基于自编码器的评分预测算法

评分预测是推荐系统的一个组成部分,通过一个实数表达对用户的偏好进行预测,在学术界被广泛研究。神经网络具有很强的特征提取能力,能获取数据深层次的特征。使用神经网络中的一种网络即自编码器,通过扩展使其具有处理像评分矩阵这种有缺失数据的矩阵的能力,并通过实验证明其预测结果与当前主流的评分预测算法SVD的性能接近。     

基于评论挖掘和用户偏好学习的评分预测协同过滤*

提出了一种新的方法挖掘评论中的文字信息,将评论对象被用户关注的层面发掘出来并评分,根据这些层面的分数以及用户过往的评分数据学习出用户的偏好,最后根据用户的偏好预测其他待评分对象的分数并产生推荐。实验结果表明,提出的方法在预测准确度方面较传统方法有一定程度的提高。     

融合评分与评论的深度评分预测模型

近年来,基于评论推荐模型的出现有效缓解了传统推荐算法存在的数据稀疏性问题.该类模型主要利用文本中丰富的语义信息更好地捕捉用户的偏好特征以及物品的属性特征,以补充更多的相关信息,提高推荐性能.文本特征的提取往往存在语义信息提取不精准的问题,导致推荐效果不理想.本文提出了融合评分与评论的深度评分预测模型(Deep Model combining Rating and Review, DMRR).一方面,该模型融合了评分数据与评论信息,利用评分矩阵引入物品可推荐度与用户偏好程度,使评论文本特征得到增强.另一方面,该模型有效结合了CNN与GRU进行文本信息特征提取,考虑了文本之间密切的依赖关系,以克服传统文本特征提取方法忽略上下文关系的不足.在Amazon上的4个子数据集和Yelp数据集的实验结果表明,该方法与已有的相关算法相比较,均有效地提高了评分预测准确性.     

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。     

基于Adaboost算法的推荐系统评分预测框架

在机器学习领域,Adaboost算法的实用性和有效性早已被证明.然而该算法原本是为分类问题设计,因而在推荐系统领域研究问题中无法直接应用,对其应用研究相对较少.本文对Adaboost算法进行改进,通过引入阈值,将评分预测问题转化为分类问题,并利用其权重更新的思想训练模型,提出了一个针对评分预测问题的框架,可以将训练出的多个模型集成起来得到最终的评分预测,提高了预测精度.我们选取矩阵分解模型作为基本模型,实验结果表明,使用该框架可以有效提高预测精度.     

类型相似性与品味影响力的推荐系统评分预测

电影推荐算法依靠计算用户的偏好差异进行推荐,以解决互联网时代的信息过载问题.传统协同过滤等推荐算法主要基于用户间对相同电影的评分差异计算用户偏好的相似性.这类方法忽视了用户的评分行为是一种实际上的选择行为,即便评分不高也体现出用户对该类型电影的兴趣.针对这一问题,本文设计了基于电影类型标签选择概率的用户间相似性计算方法,并建立了以用户为节点,以用户之间的相似性为边的推荐系统的复杂网络模型,并根据上述网络拓扑结构中的节点中心性数据,进一步设计了平衡用户品味影响力函数,调整了用户协同偏好的结果,提出了基于用户偏好相似性和用户品味影响力的电影评分预测方法.在MovieLens数据集上的实验结果表明,本文提出的算法与几种典型的现有方法相比较,可以有效的度量用户偏好的相似性以及抵消用户大众化品味影响力被高估在评分预测中带来的负面影响,与现有算法相比预测误差平均降低了2%至5%.     

基于用户评分和评论信息的协同推荐框架*

用户的反馈通常包含一个数值评分和一段文本形式的评论.文中利用用户评论学习商品特征在不同主题上的分布及用户对商品不同特征的偏好程度,把商品特征和用户偏好的契合度引入传统的协同过滤算法中,提出基于用户评分和评论信息的协同推荐框架.使用该框架可较方便地将用户评论信息引入到现有的协同过滤算法中.通过引入用户评论信息,可一定程度缓解传统协同过滤算法面临的数据稀疏性问题.在22个亚马逊的真实数据集上的实验证明文中方法的有效性.     

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。     

基于变分自编码器的评分预测模型

深度学习模型具有鲁棒性差的局限性,常见的如在图片中增加特定的噪声会影响到图片的分类和预测结果。近期有学者将深度学习引入到推荐系统中,因此在推荐系统中也存在噪声对推荐精度影响的问题。针对深度推荐模型的鲁棒性问题,基于变分自编码器（Variational Auto-Encoder,VAE）提出了新的评分预测模型REVAE （REcommender Variational Auto-Encoder）。该模型为了训练模型对噪声干扰的鲁棒性,在传统的VAE上增加了一层隐层表示,利用后验分布对隐层表示进行约束,并在该隐层上增加了噪声,通过重构输入数据,训练得到具有抗噪能力的推荐算法模型。在公开的Movielens数据集上进行的实验结果表明,REVAE可以有效降低噪声对模型的干扰,使得整个模型更具有健壮性,相比其他评分预测算法具有更好的推荐效果。     

