣偏好模型进行了研究,实现无需用户输入传统推荐方法所需相关个性兴趣信息即可返回与用户当前兴趣相关的影片推荐列表,提出了基于本体论的影片模型,并建立用户兴趣偏好模型,给出了对推荐过程中结合用户信息反馈对推荐结果进行自适应的调整算法.