基于深度学习的论文个性化推荐算法

该文基于学术搜索和数据挖掘平台Aminer向用户进行个性化推荐,提出了结合协同过滤推荐和基于内容推荐的混合模型,实验表明该算法可以有效解决新物品的推荐问题,即冷启动问题。其中在基于内容推荐的模型中,融合深度学习的方法,引进了词向量模型,将用户和论文映射到用词向量空间, 并使用WMD(Word Mover Distance)计算相似度。实验表明,与其他基线模型相比该文提出的推荐模型在准确率上显著提高了4%。     

基于用户浏览行为的个性化推荐研究综述

研究如何充分利用海量用户浏览行为数据,构建更加精确的推荐算法和模型,以提高推荐系统性能,是目前个性化推荐领域研究的热点.针对这些问题,首先对用户的浏览行为进行了简要概括表述,给出了基于浏览行为推荐系统的总体框架,回顾总结了基于用户浏览行为的推荐系统的发展历程.对其关键技术和单一浏览行为量化方法与混合浏览行为量化方法进行总结、对比和分析.最后讨论了结合多源异构数据的浏览行为推荐的最新成果,总结了该领域未来研究难点和发展趋势.     

基于DMA的时间序列模式下顾客行为的个性化推荐

动态挖掘算法考虑顾客随时间变化的动态行为轨迹的特性，采取动态追踪，以顾客的动态行为轨迹为依据实现对顾客的个性化推荐。由于行为轨迹中时间段划分跨度对推荐源数据实用价值存在影响，故提出了时间约束定义，同时完成了该算法中自动学习功能的实现。实验结果表明，基于该算法的推荐系统有较高的推荐准确度。     

一种新型的混合个性化推荐算法

个性化推荐服务系统是根据用户历史记录和推荐算法为用户提供其感兴趣的个性化信息或商品的一种自动化工具。针对目前常用的基于协同过滤的推荐算法和基于内容的推荐算法各自存在的问题,本文提出一种结合协同过滤和隐语义分析的混合推荐算法——交替奇异值分解算法ASVD,通过奇异值分解算法对基于项目内容的项目-关键词矩阵和对用户评分信息得到的用户—项目矩阵进行分解过程产生的项目—隐主题矩阵合并优化来消除噪音提高推荐的精确度。实践结果表明,新的混合算法ASVD提高了推荐结果的准确性。     

一种个性化推荐改进混合算法

综合协同过滤算法和基于网络结构算法,提出全新的混合推荐算法,在对象和对象的相似性基础上考虑了项目之间的作用关系,得到最终改进后的混合算法MIX。通过对数据集的计算,排序值准确性大幅提高,推荐精度得到提高。     

一种融合用户相似性与评分距离的个性化推荐算法

基于距离模型的协同过滤通过计算用户间已知评分的距离,并使用该距离来预测目标用户的未知评分,但该类算法因预测需要使用所有邻居而导致需要大量缓存距离计算结果。针对这一问题,设计了一种融合用户相似性与用户评分距离的个性化推荐算法,基于用户间的相似性对邻居进行筛选,使用筛选之后的邻居集合预测未知评分。基于MovieLens数据与现有几种经典算法进行比较实验,证明了设计方法的有效性,在降低29%邻居数量的基础上,该算法提高了预测准确性、推荐列表排序性能等多个关键指标。     

用户行为模式下电子商务网站个性化推荐研究

个性化推荐可解决网络信息多样性与用户需求之间的矛盾。个性化推荐在电子商务应用领域取得了显著的成效。论文首先对四种主流的电子商务个性化推荐技术进行综述,其次提出用户行为模式下电子商务网站个性化推荐方法,其个性化推荐的实现一般包括用户行为聚类、个性化推荐二个模块,最后通过图书电子商务网站的实验对推荐方法的效果进行验证。     

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。     

基于用户行为的个性化推荐系统的设计与应用①

目前电子商务网站提供的推荐服务很难满足用户的个性化需求,协同过滤算法作为应用最成功的推荐算法,依然存在数据稀疏性、用户评分真实性等问题,制约着推荐系统的质量。设计和实现了一个基于用户行为的个性化商品推荐系统,主要采用前融合组合推荐策略,避免了单纯使用协同过滤算法的弱点。阐述了基于用户行为的个性化推荐系统的设计思想和实现过程,最终通过实验验证了本推荐系统具有良好的推荐效果。     

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。     

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.     

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。     

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。     

基于时间因子改进个性化推荐模型

传统推荐系统算法模型主要集中研究用户偏好与物品的关联性,根据用户主观意见进行推荐,未充分考虑用户与物品所处的客观环境,造成推荐时的实际偏差.本文基于传统推荐算法引入时间因子,提高模型推荐效果.实现方法主要是通过比较引入与未引入时间因子,使用UserCF算法和ItemCF算法观察MAE值的大小变化情况.时间因子的引入,改...     

基于用户层次信息的协同推荐算法

在个性化信息推荐服务中,协同推荐作为一种基本的信息过滤方法得到广泛的应用,它根据和目标用户具有相似行为的用户对资源的评价来进行推荐。但是,我们的研究发现,协同推荐算法所获得的相似用户群和实际用户的概念层次没有关系,这和我们的直觉是矛盾的,这驱使我们在协同推荐算法中考虑进用户的分类信息。实验结果表明,这样的方法是有效的,它和传统协同过滤相比具有更高的推荐精度。     

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。     

基于项目分层的个性化推荐方法

协同过滤目前较为成功地应用于个性化推荐系统中.但随着系统规模的扩大和待推荐项目的不断增加,协同过滤面临着稀疏性问题和新项目推荐问题,制约了推荐效果.在此分析了传统协同过滤推荐方法中存在的问题,提出一种基于项目分层的个性化推荐方法.采用了基于多层兴趣表示的用户相似性算法,并结合相似用户推荐项与项目相似性来推荐新项目.该推荐方法在稀疏数据集上能表现出较好的推荐质量,同时也能够有效地解决新项目推荐问题.