一种改进的偏好融合组推荐方法

近年来,组推荐系统已经逐渐成为推荐系统领域的研究热点之一.在电影电视和旅游推荐中,用户常常是参与活动的一组人,这就需要为多个用户形成的群组进行推荐.作为解决群组推荐问题的有效手段,组推荐系统将单个用户推荐扩展为群组推荐,目前已经应用在新闻、音乐、电影、餐饮等诸多领域.现有的组推荐融合方法主要是模型融合与推荐融合,其效用好坏目前仍没有定论,并且它们各有自己的优缺点.模型融合存在着群组成员间的公平性问题,推荐融合忽视了群组成员间的交互.提出一种改进的偏好融合组推荐方法,它结合了两种融合方法的优点.同时根据实验得出了"群组偏好与个人偏好具有相似性"的结论,并将它结合在改进方法中.最后,通过在Movielens数据集上的实验分析,验证了该方法的有效性,证明了它能够有效地提高推荐准确率.     

基于优化协同过滤与加权平均的群推荐方法

为面向群体用户提供推荐,提高群体用户的信息搜索效率,提出了一种新颖的基于优化协同过滤与中位数加权平均的群推荐方法,综合考虑了项目的评分相似性与类型相似性,通过集成项目相似性与用户相似性预测出群体用户对项目的评分;在集结群体用户评分时,采用基于中位数的加权平均集结策略消除个别用户评分差异过大带来的影响,综合考虑群体用户在评分过程中的作用。通过预测项目评分实验与集结用户评分实验,结果表明,用新方法得到的准确率均高于常用的传统方法,从而表明该方法是有效的。     

使用群体兴趣偏好度的协同过滤推荐

推荐系统是电子商务系统中最重要的技术之一,用户相似性度量方法是影响推荐算法准确率高低的关键因素。针对用户评分数据极端稀疏情况下传统相似性度量方法的不足,提出了一种基于群体兴趣偏好度的协同过滤推荐算法,根据群体兴趣偏好度来预测用户对未评分项目的评分,在此基础上再采用传统的相似性度量方法计算目标用户的最近邻居。实验结果表明,该算法可以有效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,显著提高推荐系统的推荐质量。     

基于行为和评分相似性的关联规则群推荐算法

使用关联规则推荐工具会遇到最优推荐规则选取难、规则信息不能充分利用等问题。利用较易获取的应用领域知识可有效解决这类问题。针对仅有商品名称和评分信息的推荐情形,提出一种基于行为和评分相似性的关联规则群推荐算法,该算法将规则及相应的评分信息视为推荐专家,将推荐结论相同的专家合并为一个专家组,利用客户行为和评分的双重相似性计算专家权重,并利用群决策的思想集结专家组的推荐意见,从而给出最佳推荐方案。最后通过实例和实验说明了该算法的可行性和有效性。     

基于异质信息网络分析的主题感知群推荐方法研究

在社交网络上面向群组推荐物品时,已有研究大多基于群成员的完整偏好,运用一些合成策略生成群推荐结果。但在实际中,促使群成员加入目标群的可能只是其完整偏好中与该群相关的部分偏好。因此,使用群成员的完整偏好进行推荐便会带来大量的噪声,损害推荐效果。为解决这一问题,提出了一种基于异质信息网络分析的主题感知群推荐方法HINGR_GT（heterogeneous information network analysis based group recommendation method with group topic considered）,针对每个群组构建面向群组的异质社交网络子图,将成员偏好中与群组无关的偏好提前排除在外,在此基础上使用异质网络表示学习方法为群组生成物品推荐。为验证所提方法的有效性,在豆瓣电影数据集上进行了实验,结果表明所提方法在所有评价指标上均取得了更好的效果。     

基于信任偏好的个性化推荐

协同过滤推荐作为主流的个性化推荐方法在实际应用中存在一定缺陷, 在一些情况下得到的推荐结果不够准确。考虑到信任与用户偏好相似性的关系, 将信任引入到推荐模型中, 并同时考虑暗示用户偏好的多维因素, 提出基于信任偏好的个性化推荐方法, 以提高推荐系统的准确性, 并用实验验证了此方法的有效性。     

物联网中的推荐算法研究

本文在全面研究各类推荐算法的基础上,提出了基于物联网的推荐算法。该算法结合了基于内容的推荐和协同过滤推荐,综合考虑了物联网中设备的资源与资源相似性、设备与设备的评分矩阵,并基于用户与用户之间的相似性预测评分,给出推荐结果。     

