融合知识图谱和短期偏好的推荐算法

近年来,将知识图谱作为辅助信息来增强推荐越来越受到研究者的关注.由于知识图谱学习任务的目标是还原知识图谱中三元组的关系,并非是以推荐任务为目标,导致了知识图谱学习任务很难高效地帮助推荐任务提升推荐性能.另外,用户兴趣易被短期的环境和心情所影响.针对以上两点,提出了一种融合了知识图谱信息和短期偏好的推荐模型(MKASR)...     

加入用户偏好的非均匀资源分配推荐算法

二部图网络结构的推荐算法(NBI)根据用户-对象间的选择这种隐式信息进行推荐,在推荐中每个节点具有的代表其推荐能力的资源值平均的分配给相邻节点.加入用户偏好的非均匀资源分配推荐算法(UBND)对原二部图算法进行改进,把推荐算法中常常看做用户偏好的评分,作为显式信息线性的融合到二部图资源分配中,在分配过程中资源值不是均匀的分配给相邻节点,而是根据用户评分差异以及由此计算出来的用户间相似度对分配系数加以调整,最后使拥有更多资源值的用户下评分高的对象优先被纳入推荐列表呈现给用户.通过在Movie Lens数据集上的实验表明,这种改进型二部图推荐算法相比于其他算法,显著提高了平均准确率(MAP)、平均排序倒数(MRR)和标准化折扣增益值(n DCG).这说明,该算法能使推荐列表命中更多对象并且命中的对象排在列表的前端,因此具有很强的应用价值.     

融合用户时效偏好的推荐算法

在推荐系统中,随时间精确捕获用户偏好能有效提高推荐精度。但基于所有用户的简单时间相关性通常是没有实际意义的,因为不同用户的偏好随着外部环境不同而发生改变。用户时下偏好受用户长期偏好和短期偏好的共同影响。为了捕获用户长期和短期偏好,在推荐系统中引入基于会话的时态图STG(Session-based Temporal Graph),提出基于STG的路径融合算法PFA(Path Fusion Algorithm),并生成对某个用户的Top-N物品推荐。使用CiteULike和Delicious两个历史数据集来评估算法的有效性,实验结果表明所提算法在准确度上要高于以往传统算法。     

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.     

融合评分结构特征与偏好距离的协同过滤推荐算法

在协同过滤算法中,用户之间的相似性计算影响推荐系统的质量,尤其是在数据稀疏的情况下得到的用户之间的关系同实际情况偏离较大,影响推荐精度。针对上述问题,提出一种新的相似性计算算法。利用用户评分结构特征的稳定性,同时结合评分结构间的偏好距离,重新计算用户间偏好相似度。在Movie Lens数据集上的实验结果表明,与传统基于用户的相关相似性协同过滤算法及余弦相似性算法相比,该算法的推荐精度平均提高3.94%和2.99%。     

基于用户偏好融合的组推荐算法综述

传统的推荐系统是面向单个用户的推荐。作为个性化推荐的一个新的延伸,目前有越来越多的推荐系统正试图面向一组成员进行推荐。将推荐对象从单个用户扩展到一组用户的转变带来了许多新的课题,该文将主要介绍目前已有的几种组推荐算法,并总结一般组推荐系统的偏好融合过程。     

基于用户偏好融合的组推荐算法综述

传统的推荐系统是面向单个用户的推荐。作为个性化推荐的一个新的延伸,目前有越来越多的推荐系统正试图面向一组成员进行推荐。将推荐对象从单个用户扩展到一组用户的转变带来了许多新的课题,该文将主要介绍目前已有的几种组推荐算法,并总结一般组推荐系统的偏好融合过程。     

基于用户多样性偏好的top-N推荐算法

传统推荐算法主要关注推荐准确性,而用户对项目的不同偏好和多样性需求也影响着用户体验和满意度.针对该问题,提出了一种新的算法,在计算项目相似度时结合了用户对不同项目的评分差异,以此可以提高项目相似度计算的准确性,根据用户历史评分数据和项目类别数据得到用户-类别权重矩阵,一方面以此计算基于熵的多样性,另外根据用户对项目的兴...     

