协同过滤的一种个性化推荐算法研究

在分析传统推荐算法不足的基础上,提出一种稀疏矩阵下的个性化改进策略.首先进行一对一的个性化预测,得到虚拟用户评分矩阵,在此基础上再进行综合预测.该方法避免了传统推荐算法中推荐值与用户相似度不密切相关的弊端,提高了协同过滤的预测精度,尤其是在矩阵极端稀疏情况下的预测精度.最后通过实验验证了算法的有效性和优越性.     

移动端个性化旅游推荐系统模型设计

本文在基于现有的个性化推荐研究基础,提出了用户情境和文本内容组合推荐的方法,并构建了用户兴趣矩阵模型,设计了一套个性化推荐系统。本系统可以依据移动用户的偏好为用户提供推送服务。该系统由移动端及云平台服务器构成,移动端对用户信息进行采集,并展示推荐数据;服务器端收集来自移动端的数据,展开数据分析,构建用户兴趣模型,结合文本处理技术获取推荐内容,推送给移动用户。     

一种基于商品基因的个性化推荐模型维护策略

个性化推荐技术在电子商务系统中起到举足轻重的作用。目前主流的基于内容的推荐技术和协同过滤推荐技术都忽略了商品的特殊属性对用户购买行为的影响,因此提出了基于商品基因的个性化推荐模型解决了这一问题。推荐模型结合用户兴趣的动态变化,通过对模型中基因库的维护,实现用户近期兴趣追踪,从而进一步提高用户满意度及推荐精度。     

LBSN中融合类别信息的混合推荐模型

针对基于位置的社交网络（Location-Based Social Network,LBSN）中用户签到数据的高稀疏性问题及用户隐私问题,提出了一种混合推荐模型（SoGeoCat）.首先,通过用户潜在兴趣点数据模型,学习用户的潜在兴趣点;其次,将用户的潜在兴趣点纳入融合类别信息的矩阵分解模型中并优化;最后,根据用户特征矩阵、兴趣点特征矩阵,提出推荐策略.基于Foursquare真实数据集,实验结果表明：（1）相比于其他几个推荐模型,该算法将用户的潜在兴趣点填充至用户-兴趣点矩阵中,可以有效地缓解数据稀疏性的影响;（2）该算法可保护用户家庭信息;（3）在推荐模型中纳入类别信息的影响能提高推荐效果.     

一种融合引力影响的新的矩阵分解推荐方法

矩阵分解运用于推荐系统受到越来越多的关注,改进算法也层出不穷,这些算法都面临预测精度不足,收敛速度过慢和不适用于大数据量的推荐系统等问题.针对上述问题,提出一种基于引力影响的矩阵分解推荐方法,物品影响力对推荐系统提高推荐精度具有重要的意义.基于物品流行度和物品质量的高低对用户评分的影响,通过引入物品对用户的引力,实现基于矩阵分解的引力推荐算法.实验表明:在用户没有任何历史行为的情况下也可以做出比较合理的推荐,迭代20次就能达到较好的收敛效果,且在推荐精度上有了明显的提高,并且该算法可适用于数据量大的推荐系统.     

一种个性化推荐方法

提出了一种新的个性化推荐方法。该方法来源于对个性化推荐技术本质的研究。产出的方法包括一种用正态分布卷积性质所得到的离线相似度计算方法;一种通过计算物品与物品之间无差别的相似性操作次数得到离线相似度的方法;一种用类似于贝叶斯的方法来综合不同的相似度结果的方法。另外还提到一些用于工程实施的方法和技巧。所提方法已经在数据挖掘领域得到了成功的应用。     

多特征融合的MOOC推荐模型

为充分利用MOOC(massive open online course)上下文信息,精确表示学习者和课程特征,提出一种多特征融合的MOOC推荐模型（multi-feature fusion based model for MOOC recommendation,MFF-MOOCREC）。利用文本卷积神经网络和双向长短时记忆网络捕获数据中的文本和时序特征,并设计多级注意力机制提取学习者交互序列、评论文本和课程多元属性中的关键信息;基于前缀投影的模式挖掘和亲和力传播算法对原始课程类别进行关联聚类分析以增加推荐的覆盖率;采用概率矩阵分解训练模型参数,将优化后的学习者隐向量和课程隐向量点乘产生预测评分。实验表明,和现有推荐方法相比,MFF-MOOCREC的命中率、归一化折损累计增益和覆盖率指标在Coursera数据集上平均提高46.86%、41.19%和10.95%,在iCourse数据集上平均提高44.08%、28.79%和9.81%,对于缓解数据稀疏问题,提升推荐质量具有一定优势。     