个性化推荐系统中的混合用户偏好获取

针对个性化推荐系统中用户偏好信息量小的问题,提出了混合用户偏好获取,以相对准确但稀少的显式评分为基础,综合考虑用户页面停留时间、页面滚动时间和鼠标点击次数三项浏览行为,以评分转化规则为依据,得到隐式评分。结合隐式评分和显式评分,构建反映用户偏好的用户一项目矩阵,为个性化推荐算法的实施提供数据基础。实验证明,混合用户偏好获取是可行和有效的。     

结合用户偏好迁移的复合推荐方法

在研究了协同过滤和基于内容的预测这两种广泛应用的自动推荐方法之后,针对这两种方法的不足之处,提出了一种复合推荐方法.该推荐方法将协同过滤和基于内容的预测有效结合,并考虑了电子商务中用户偏好随时间迁移这一重要的实际因素.该推荐方法通用性较好,具有较广泛的适用领域,可以用于商品推荐、图书推荐,电影推荐等不同的应用环境.针对电影推荐进行了实验,实验结果表明了该方法推荐效果的有效性.     

融合隐性特征的群体推荐方法研究

作为目前最成功的主流推荐方法,奇异值分解算法(SVD)将已知的海量数据建模并通过矩阵分解降维处理来得到有效信息;非负矩阵分解(NMF)则通过分解出非负矩阵元素来解释特征意义。这两种较为成功的方法均通过对显性反馈信息进行基于矩阵分解的处理得到用户的喜好信息来进行群体推荐。然而,仅凭用户的显性反馈信息有时无法准确反映用户的真实喜好。为解决上述问题,提出了一种针对这两种模型的改进方法,将隐性特征和基于隐性特征的群体权重计算方法融合进经典的矩阵分解算法,其中隐性特征可以完善用户的喜好信息,基于隐性特征的群体权重计算方法则根据群体的特点给予用户相应的权重,使得推荐的准确率得到提升。对该方法在KDD Cup 2012 Track1中的腾讯微博数据集上进行测试,实验结果表明在该数据集上融合方法的平均绝对偏差(MAE)和准确率 要优于SVD算法与NMF算法,推荐的性能有较明显的提升。     

一种考虑群成员接受度及相似度的群体推荐算法

由于群体成员个性不同,尤其在群成员意见冲突情况下如何准确获取群体成员偏好是群体推荐系统进行有效推荐的关键。针对上述问题,本文充分考虑群体成员在冲突情境下的行为特征,采用Thomas-Kilmann行为冲突模式分析方法(TKI)衡量群成员在冲突情境下对不同偏好接受度;并将群体成员接受度和成员-群体相似度有机融合到传统群体推荐算法中,提出了一种新的混合群体推荐算法。实验结果表明新算法比传统群体推荐算法的推荐精度有较为明显的改善。     

Group recommendation with noisy subjective preferences

Social choice theory provides a principled framework for the aggregation of individuals' preferences in support of group decision‐making and recommendation. Much of this work, however, either assumes that individuals' subjective preferences (and thus, their votes) are correctly specified by the individuals themselves, or alternatively that the votes of individuals are noisy estimates of some underlying ground truth over rankings of alternatives. We argue that neither model appropriately addresses some of the issues which arise in the context of group‐recommendation domains where individuals have subjective preferences but for some reason (eg, the high cognitive burden, concerns about privacy, etc.) may instead vote using a noisy estimate of their subjective preference rankings. In this paper, we propose a general probabilistic framework for modeling noisy subjective preferences, and explore the accuracy and reliability of four well‐studied voting rules under various noise models. Our results demonstrate that there is no single reliable method amongst the examined methods. Specifically, we observe the change in noise distribution can flip one method from being the most reliable to the least.     