基于用户类别偏好相似度和联合矩阵分解的推荐算法

利用上下文信息来提高推荐准确率并增强用户体验是当前推荐领域研究热点之一,然而现有的上下文感知推荐算法依然面临数据稀疏性问题的挑战。为了进一步缓解数据稀疏性问题,本文提出一种基于用户类别偏好相似度及联合矩阵分解的推荐算法(Joint matrix factorization with user category preference, JMF-UCP),它结合用户评分数据及用户类别偏好进行物品推荐,以解决用户评分数据稀疏时评分预测准确率低的问题。算法的时间复杂度随着数据量的增加呈线性增长,因此适用于大规模数据。通过在真实数据集Movielens上的实验结果表明,本文提出的方法在RMSE评价指标上优于现有代表性的算法,验证了本文所提出的推荐算法的有效性。     

融合评分倾向度和双重预测的协同过滤推荐算法

协同过滤推荐算法面临着严重的数据稀疏性问题,提出一种融合评分倾向度和双重预测的协同过滤推荐算法以解决该问题。在选择最近邻阶段,引入评分倾向度来改进相似性度量方法,更加准确地得到最近邻居集;在推荐生成阶段,利用基于用户最近邻和基于项目最近邻的双重预测方法来进行评分预测,提高预测的准确度。通过在Movie Lens-1M数据集上的实验结果表明:该算法能够缓解数据稀疏性对推荐结果的影响,有效降低平均绝对误差,提高推荐准确率。     

面向用户偏好建模的个性化对话推荐算法

推荐系统的目标是从物品数据库中，选择出与用户兴趣偏好相匹配的子集，缓解用户面临的“信息过载”问题。因而近年来推荐系统越来越多地应用到电商、社交等领域，展现出巨大的商业潜力。传统推荐系统中，系统对用户的认知往往来源于历史交互记录，例如点击率或者购买记录，这是一种隐式用户反馈。对话推荐系统能够通过自然语言与用户进行多轮对话，逐步深入挖掘其兴趣偏好，从而向对方提供高质量的推荐结果。相比于传统推荐系统，对话推荐系统主要有两方面的不同。其一，对话推荐系统能够利用自然语言与用户进行语义上连贯的多轮对话，提升了人机交互中的用户体验；其二，系统能够询问特定的问题直接获取用户的显式反馈，从而更深入地理解用户兴趣偏好，提供更可靠的推荐结果。目前已经有不少工作在不同的问题设定下对该领域进行了探索，然而尽管如此，这些工作仍仅局限于关注当前正在进行的对话，忽视了过去交互记录中蕴涵的丰富信息，导致对用户偏好建模的不充分。为了解决这个问题，本文提出了一个面向用户偏好建模的个性化对话推荐算法框架，通过双线性模型注意力机制与自注意力层次化编码结构进行用户偏好建模，从而完成对候选物品的排序与推荐。本文设计的模型结构能够在充分利用用户历史对话信息的同时，权衡历史对话与当前对话两类数据的重要性。丰富的用户相关信息来源使得推荐结果在契合用户个性化偏好的同时，更具备多样性，从而缓解“信息茧房”等现象带来的不良影响。基于公开数据集的实验表明了本文方法在个性化对话推荐任务上的有效性。     

基于多维度兴趣注意力和用户长短期偏好的新闻推荐

在这个网络媒体平台成为获取新闻资讯的主流方式的时代,新闻推荐扮演着至关重要的角色。一方面,媒体平台使用新闻推荐可帮助用户过滤掉不感兴趣的新闻,定制个性化阅读内容推送;另一方面,智能推送服务能够增加新闻点击率,帮助媒体平台实现新闻的快速传播。目前,新闻推荐逐渐成为数据分发领域核心技术之一,逐渐引起国内外学者的关注。该文针对新闻热度不均衡问题造成的长尾现象,提出了一种基于多维度兴趣注意力的用户长短期偏好的新闻推荐模型。首先,对用户长期偏好进行挖掘时把用户兴趣分成多个维度,并采用注意力机制控制不同兴趣维度的重要程度,从而学习到包含不同维度兴趣信息的长期偏好。其次,采用CNN与注意力网络相结合的模型对新闻进行表示学习,采用GRU在用户近段时间内的阅读历史中学习用户短期偏好。最后,通过大量在真实新闻数据集上的实验,以AUC、MRR、NDCG为评价指标与其他基线方法进行比较,证实了该模型均优于其他方法。     

基于用户偏好和项目属性的协同过滤推荐算法

协同过滤推荐算法是目前应用最为广泛的个性化推荐方法之一,但传统的推荐算法在计算目标用户邻居集时只考虑用户项目评分矩阵中的具体数值,没有考虑用户偏好以及用户评分与项目属性之间的关系,推荐精度也有待进一步提高。针对这一问题,提出了一种基于用户偏好和项目属性的协同过滤推荐算法(UPPPCF)。本算法在传统的用户项目评分矩阵基础上综合考虑用户偏好以及项目属性,把评分矩阵转变成基于用户偏好的用户项目属性评分矩阵,然后根据这一评分矩阵来计算目标用户的最近邻居集,克服了传统相似性计算方法只依靠用户评分值的不足,同时本文对预测值判定给出了一种有效的度量方法。在 MovieLen 数据集上的实验结果表明,本文提出的UPPPCF算法能够有效弥补传统协同过滤算法中的不足,而且在推荐精度上有了明显的提高。     