基于融合特征的LSTM评分预测

隐语义模型(LFM)能够有效地提取用户和对象的特征。本文基于LFM所提取的有效特征,提出一种基于融合特征的长短期记忆网络(LSTM)评分预测模型(F-LFM-LSTM)。首先,运用LFM模型提取用户和对象的有效特征。然后,融合用户的职业、年龄、性别标签和对象类别标签等辅助信息。最后,运用LSTM网络训练得到预测评分。通过在MovieLens100k数据集上实验表明,相比于几种得到较为广泛研究的算法,F-LFM-LSTM模型能够取得更好的评分预测效果。     

一种基于支持向量机和主题模型的评论分析方法

在移动应用软件中,用户评论是一种重要的用户反馈途径.用户可能提到一些移动应用使用中的问题,比如系统兼容性问题、应用崩溃等.随着移动应用软件的广泛流行,用户提供大量无结构化的反馈评论.为了从用户抱怨评论中提取有效信息,提出一种基于支持向量机和主题模型的评论分析方法RASL（review analysis method based on SVM and LDA）以帮助开发人员更好、更快地了解用户反馈.首先对移动应用的中、差评提取特征,然后使用支持向量机对评论进行多标签分类.随后使用LDA主题模型（latent dirichlet allocation）对各问题类型下的评论进行主题提取与代表句提取.从两个移动应用中爬取5 141条用户原始评论,并对这些评论分别用RASL方法和ASUM方法进行处理,得到两个新的文本.与经典方法ASUM相比,RASL方法的困惑度更低、可理解性更佳,包含更完整的原始评论信息,冗余信息也更少.     

ACMF:基于卷积注意力模型的评分预测研究

评分数据稀疏是影响评分预测的主要因素之一。为了解决数据稀疏问题,一些推荐模型利用辅助信息改善评分预测的准确率。然而大多数推荐模型缺乏对辅助信息的深入理解,因此还有很大的提升空间。鉴于卷积神经网络在特征提取方面和注意力机制在特征选择方面的突出表现,该文提出一种融合卷积注意力神经网络(Attention Convolutional Neural Network, ACNN)的概率矩阵分解模型: 基于卷积注意力的矩阵分解(Attention Convolutional Model based Matrix Factorization, ACMF),该模型首先使用词嵌入将高维、稀疏的词向量压缩成低维、稠密的特征向量;接着,通过局部注意力层和卷积层学习评论文档的特征;然后,利用用户和物品的潜在模型生成评分预测矩阵;最后计算评分矩阵的均方根误差。在ML-100k、ML-1m、ML-10m、Amazon数据集上的实验结果表明,与当前取得最好预测准确率的PHD模型相比,ACMF模型在预测准确率上分别提高了3.57%、1.25%、0.37%和0.16%。     

基于观点动力学的在线评分人数预测

多数观点动力学研究采用基于Agent的建模和仿真方法,与现实社会现象严重脱节。针对该问题,利用现实社会在线评分的统计数据验证和改进观点动力学模型的解释和预测能力。在评分过程中,个体的观点受到自身初始观点和群体观点的共同影响,产生的最终观点将决定个体是否加入评分群体,如果加入将产生评分行为,进而影响后续个体的观点及行为。据此过程建立一个连续观点动力学模型,对在线评分的人员数量进行预测。使用豆瓣网站的影片在线评分数据进行实验,分析各评分观点变化对在线评分数量的影响,结果表明,该模型能够有效预测在线评分人数;个体的最终观点主要受群体差-中-好评分观点的影响,而与自身初始观点基本无关;泊松参数值偏离最优值越远,预测准确率越低。     

改进主题模型的短文本评论情感分析

使用传统的主题模型方法对医疗服务平台中的评论等短文本语料进行主题模型的情感分析时,会出现上下文依赖性差的问题。提出基于词嵌入的WLDA算法,使用Skip-Gram模型训练出的词w*替换传统的LDA模型中吉布斯采样算法里的词w`,同时引入参数λ,控制吉布斯采样时词的重采样的概率.实验结果证明,与同类的主题模型相比,该主题模型的主题一致性高.     

基于决策树的电视节目收视率预测模型

收视率是衡量电视节目质量的重要指标,节目播出后的收视率调查已经不能满足竞争日益激烈的各电视台的需要,因此迫切需要科学有效的预测收视率的方法。本文对决策树中的ID3算法进行了研究,并将据此建立的数据挖掘预测模型应用于电视节目收视率预测的研究,取得了较好效果。     

面向中朝跨语言文本分类的双语主题词嵌入模型的研究

针对日渐丰富的少数民族语言资源进行管理、研究和使用有着重要的应用价值。为了解决语言差异引起的语言鸿沟,针对中朝两种语言环境下的跨语言文本分类任务,提出了双语主题词嵌入模型。该文将词嵌入模型与主题模型扩展到双语环境,并将两种模型相结合,解决了歧义性对跨语言文本分类精度带来的影响。首先,在大规模单词级别对齐平行句对中训练中朝单词的词嵌入向量;其次,利用主题模型对中朝分类语料进行表示,并获得中朝单词的含有主题信息的词嵌入向量;最后,将中朝单词的主题词嵌入向量输入至文本分类器,进行模型的训练与分类预测。实验结果表明,中朝跨语言文本分类任务的准确率达到了91.76%,已达到实际应用的水平,同时该文提出的模型可以对一词多义单词的多个词义有很好的表示。