基于标签相似度计算的“知乎”社区知识个性化推荐及案例研究

“知乎”社区是国内著名的社交问答平台,吸引各行业领域的专家和学者。在信息过载时代,研究个性化推荐方法对用户精准获取知识具有重要意义。首先,通过自研的爬虫程序收集“知乎”平台数据,获取该平台特有的“知识语义标签”,然后开展标签相似度计算,确定用户行为特征的相似度,最后,基于该相似度进行知识个性化推荐,并开发Web网站展示推荐效果。区别以往研究,本文密切结合“知乎”平台的“知识语义标签”开展知识个性化推荐,为社交问答平台用户的知识精准获取提供新的途径。     

基于相似模式聚类的电子商务网站个性化推荐系统研究

保证个性化推荐系统产生高质量的推荐结果的重要因素是:系统必须要确定访问者在访问行为的相似程度,从而能预测访问者的访问和购买兴趣。实现此功能的关键技术是计算访问者对象在整个或者部分属性空间的相似距离,从而得到访问行为的相似程度。该文首先分析了目前在推荐系统中常用的用于计算访问行为相似程度的距离函数,发现它们是测定访问者对象在所有测试属性空间上的平均测定,而在属性集的子维空间上的相似模式并没有有效地挖掘出来。然后提出一种新的基于相似模式聚类算法的电子商务个性化推荐系统,综合考虑可供挖掘的数据源(如:网站内容,网站的超链接结构,顾客访问网站的行为,以及商业的实际购买情况,顾客的身份数据等)获取用户访问电子商务网站的访问页面序列,构建较高购买者的顾客行为的矩阵模型,高效地得到访问者对象在整个或者部分属性空间的相似访问行为,然后通过挖掘潜在购买者与较高购买者的相似模式特征,帮助顾客发现他所希望购买的产品信息,用于提高实际购买量,实验数据表明,该系统高效并可广泛使用。     

基于Web挖掘的个性化推荐算法研究

个性化推荐系统是根据用户的爱好,给用户推荐符合用户兴趣的对象的一种高级商务智能平台.论文重点探讨基于用户的协同过滤算法,介绍其基本思想和工作流程,并通过高级语言C＋＋来实现三种相似度计算方法,通过实验比较得出了最佳的计算方法,并设计实现了一个电子商务个性化推荐系统原型,对其他同类网站应用个性化推荐系统具有很好的参考价值.     

基于大数据的个性化音乐推荐系统仿真

笔者以million song dataset为音乐数据集,以taste profile为用户数据集,采用改进的基于用户喜好特征的协同过滤算法,实现了一个基于大数据的个性化音乐推荐系统。系统首先根据用户近期的听歌记录为用户生成听歌偏好模型,进而计算用户与歌曲的相似度,然后为用户推荐与其偏好最相近的歌曲。     

基于情境感知的移动餐饮个性化推荐模型研究

针对当前移动餐饮个性化推荐存在的准确度差和自适应性差等问题,提出利用本体构建技术和情境感知技术来实现个性化推荐。对移动餐饮平台的情境要素进行了全面的分析,建立了基于情境感知的移动餐饮个性化推荐模型框架,构建了情境语义的两层本体模型,并介绍了推荐模型运行的基本工作流程,重点介绍了情境获取、情境推理、情境更新合成和规则匹配关键环节,以期提高个性化推荐服务的质量和效果。     

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。     

基于事件本体的新闻个性化推荐

针对传统推荐系统中存在的冷启动、数据稀疏、语义缺乏、推荐精度较低等问题,提出一种基于事件本体的推荐算法。结合新闻的分类结构和新闻语料构建事件本体,对用户浏览的新闻进行要素抽取并构建用户兴趣模型。基于事件本体的分类结构计算新闻事件之间的相似度,通过用户兴趣模型计算用户兴趣相似度,根据事件本体非层次结构的语义半径寻找相关新闻事件。综合事件本体相似度、用户兴趣相似度和非层次结构相似度3个方面得出新闻个性化推荐结果。实验结果表明,该算法的推荐结果优于协同过滤推荐算法和基于内容的推荐算法。     

基于张量相似度的推荐方法研究

传统推荐方法中将用户建模为向量的建模方式只关注用户单方面偏好,为了弥补此种建模方法的局限性,提出一种将用户建模为矩形的张量建模方法。构建了一个基于融合协同过滤与序列推荐算法的推荐模型,该模型集成了Fastformer模型和键值记忆网络对用户张量进行建模;结合用户张量与目标物品的距离及偏置项对用户张量与目标物品的相似度进行计算。在MovieLens和CiaoDVD数据集上对该模型进行实验验证,实验结果表明,该模型能够关注用户多方面偏好并在推荐结果的精准度上优于基线方法,特别是在HR与NDCG评价指标上分别比现有基线方法平均提高了1.4%、1.95%。     

基于点击流的用户矩阵模型相似度个性化推荐

研究用户学习网页点击流数据,挖掘用户兴趣,从而为用户进行个性化学习资源推荐,提出JMATRIX算法。基于用户历史资源点击流信息,构建用户资源点击数据有向图模型,并将有向图模型转化为矩阵模型存储。采用求解矩阵模型相似度,从而求得用户相似度,极大地降低了资源点击频率和资源点击路径用户相似度求解的复杂度,提高用户相似度求解的效率与准确度。结合Leader Clustering算法及粗糙集理论进行用户聚类和用户个性化资源推荐。实验结果表明,相比Leader Clustering算法,JMATRIX算法具有更高的效率和更准确的推荐效果。     