基于用户偏好动态变化的协同过滤推荐

传统的协同过滤方法利用用户评分数据来生成推荐,没有考虑评价时间和项目类别等其他信息,影响了系统推荐的质量。本文提出一种基于用户偏好动态变化的个性化推荐模型,该方法在基于项目类别的基础上,为用户评分时间距离现在较近、较远和周期性评分分别赋予不同的权重。从MovieLens数据集的实验结果表明,该方法消弱了历史短期偏好对推荐质量的影响,准确地反映了用户偏好的动态变化,有效地提高了推荐的准确性。     

基于用户行为的盲人图书推荐方法

为帮助盲人更有效便捷地通过网络获取所需书籍资源,提出一种基于用户行为的图书推荐方法。该方法在考虑用户兴趣随时间变化的基础上,通过分析用户日志,建模表达访问书籍、访问书籍类别、使用书签3类用户行为,实现盲人用户的图书推荐,同时缓解盲人数字图书馆中的用户数据稀疏问题。实验结果证明,该方法推荐效果良好。     

一种上下文移动用户偏好自适应学习方法

针对移动网络对个性化移动网络服务系统的性能提出了更高的要求,但现有研究难以自适应地修改上下文移动用户偏好以为移动用户提供实时、准确的个性化移动网络服务的问题,提出了一种上下文移动用户偏好自适应学习方法,在保证精确度的基础上缩短了学习的响应时间.首先,通过分析移动用户行为日志来判断移动用户行为是否受上下文影响,并在此基础上判断移动用户行为是否发生变化.然后,根据判断结果对上下文移动用户偏好进行修正.在对发生变化的上下文移动用户偏好进行学习时,将上下文引入到最小二乘支持向量机中,进一步提出了基于上下文最小二乘支持向量机(C-LSSVM)的上下文移动用户偏好学习方法.最后,实验结果表明,当综合考虑精确度和响应时间两方面因素时,所提出的方法优于其他学习方法,并且可应用于个性化移动网络服务系统中.     

Hashtag Recommendation Approach Based on Content and User Characteristics

ABSTRACT

Twitter has become a popular microblogging service that allows millions of active users share news, emergent social events, personal opinions, etc. That leads to a large amount of data producing every day and the problem of managing tweets becomes extremely difficult. To categorize the tweets and make easily in searching, the users can use the hashtags embedding in their tweets. However, valid hashtags are not restricted which lead to a very heterogeneous set of hashtags created on Twitter, increasing the difficulty of tweet categorization. In this paper, we propose a hashtag recommendation method based on analyzing the content of tweets, user characteristics, and currently popular hashtags on Twitter. The proposed method uses personal profiles of the users to discover the relevant hashtags. First, a combination of tweet contents and user characteristics is used to find the top-k similar tweets. We exploit the content of historical tweets, used hashtags, and the social interaction to build the user profiles. The user characteristics can help to find the close users and enhance the accuracy of finding the similar tweets to extract the hashtag candidates. Then a set of hashtag candidates is ranked based on their popularity in long and short periods. The experiments on tweet data showed that the proposed method significantly improves the performance of hashtag recommendation systems.     

基于活动的社交网络中的群组推荐算法设计

在基于活动的社交网络（EBSN）中,群组中聚集了具有相似兴趣的用户,并为用户组织并举办线下活动,在社区的发展中起到了至关重要的作用,因而理解用户加入群组的原因和群组形成的过程在社交网络的研究中是一个重要的议题.本文通过基于活动的社交网络中的一些相关内容信息,比如社交网络中的标签信息和地理位置信息,来辅助推荐系统更好地为用户预测对于群组的偏好.本文提出了SEGELER （pair-wiSE Geo-social Event-based LatEnt factoR）模型,并使用这些社交网络中的信息,来为用户的兴趣进行预测.通过在真实的EBSN数据集上进行实验与验证,本文的模型不仅可以有效提升对于用户偏好的预测,也可以缓解冷启动问题.     

基于网络结构的多种用户影响力分析算法对比研究

随着社交网络的发展,人们可以非常平等、快捷地发布和接受信息,这导致线上生活对线下生活的影响越来越大。社会化营销应运而生,其非常重要的一个需求是要最大化营销活动在社交网络中的影响力。因此,社交网络中用户影响力分析成为一个至关重要的研究点。该文重点考察了基于网络结构的影响力分析方法,主要包括最大度算法、距离中心点算法、类似PageRank算法的PeopleRank算法等,并给出了具体的分析结论。