融合多元信任关系的新型推荐模型

现有的基于信任关系的推荐模型大多用于预测缺失的“用户-物品”评分,未考虑信任关系自身的多样性。基于此,研究了考虑多元信任关系的物品序列推荐的矩阵分解模型。首先,针对社交网络中目标用户可分别作为信任者和受信任者2种情形,提出相应的信任者相似度因子模型(truster factored similarity model,TrusterFSM)和受信任者相似度因子模型(trustee factored similarity model, TrusteeFSM);然后,通过融合两者获得最终的信任相似度因子模型(trust factored similarity model, TrustFSM),TrustFSM引入了物品偏置、用户偏置、物品相似度、用户相似度和社交相似度的影响。最后,基于真实数据集的实验结果表明,TrustFSM获得了最优的推荐效果,所提3种模型的性能优于现有模型（有/无引入信任者信息）。     

融合人格特征的概率推荐模型

以模型为基础的协同过滤推荐算法需分析提取“用户-项目”特征矩阵以进行用户推荐。用户特征不同直接导致用户偏好不同,但以模型为基础的协同过滤推荐算法仅考虑分析提取影响项目特征的关键因素而未考虑分析提取影响用户特征的重要因素,这类传统模型往往将用户潜在特征向量随机初始化,并赋予一个假定的正态分布,导致这些推荐系统模型中没有任何一项数据变化可以对用户潜在特征建模结果产生直接影响。另外基于用户的推荐系统模型往往将用户的评论、评分的信息直接近似作为用户特征,传统推荐系统中这些数据引用方式和这些数据本身不足以支撑获取用户的本质特征。这些特征的近似也不能满足个性化推荐的需求。针对现有推荐算法所面临的没有分析提取用户本质特征以及项目本质特征提取不充分进而推荐结果难以体现用户个性的问题,提出一种融合人格特征的推荐模型。首先根据推荐平台中用户的非结构化评论文本信息,将人格特征作为用户特征的直接影响因素,设计一个神经网络模型计算评论用户的BIG FIVE人格得分,并将人格得分向量化作为用户特征;然后通过项目的评论文本信息获得项目特征;设计人格感知的协同学习框架,定义损失函数获取用户、项目的特征向量;最后根据用...     

个性化推荐算法的分类

本文试图从应用效果的角度对这些算法做简单的划分和介绍,帮助有需要的读者针对不同领域、不同应用场景来挑选不同的算法,同时详细介绍了两种在实践中效果较好的推荐算法：矩阵分解类算法和链接分析类算法。     

一种基于个性化推荐的用户访问路径补全算法

路径补全是Web日志数据预处理的重要阶段,目前的路径补全技术大多基于静态网站结构实施。个性化推荐技术的广泛应用,使站点结构由静态结构转变为动态结构。针对目前各种路径补全算法无法解决动态站点结构下用户访问路径中页面缺失的问题,提出动态站点结构的概念、构造方法及站点结构的图结构存储策略。在此基础上,提出一种在动态站点结构下的基于页面类型的用户访问路径补全算法PCBPS(Path Complement Based on Page Sort)。实验证明在动态站点结构下,这种方法能较准确地恢复用户访问路径中的缺失页面,较好地提高了路径补全的准确率。     

个性化推荐系统的研究和实现

探索Internet的搜索技术和处理针对搜索产生的大量网络信息的个性化推荐技术。在应用中元搜索引擎能充分利用现有的网络技术和资源但需要解决各成员搜索的接口和负载均衡问题;推荐引擎需要解决分词技术、索引词权重、向量空间的相似度计算等几个关键技术。就上述问题进行了分析、评估并寻求解决的办法。在此基础上实现的一个应用于高校教学和科研工作的个性化推荐系统RCSYS,从而促使搜索和推荐技术得到广泛的应用。     

基于加权关联规则的个性化推荐研究

关联规则是个性化推荐系统中最重要的技术手段之一.传统的基于关联规则的个性化推荐认为,每个项目都具有相同的重要性,在实际应用中缺乏一定的针对性.在New-Apriori算法的加权支持度基础上结合Fp-growth算法思想,提出了基于Fp-树的加权关联规则算法.在实验中采用网页被用户选择的频率作为权重值,在个性化推荐系统中对该算法进行了实现.实验结果表明该算法具有较高的准确性和效率.     