基于领域知识的个性化协同商务推荐系统

基于领域知识与顾客购买倾向相关联的事实,从知识表示、知识获取、系统实现三个方面研究了个性化协同商务推荐系统的实现策略。知识表示研究了自然语言的本体表示,主要包括：知识本体描述、模糊关系设计、概念关联抽象和公理修正四个部分;知识获取采用多层次领域知识获取和基于数据挖掘的智能知识获取两种方法,对知识的形式化和结构化进行了研究;基于J2EE技术创建了由客户端、服务器端、存储系统组成的协同商务推荐系统的结构模型。最后通过测试网站对系统的有效性进行了验证。     

改进相似度的分布式个性化推荐

相似度计算在个性化推荐系统中是基本运算,但无论是基于内容还是基于协同过滤的推荐,目前常用的向量相似度计算还存在可以改进之处。在海量公开的数据集上的实验表明,在基于内容的推荐中引入机器学习方法以及在协同过滤推荐中引入区分度来改善相似度计算,可以获取更高的准确率。对MapReduce的分布式计算流程的改进,使得相似度计算更为高效。     

基于移动用户上下文相似度的张量分解推荐算法

针对移动服务推荐中用户上下文环境复杂多变和数据稀疏性问题,提出一种基于移动用户上下文相似度的张量分解推荐算法——UCS-TF。该算法组合用户间的多维上下文相似度和上下文相似可信度,建立用户上下文相似度模型,再对目标用户的K个邻居用户建立移动用户-上下文-移动服务三维张量分解模型,获得目标用户的移动服务预测值,生成移动推荐。实验结果显示,与余弦相似性方法、Pearson相关系数方法和Cosine1改进相似度模型相比,所提UCS-TF算法表现最优时的平均绝对误差（MAE）分别减少了11.1%、10.1%和3.2%;其P@N指标大幅提升,均优于上述方法。另外,对比Cosine1算法、CARS2算法和TF算法,UCS-TF算法在数据稀疏密度为5%、20%、50%、80%上的预测误差最小。实验结果表明UCS-TF算法具有更好的推荐效果,同时将用户上下文相似度与张量分解模型结合,能有效缓解评分稀疏性的影响。     

一种基于偏好的个性化标签推荐系统*

建立一个基于用户偏好模型的标签推荐系统,从该系统产生的标签集合中选择出能降低一般性概念描述的模糊性的标签子集,推荐给用户。实验表明,该系统具有较高的可靠性和精准度。     

基于用户关注度的个性化新闻推荐系统

为满足用户需求,以用户为中心,解决用户关注度不断变化、数据稀疏性、优化时间和空间效率等问题,提出基于用户关注度的个性化新闻推荐系统。推荐系统引入个人兴趣和场景兴趣来描述用户关注度,使用雅克比度量用户相似性,对相似度加权求和预测用户关注度,从而提供给用户经过排序的新闻推荐列表。实验结果表明,推荐系统有效地提高了推荐精准度和覆盖度,改善了系统可扩展性和自动更新能力,具有良好的推荐效果。     

基于决策过程的个性化推荐系统设计

电子商务的深度发展要求信息技术必须与商务原理结合。现有的个性化推荐系统大多强调推荐内容的精准性,而忽视了推荐结果的利润性和推荐列表的多样性。从消费者与企业的决策过程出发,将消费者购物决策过程简化为意识与满意,将企业决策分为推荐回应与利润计算,以企业推荐商品的利润最大化为目标,设计了一个三层结构的个性化推荐系统,给出了数据支持层、类别分类层和推荐结果层的逻辑算法。针对该系统的实验结果表明,在推荐精准度、多样性和利润度上,都达到较优效果。     

基于云‒端融合的个性化推荐服务系统

主流个性化推荐服务系统通常利用部署在云端的模型进行推荐,因此需要将用户交互行为等隐私数据上传到云端,这会造成隐私泄露的隐患。为了保护用户隐私,可以在客户端处理用户敏感数据,然而,客户端存在通信瓶颈和计算资源瓶颈。针对上述挑战,设计了一个基于云?端融合的个性化推荐服务系统。该系统将传统的云端推荐模型拆分成用户表征模型和排序模型,在云端预训练用户表征模型后,将其部署到客户端,排序模型则部署到云端;同时,采用小规模的循环神经网络（RNN）抽取用户交互日志中的时序信息来训练用户表征,并通过Lasso算法对用户表征进行压缩,从而在降低云端和客户端之间的通信量以及客户端的计算开销的同时防止推荐准确率的下跌。基于RecSys Challenge 2015数据集进行了实验,结果表明,所设计系统的推荐准确率和GRU4REC模型相当,而压缩后的用户表征体积仅为压缩前的34.8%,计算开销较低。     

基于信息流的实时电子商务推荐策略

针对企业对实时个性化推荐的需求,基于信息流的表达、生成和分析对顾客访问记录进行了深层次挖掘,研究了电子商务系统实时个性化推荐策略。提出了包含信息流定义、信息流评价、知识匹配、网站动态组织等算法在内的个性化推荐算法。基于J2EE技术完成了包含客户端、服务器端和存储系统在内的实时动态个性化推荐系统的结构设计。实例表明,随着训练次数的增加推荐准确度呈升高的趋势,并优于关联规则法。     

基于加权二部图的个性化推荐算法

针对网络推断(NBI)算法的二部图实现算法忽略二部图权重而导致实际评分值高的项目没有得到优先推荐这一问题,提出加权网络推断(WNBI)算法的加权二部图实现算法。该算法以项目的评分作为二部图中用户与项目的边权,按照用户-项目间边权占该节点权重和的比例分配资源,从而实现评分值高的项目得到优先推荐。通过在数据集MovieLens上的实验表明,相比NBI算法,WNBI算法命中高评分值项目数目增多,同时在推荐列表长度小于20的情况下,命中项目的数量和命中高评分项目数量均有明显增加。