个性化推荐算法设计

协同过滤技术（collaborative filtering）目前被成功地应用于个性化推荐系统中，但随着系统规模的扩大，它的效能逐渐降低，提出了一种高效的个性化推荐算法，它包括维数简化和项集相似性计算两个过程，这种算法在提高精确性的基础上减少了计算耗费，可以较好地解决应用协同过滤技术的推荐系统所存在的稀疏性，扩展性等问题，快速产生精确的个性化推荐结果。     

一种基于用户播放行为序列的个性化视频推荐策略

本文针对在线视频服务网站的个性化推荐问题,提出了一种基于用户播放行为序列的个性化推荐策略.该策略通过深度神经网络词向量模型分析用户播放视频行为数据,将视频映射成等维度的特征向量,提取视频的语义特征.聚类用户播放历史视频的特征向量,建模用户兴趣分布矩阵.结合用户兴趣偏好和用户观看历史序列生成推荐列表.在大规模的视频服务系统中进行了离线实验,相比随机算法、基于物品的协同过滤和基于用户的协同过滤传统推荐策略,本方法在用户观看视频的Top-N推荐精确率方面平均分别获得22.3%、30.7%和934%的相对提升,在召回率指标上分别获得52.8%、41%和1065%的相对提升.进一步地与矩阵分解算法SVD++、基于双向LSTM模型和注意力机制的Bi-LSTM+Attention算法和基于用户行为序列的深度兴趣网络DIN比较,Top-N推荐精确率和召回率也得到了明显提升.该推荐策略不仅获得了较高的精确率和召回率,还尝试解决传统推荐面临大规模工业数据集时的数据要求严苛、数据稀疏和数据噪声等问题.     

个性化推荐算法综述

在现有文献统计下个性化推荐算法可以分为如下三类~([1,2]):基于内容的推荐(Content-based Recommendation)~([3,4])、基于协同过滤的推荐(Collaborative Filtering based Recommendation)~([5-7]),以及混合型推荐系统(Hybrid Recommendation)~([8-10])。其中,基于协同过滤的推荐因其对专家知识依赖度低以及可以利用群体智慧等特点,得到了最为深入也最为广泛的研究,它又可以被分为多个子类别,主要包括基于用户的协同过滤(User-based CF)~([11]),基于物品的协同过滤(Item-based CF)~([12]),以及基于模型的协同过滤(Model-based CF)~([6]),等。其中基于模型的推荐是一类方法的统称,它指利用系统已有的数据和用户历史行为,学习和构建一个模型,进而利用该模型进行用户偏好建模、预测与个性化推荐,根据具体应用场景和可用数据的不同,这里的模型可以是常用的奇异值分解等矩阵分解模型~([13]),也可以是主题模型、人工神经网络、概率图模型、组合优化甚至深度学习等机器学习模型~([1])。在下面的部分,我们将在如上几个方面对个性化推荐系统的研究现状进行具体的介绍。     

基于学习兴趣的个性化推荐算法研究

根据高职学校目前选修课的现状,在学生进行选修课选择时,提出一种基于隐式和显式兴趣相结合的学生兴趣个性化推荐算法模型,结合相关推荐技术进行个性化推荐,从而将盲目的选课变得有指导性、有针对性,大大提高了学习效果以及选修课开设的意义,对今后教学改革有一定的指导意义。     

基于集成学习的个性化推荐算法

在2009年结束的Netflix推荐大赛中,由于顶级参赛小组均使用集成学习算法,使得基于Bagging和Stacking的Ensemble方法得到了广泛的关注,而基于Boosting的集成学习方法相对来说却无人问津。首先分析了基于Boosting的集成学习算法在分类问题中的优势,以及在推荐问题上的缺陷。通过对用户评分矩阵的简化和分解,将问题转换为简单的分类问题,使得Boosting的集成学习算法能够应用到推荐问题中,提出了基于KNN的集成学习推荐算法,通过集成多个不同的相似度计算方法来提高最终的推荐准确率。在大规模真实数据集上的实验说明,基于Boosting的学习框架可以较大提升单个推荐算法的性能。     

基于LBS的个性化推荐算法

针对传统的协同过滤算法存在用户冷启动、对位置变化不敏感等问题,我们提出了一套较为完善的应用于移动商务的基于LBS（Location Based Service）的个性化推荐算法。本算法利用了位置感知和经典的协同过滤算法,引入距离变量借鉴多属性决策理论得出较为完善的推荐列表。实验证明本算法具有较强可行性。     

