基于码本聚类和因子分解机的多指标推荐算法

传统的协同过滤推荐算法普遍存在数据稀疏问题,且仅利用单一综合评分来计算用户相似度,无法找到在多个指标上偏好相似的用户,因而影响推荐的准确度。多指标评分推荐算法力图寻找在多个指标上偏好相似的用户,但是其评价成本高,导致数据稀疏性问题更加严重。为了找到与目标用户在多个指标上偏好相似的用户,提出基于码本聚类的思想来获取用户在各指标上的评分风格信息,然后基于评分风格信息将用户和项目在各指标上进行双向聚类,最后利用因子分解机模型(Factorization Machines,FMs)基于同一簇内的用户、项目、多指标评分信息、评分风格信息进行推荐。实验结果表明,与传统的协同过滤算法和其他多指标推荐方法相比,基于多指标评分信息的因子分解机推荐算法能够在一定程度上缓解数据稀疏问题,提高推荐的准确度。     

基于高阶偏差的因子分解机推荐算法

在推荐系统中,因评分尺度差异而造成的偏差问题一直影响着协同过滤算法的预测准确性。其中针对矩阵因子分解算法中的偏差问题,本文提出一种基于高阶偏差的因子分解机算法。该算法首先按照评分偏差的现实特征对用户和项目进行划分,再将偏差类别作为辅助特征集成到因子分解机中,实现了评分预测中不同偏差用户、项目的高阶交互。在Movielens数据集上的实验结果表明,相比传统矩阵因子分解算法,本文提出的算法具有更低的预测误差,体现了其更好的推荐性能。     

基于共享评级迁移的跨域推荐算法

数据稀疏和用户冷启动一直是推荐系统中亟待解决的问题,因此提出了一种基于共享评级迁移的跨域推荐算法(shared ratings transfer cross-domain recommendation,SRTCD).首先,该算法考虑到不同领域间存在着用户群体/项目信息潜在特征的相似性,对各个领域评分矩阵进行概率矩阵分解,得到用户和项目的潜在特征;再利用基于模拟退火和遗传算法优化的K-means算法对用户和项目分别进行聚类,将用户类别和项目类别的内积作为共享评级;然后利用各领域数据集的共享评级和目标领域数据集的特定评级得出推荐结果.最后,利用公共数据集对所提方法SRTCD进行验证,结果表明该方法的推荐性能明显优于常用推荐算法.     

一种基于信任和不信任的矩阵分解推荐算法

推荐系统可以有效的解决信息过载问题,使得的用户快速的找到感兴趣的物品.然而真实场景中的数据极度稀疏,严重影响推荐质量.基于信任的矩阵分解推荐算法通过利用评分信息和信任信息进行推荐,可以在一定程度上减少因评分信息稀疏对推荐性能造成的影响.但基于信任的矩阵分解推荐算法只考虑了用户间的信任信息,却忽略了用户间的不信任信息,事实上用户间的不信任信息同样对推荐质量有着重要的影响.本文提出了一种新颖的非负矩阵分解算法TDSVD,TDSVD利用评分信息,信任信息和不信任信息进行个性化推荐.因为TDSVD算法利用了3种信息进行推荐,所以很大程度上减小了数据稀疏对推荐质量的影响.并且在模型训练时,本文加入了一种新颖的信任正则化项和不信任正则化项.最后,在真实数据集Epinions的实验也表明本文提出的算法TDSVD优于其它经典算法,能够显著提高推荐准确性.     

基于信任计算和矩阵分解的推荐算法

基于矩阵分解的推荐算法普遍存在数据稀疏性、冷启动和抗攻击能力差等问题.针对上述问题,文中提出信任加强的矩阵分解推荐算法.首先,借鉴社会心理学中的信任产生原理,提出基于用户信誉度的信任扩展方法,缓解信任数据的稀疏性问题.然后,基于社交同质化原理,利用信任用户对评分矩阵分解过程中的用户潜在因子向量进行扩展,解决评分数据的稀疏性和新用户的冷启动问题.同时,利用信任关系对目标优化函数进行规格化约束,提高评分预测的准确性.基于通用测试数据集Epinions的实验表明,文中方法在推荐性能方面具有明显改善,可以有效解决数据稀疏性问题和冷启动问题.     

移动环境下基于情境感知的个性化影视推荐算法研究

针对在移动环境下使用传统推荐算法进行个性化影视推荐时存在的准确度不高的问题,提出了一种基于情境感知的矩阵分解算法。该算法在基本矩阵分解算法的基础上,通过融入全局偏置和情境偏置来进行未知评分预测。该算法的优势在于：一方面,使用矩阵分解的方式使得矩阵的规模远远小于原始评分矩阵;另一方面,该算法充分融入了情境要素对评分的影响,使得预测评分更加精准。通过在LDOS-CoMoDa数据集上进行实验,结果表明,该算法在准确度上优于基于用户的协同过滤算法、基本矩阵分解算法和baseline预测算法。     

基于用户信任和兴趣的概率矩阵分解推荐方法

传统协同过滤推荐算法存在数据稀疏性、冷启动、新用户等问题.随着社交网络和电子商务的迅猛发展,利用用户间的信任关系和用户兴趣提供个性化推荐成为研究的热点.本文提出一种结合用户信任和兴趣的概率矩阵分解（STUIPMF）推荐方法.该方法首先从用户评分角度挖掘用户间的隐性信任关系和潜在兴趣标签,然后利用概率矩阵分解模型对用户评分信息、用户信任关系、用户兴趣标签信息进行矩阵分解,进一步挖掘用户潜在特征,缓解数据稀疏性.在Epinions数据集上进行实验验证,结果表明,该方法能够在一定程度上提高推荐精度,缓解冷启动和新用户问题,同时具有较好的可扩展性.     