融合协同过滤与用户偏好的旅游组推荐方法

近年来,组推荐系统已经逐渐成为旅游推荐领域的研究热点之一。传统的推荐系统面临的数据稀疏性问题在组推荐系统中同样存在。基于评分的推荐系统中,可以把组推荐系统分为对单个用户的偏好预测和对组内成员预测结果的融合两个阶段。为提高推荐的效果,提出了一种融合协同过滤与用户偏好的旅游组推荐方法,它考虑了用户的预测评分和组推荐结果的准确性。在协同过滤中通过加入相似性影响因子和关联性因子进行预测评分,然后在均值策略和最小痛苦策略的基础上,提出了满意度平衡策略,该策略考虑了组内成员的局部满意度和整体满意度。实验表明,所提出的方法提高了推荐的准确率。     

融合推荐潜力的个性化趋势预测的混合推荐模型

预测用户对物品的行为中,准确的物品推荐是推荐系统的困难问题。为了提高推荐系统的推荐精度,引入物品的推荐潜力,提出一种新颖的融合物品推荐潜力的个性化混合推荐模型。首先根据最近短时间段和最近长时间段的物品访问率计算趋势动量,然后利用趋势动量计算出当前物品的推荐潜力值,最后将物品推荐潜力值融入到个性化推荐模型中得到混合推荐模型。实验证明,融合了物品推荐潜力值的个性化趋势预测,能较大地提高推荐系统的推荐精度。     

基于非负矩阵分解的群组推荐算法

近年来,随着媒介技术的快速发展,人们成组活动的现象逐渐增多,群组推荐系统也逐渐受到关注。现有的群组推荐系统往往将不同的成员视为同质对象,忽视了成员专业背景和项目固有属性之间的关系,无法真正地解决融合过程中的偏好冲突问题。为此,提出一种基于非负矩阵分解的群组推荐算法,通过非负矩阵分解将群组评分信息分解为用户矩阵和项目矩阵,针对2个矩阵分别利用隶属度和专业度权值计算得到项目隶属度矩阵和成员专业度矩阵,并由此获得各成员在不同项目上的贡献度来构建群组偏好模型。实验结果表明,所提算法在不同群组规模和组内相似度的情况下依然具有较高的推荐准确度。     

基于药物和疾病特征关联的药物重定位混合推荐算法

针对基于协同过滤的药物重定位算法进行了研究,考虑到数据稀疏性对协同过滤算法的巨大影响,提出一种基于药物和疾病特征关联的药物重定位混合推荐算法。该算法不仅使用了药物和疾病关系数据,还利用了药物结构、靶蛋白、副作用以及药物—疾病特征矩阵等信息计算药物之间的相似性,降低了数据稀疏性对推荐效果的影响,提高了推荐精度。经过对比实验发现,该算法具备较好的推荐效果,并能够发掘具有潜在联系的药物—疾病组合,进一步验证了该算法可以有效地应用于药物重定位。     

基于商品特征的个性化推荐算法

针对现有个性化商品推荐算法精度不高、新商品不能及时推荐等缺点,提出了一种基于商品特征、用户购买日志及用户实时浏览行为的个性化推荐算法。算法首先根据客户的在线浏览情况获取当前客户的购买倾向,然后将客户的购买日志与商品特征数据库进行对比分析,获得客户对商品特征的偏爱度及推荐参照组,依据特征实体的相似度矩阵进行特征推荐组推荐,最后结合当前的购买倾向向客户推荐商品。     

融合上下文信息与自注意力机制的群组推荐算法

针对群组推荐中组内成员存在偏好动态复杂性的问题,群组成员间的偏好会彼此影响,提出了一种融合上下信息与自注意力机制的群组推荐算法。首先,为了更好地捕捉群组成员间的动态关系,利用自注意力机制自动学习群组内用户的上下文信息与群组中其他成员间的关系权重;其次,根据自注意力机制学习到的组矩阵取其均值嵌入得到群组偏好表示;最后,根据群组偏好利用贝叶斯个性化排序方法进行群组推荐。将提出的方法在MovieLens-1M和CAMRa2011两个数据集上进行实验,并且与基准算法进行比较分析,该方法在推荐的命中率HR和NDCG两个指标上均有提升,实验结果证明该方法得到了更优的群组推荐结果。     

基于作者偏好的学术投稿刊物推荐算法

针对投稿刊物推荐算法总是单独考虑文本主题或者作者历史发刊记录,导致投稿刊物推荐结果准确率低的问题,提出了一种基于作者偏好的学术刊物投稿推荐算法.该算法不仅协调使用了文本主题和作者历史发刊记录,还挖掘了投稿刊物的学术焦点与时间的潜在联系.首先,使用潜在狄利克雷(LDA)主题模型对文章标题进行主题提取;其次,建立主题-刊物...