基于概念层次树的个性化推荐算法

改进了传统的协同过滤算法,提出了基于概念层次树的用户模型,利用该模型进行协同运算,使系统在用户共同评分项极其稀疏时也能产生推荐。在相似性计算和产生推荐阶段引入了概念分层思想,分别在商品种类上产生推荐,避免了推荐的单一现象。MovieLens数据集实验表明,改进后的算法在推荐质量上有了明显的提高。     

基于组合推荐技术的学习资源个性化推荐研究

通过调查发现,E-learning支持系统无法有效地向学习者个性化地推荐学习资源。为了进一步提高推荐系统的性能,本文尝试将协同过滤推荐技术引入学习资源的个性化推荐研究中。协同过滤推荐技术是一种应用最为广泛的个性化推荐技术,然而其面临着冷启动、数据稀疏性问题、规模可扩展性等问题。本文通过介绍协同过滤推荐技术的工作原理、实现方法及存在问题,提出了一个优化的基于协同过滤技术的学习资源个性化推荐系统的理论模型,重点讨论了隐式评分机制和算法的实现,以提升推荐系统的实时响应和推荐精度。     

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.     

基于情感分析的个性化推荐算法研究

对基于情感分析的个性化推荐算法进行研究。为了推荐用户可能感兴趣的产品,该算法研究了以前的评级数据和用户文本评论中的情感数据,并将其与推荐算法相结合。使用情感词典和情感分类算法对文本评论进行聚类分析,并将情感得分作为评分数据的补充,然后使用基于邻域的协同过滤算法来为用户推荐物品。使用京东评论数据集进行了实验,并与其他基于协同过滤算法进行了比较。实验结果表明,该算法能够显著提高推荐准确度和用户满意度。     

一种电影个性化推荐系统的研究与实现

在协作过滤算法研究的基础上,考虑到相似项目之间评分的相似性,将此因素加入过滤算法得到改进的协助过滤算法,提高了算法的准确度。综合内容和协作过滤的优缺点,提出一种具有自适应调节的混合过滤算法,提高了过滤性能和准确度。根据改进的算法,针对电影领域进行实验,证明了其可行性。     

基于协作过滤的个性化服务技术研究

随着网络的普及和发展以及网络信息量的日益增加,为广大用户提供个性化服务显得尤为必要.在对个性化服务技术相关知识进行概述的基础上介绍了协作过滤信息推荐技术的基本原理、分类、所面临的困难等,并对国内外研究现状等进行了综述.最后时基于协作过滤的个性化服务技术进一步的研究工作进行了展望.     

基于免疫算法的个性化推荐系统

针对个性化推荐系统中用户的多个不同需求,提出一种基于免疫算法的求解方法。该算法将要求解的个性化 推荐列表建模成一个最大化推荐准确性和多样性的多目标优化问题,采用基于用户的协同过滤技术对用户进行分类,设计了 适合推荐问题求解的抗体编码方式、克隆、变异算子。仿真实验结果表明,所提算法能够有效求得个性化推荐的最佳解,达到 可以同时为多个用户提供多个不同推荐的需求。     

个性化学习推荐系统的设计与实现

针对远程教学系统中的个性化服务需求，本文在介绍个性化服务相关技术的基础上，提出了基于内容过滤和协同过滤两种方法相结合的个性化推荐算法，设计并实现了个性化学习推荐系统。     

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。     

层次凝聚算法在商品个性化推荐中的应用

商品的个性化推荐是电子商务个性化服务中非常重要的一个方面,而聚类协作过滤则是推荐系统中采用最为广泛的技术。在基于聚类协作过滤的商品个性化推荐中的聚类算法通常采用划分聚类,文章根据电子商务网站的特点,提出了用改进的Rock层次凝聚算法Improved-Rock实现基于购买商品类别相似性的用户聚类。模拟实验结果表明该算法的应用是有实际价值的。     

层次凝聚算法在商品个性化推荐中的应用

商品的个性化推荐是电子商务个性化服务中非常重要的一个方面，而聚类协作过滤则是推荐系统中采用最为广泛的技术。在基于聚类协作过滤的商品个性化推荐中的聚类算法通常采用划分聚类，文章根据电子商务网站的特点，提出了用改进的Rock层次凝聚算法Improved-Rock实现基于购买商品类别相似性的用户聚类。模拟实验结果表明该算法的应用是有实际价值的。     

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。