基于信任关系和项目流行度的矩阵分解推荐算法

针对现有推荐系统推荐覆盖范围不高的问题,提出一种融合项目流行度和用户信任关系的矩阵分解推荐算法。合并用户-项目评分矩阵和用户-用户信任关系矩阵,通过矩阵分解的方式同时传递信任和推荐项目,极大提高了推荐算法的覆盖率,但损失了现有方法8%左右的精度。将项目流行度作为权重因子,引入到高稀疏性的用户-项目评分矩阵中,根据项目流行度对用户评分项目和未评分项目分别进行加权处理,提高了推荐算法的准确率。通过在Epinions数据集上的对比实验结果表明,该算法在大幅度改善推荐覆盖率的同时,保证了推荐的准确率,能够给于用户更好的推荐效果。     

基于聚类的因子分解机推荐算法研究

随着电商行业的飞速发展,电商平台上产生的点击、评分、购买等行为日志数据朝着海量化、多样化、无序化的方向发展,使得获取有价值信息的复杂度增加,降低了信息生产者将信息传达给信息消费者的效率,使得用户体验变差。为了解决上述问题,本文提出一种基于用户行为聚类的分级因子分解机系统推荐模型。首先构建用户多维行为特征工程,将用户分为四种行为模式,随后对不同模式的用户分别采用因子分解机推荐算法进行推荐预测。最后仿真结果表明,本文提出的改进推荐算法不仅降低了推荐预测的均方根误差(RMSE),并且大大地减少了推荐时间,有利于实时推荐系统的应用。     

融合时间偏差信息的邻域型因子分解推荐算法

针对传统推荐算法在进行评分预测时推荐精度低这一问题,提出了融合时间偏差信息的邻域型因子分解推荐算法（简称NFDRA）。它以因子分解算法为主,随机梯度下降寻优为辅,并融合了用户评分的邻域信息以及三种时间偏差信息。实验表明,融合时间偏差的邻域型因子分解推荐算法,相比传统的因子分解推荐可以产生更高精度的推荐结果并具有显著性差异。     

一种融合聚类与用户兴趣偏好的协同过滤推荐算法

协同过滤推荐算法可以根据已知用户的偏好预测其可能感兴趣的项目,是现今最为成功、应用最广泛的推荐技术。然而,传统的协同过滤推荐算法受限于数据稀疏性问题,推荐结果较差。目前的协同过滤推荐算法大多只针对用户-项目评分矩阵进行数据分析,忽视了项目属性特征及用户对项目属性特征的偏好。针对上述问题,提出了一种融合聚类和用户兴趣偏好的协同过滤推荐算法。首先根据用户评分矩阵与项目类型信息,构建用户针对项目类型的用户兴趣偏好矩阵;然后利用K-Means算法对项目集进行聚类,并基于用户兴趣偏好矩阵查找待估值项所对应的近邻用户;在此基础上,通过结合项目相似度的加权Slope One算法在每一个项目类簇中对稀疏矩阵进行填充,以缓解数据稀疏性问题;进而基于用户兴趣偏好矩阵对用户进行聚类;最后,面向填充后的评分矩阵,在每一个用户类簇中使用基于用户的协同过滤算法对项目评分进行预测。实验结果表明,所提算法能够有效缓解原始评分矩阵的稀疏性问题,提升算法的推荐质量。     

基于状态空间模型和概率矩阵分解的推荐算法

传统的矩阵分解算法在时间上将全部训练数据作为整体进行计算以获得用户兴趣特征,忽略了用户兴趣漂移问题。针对此问题,提出一种基于状态空间模型和概率矩阵分解的推荐算法。首先将用户兴趣特征向量与用户评分数据的矩阵分解映射到线性高斯状态空间中;然后使用EM算法和卡尔曼滤波器对模型参数进行动态求解;最后根据前后获得用户兴趣特征向量确认用户兴趣是否发生漂移,并进行相应推荐。实验结果表明,该算法与传统的矩阵分解推荐算法相比,能更好地感知用户兴趣漂移,提高推荐质量。     

Robust recommendation method based on suspicious users measurement and multidimensional trust

The existing collaborative recommendation algorithms have poor robustness against shilling attacks. To address this problem, in this paper we propose a robust recommendation method based on suspicious users measurement and multidimensional trust. Firstly, we establish the relevance vector machine classifier according to the user profile features to identify and measure the suspicious users in the user rating database. Secondly, we mine the implicit trust relation among users based on the user-item rating data, and construct a reliable multidimensional trust model by integrating the user suspicion information. Finally, we combine the reliable multidimensional trust model, the neighbor model and matrix factorization model to devise a robust recommendation algorithm. The experimental results on the MovieLens dataset show that the proposed method outperforms the existing methods in terms of both recommendation accuracy and robustness.     