一种综合LBS和社会网络标签的个性化推荐方法

针对现有的基于LBS(Location Based Service)个性化推荐系统在构建用户兴趣模型时存在的缺陷,提出一种综合LBS和社会网络标签的个性化推荐(LTCF)方法。通过引入网络标签和用户社会关系,从用户标注的标签资源中找到拥有共同兴趣爱好的用户关系以及从社会网络中找到与目标用户关系紧密的用户,同时结合考虑用户兴趣爱好随空间不断变化的特点,依据协同过滤算法,计算用户社会关系度和用户空间相似性,依此得到目标用户的最近邻集合,在最近邻集基础上给出推荐结果。实验结果表明,相比于传统的基于LBS推荐方法,LTCF模型在查全率和产准率有了显著的提升,能更好地反映出用户偏好,显著提高了推荐准确度。     

基于本体用户兴趣模型的个性化推荐系统

针对传统个性化推荐系统用户兴趣模型创建和更新的不足,无法准确地感知用户特定背景下的语义信息和用户兴趣随着时间的变化,基于用户兴趣本体提出一种新用户兴趣模型,并通过激活扩展理论描述该用户兴趣模型的更新算法。同时,改进了推荐算法,结合协同过滤进行个性化推荐。实验结果表明,该模型能够有效反映用户兴趣,新的推荐算法在MEA、多样性、冷启动处理、稳定性方面都具备很高的性能。     

一种基于聚类技术的数字图书馆个性化推荐算法

针对传统协作过滤算法存在的评价矩阵稀疏性问题,提出了一种基于聚类技术的推荐算法.该算法将k-means技术和分层技术相结合对图书资源进行聚类,缩小了近邻搜索的范围和需要预测的图书资源数目,很好地解决了因用户专业背景差异而导致的评价矩阵稀疏性问题,提高了推荐的准确度.     

基于BERT和GCN的引文推荐模型

采用一个组织良好的数据集和基于深度学习的模型,实现根据上下文获得论文的引文推荐.模型包括一个文档编码器和一个上下文编码器,使用图卷积网络层(GCN)和预训练模型BERT[1]的双向编码器表示.通过修改相关的PeerRead数据集,建立一个PeerReadPlus新数据集,它包含引用文献的上下文语句和论文元数据.结果表明...     

关注时事新闻的商品推荐模型

现存商品推荐模型普遍对时事新闻反应滞后,提出在推荐过程中引入新闻因子,建立具有时事新闻关注点的商品推荐模型,实现时事新闻指导商品推荐,把客户对时事新闻的关注延伸到商品销售领域.实验结果表明应用该商品推荐模型产生的推荐商品集与时事新闻关键词具有较高的相关度,体现了较强的新闻性,可推广到电子商务中相关的个性化服务.     

一种基于NeuMF的推荐多样性提升方法

针对提升推荐系统中多样性的问题,提出基于NeuMF的NDMF模型.完善推荐多样性特征,定义复合用户活跃度和项目多样性推荐因子,并配合多层感知机挖掘用户-项目的深层交互;对推荐列表进行重排序,即通过多样性特征对项目的预测分数进行相应降权,进一步提高多样性.实验结果表明,在牺牲较少精确度(牺牲了0.02左右)的条件下,该模...     

权值矩阵聚类算法

由于以往的算法不能对用户感兴趣的页面进行很好的聚类.所以将网站访问频度作为参数考虑进来,提出一个新的概念--权值关联矩阵,以Web服务器URL为行、以UserID为列建立URL-UserID关联矩阵,与普通的矩阵聚类算法相比,根据用户对某页面的兴趣度,再生成权值关联矩阵.从而发现相似的用户群体和相似的web页面.该算法通过上机实践,与传统的矩阵聚类算法相比具有识别准确率高,用户向量特征描述更准确,且能够更准确的反映网站的访问情况等优点.同时为用户提供个性化推荐服务铺平了道路.