基于时间的局部低秩张量分解的协同过滤推荐算法

传统的推荐模型是静态的,忽略了时间因素。部分推荐算法虽然将时间因素考虑在内,但只是简单使用最近的数据或者 降低 过去数据的权重,这样可能会造成有用信息的丢失。针对这一问题,提出了一种考虑时间因素的局部低秩张量分解推荐算法。在传统的推荐算法的基础上,放松用户对项目的评分矩阵是低秩的这一假设,认为整个评分矩阵可能不是低秩的而是局部低秩的,即特定用户项目序偶的近邻空间是低秩的;同时又考虑时间因素,把评分矩阵看作是用户、项目和时间3个维度的张量,将传统的推荐算法延伸到张量领域。实验表明,所提算法能显著提升排名推荐性能。     

一种基于空间变换的协同过滤推荐算法

传统的协同过滤推荐算法在实际应用中往往面临着计算可扩展性的问题。为解决此问题,文中在基于物品的协同过滤推荐的框架下,通过融合社交关系信息,提出了一种基于空间变换的协同过滤推荐算法。首先,根据用户社交网络信息,运用社区发现算法将用户划分为不同的类;其次,基于评分信息,根据用户和物品之间的对应关系找到各个用户类所对应的物品类;最后,通过各个物品对每一物品类的隶属关系,将稀疏的高维评分信息矩阵转换为一个低维稠密的物品隶属度矩阵,进而基于该矩阵进行相似度计算并进行协同过滤推荐。在公开数据集上将所提方法与其他算法进行了对比实验分析,结果表明,所提算法能够在保证推荐准确性的同时明显提升计算效率。     

基于用户特征和项目属性的协同过滤推荐算法

在数据极度稀疏的环境下,仅仅依赖用户直接评分数据的传统协同过滤算法无法取得满意的推荐质量。提出基于用户特征和项目属性的协同过滤算法,在用户相似性计算过程中引入时间相关的兴趣度,使得最近邻的确定更加准确;预测评分时,通过衡量用户信任度来体现各邻居对目标用户最终推荐的贡献程度,并以用户对项目属性的偏好度代替评分数据对新项目进行推荐。基于MovieLens数据集进行的实验结果表明,改进后的算法有效解决了系统冷启动问题,明显提高了系统推荐的准确度。     

深度层次注意力矩阵分解

矩阵分解由于其较好的评分预测能力而被广泛应用于的个性化推荐中,很多模型也在矩阵分解的基础上改进以提升推荐性能。但是,这些模型由于获取用户偏好信息的能力有限而导致其推荐效果不佳。为了充分挖掘用户的偏好信息,提出了深度层次注意矩阵分解(DeepHAMF)的推荐模型。首先,对于原始数据除了输入到多层感知机之外,还采用自注意力机制编码后再输入到多层感知机中,目标是捕获显式偏好信息,并将这部分命名为自注意力层;其次,将原始矩阵分解与注意力编码之后的矩阵分解结果分别与多层感知机输出的结果通过注意力机制融合,这样能够充分挖掘出用户的潜在偏好信息,这部分命名为层次注意力模块;最后,通过残差网络将层次注意力模块和自注意力层进行信息拟合,这部分命名为残差融合层。在公开评分数据集上的实验结果表明,DeepHAMF比现有的评分预测模型效果更好。     

基于用户分类的隐含因子模型研究*

针对现有隐含因子模型存在的新用户和项目的冷启动问题,提出基于用户分类的隐含因子模型,将用户分类信息融入到隐含因子的矩阵分解当中,先在原评分矩阵和用户分类信息的基础上使用指示函数和数据归一化等方法构建一个分类评分矩阵,再将分类评分矩阵融入到隐含因子模型的评分预测中。通过与传统隐含因子模型等方法在多个不同隐含因子个数上的实验比较分析,实验结果表明,改进模型能够不仅能解决新用户和项目的冷启动问题,还能有效降低预测评分的均方根误差,并提高预测推荐的准确度。     

基于项目属性和云填充的协同过滤推荐算法

传统协同过滤推荐算法中经常因用户评分矩阵极端稀疏而导致相似性度量方法不准,推荐质量不高,针对这一问题,提出一种基于项目属性和云填充的协同过滤推荐算法。利用云模型对用户评分矩阵进行填充,在填充矩阵基础上,利用传统的相似性计算方法得到项目之间的评分相似性,同时结合项目属性,计算项目的属性相似性,通过加权因子得到项目的最终相似性,从而形成一种新的相似性度量方法。实验结果表明, 提出的算法可有效解决传统方法中由于数据稀疏所导致的相似性度量不准确的问题, 并显著地提高了算法的推荐精度。