基于评论主题分析的评分预测方法研究

推荐系统(recommender system)广泛应用于电子商务网站。目前流行的基于协同过滤的推荐算法利用用户的历史评分来预测用户对物品的喜好程度。随着互联网的发展,如今的电子商务网站越来越注重与用户的交互,于是产生了大量的用户生成内容(user generated content),如评论、地理位置、好友关系等。相对评分来说,用户对物品的评论从用户或者物品的各个角度具体表达了用户的观点。利用这些信息更有助于挖掘用户的喜好。该文提出一种基于词向量的方法挖掘用户评论信息,并结合协同过滤的方法设计新的推荐算法,来改善评分预测的效果。实验结果表明,该算法较大程度上提高了评分预测精度。     

一种基于Web数据挖掘的电子商务推荐系统

在对Web数据挖掘技术和电子商务推荐系统进行研究生的基础上,设计和提出了一种基于Web数据挖掘的电子商务推荐系统.该系统根据电子商务网站的基本特征,设计了用户当前兴趣表示方法和推荐算法,由于结合了Web使用挖掘和Web内容挖掘为顾客提供个性化推荐服务,从而较大提高了系统的推荐精确度,在实际应用中取得了较好的推荐效果.     

一种适合于保险产品的个性化推荐算法

随着保险电子商务的不断发展,保险网站的用户越来越多样化,需求差异越来越大,为不同类型的用户推荐个性化定制化的产品以提高网站销量已经成为行业趋势。针对该问题,提出基于保险行业电子商务网站的个性化推荐系统。系统采用了基于内容的推荐和基于关联规则的推荐,分别利用保险产品本身的分类特点和用户访问网站的历史记录来推荐产品,最后将两种算法进行组合推荐。实验结果表明,算法性能高,平均推荐准确率在8%左右。由此得出结论,所提算法可用于网站的线上预测推荐。     

基于模糊处理和上下文敏感SVM的协同过滤推荐新方法

协同过滤系统是电子商务最重要的技术之一,用户相似度算法的优劣直接决定推荐性能的准确程度。现有推荐方法忽略用户上下文特征,因而用户相似度判定较差。针对该问题,该文提出了FSVMCF方法,该方法采取模糊上下文数据及上下文敏感SVM和协同过滤相结合方法,提高了推荐准确度。该文实验以汽车、飞机、火车等交通工具图像作为推荐对象,实验结果验证了该方法对于图像推荐的性能有较大提高。     

多Agent协同的电子商务推荐系统模型

为了进一步提高电子商务推荐系统中商品推荐的准确性和高效性,通过分析传统推荐系统存在的问题和已有的优化方案,提出了多Agent的电子商务推荐系统模型。推荐系统通过人工智能领域中的多Agent技术,并应用终端自适应特性,改善了传统推荐系统在多终端情况下的电子商务系统的推荐效率,并根据用户使用的不同终端动态返回推荐结果。实验结果表明,多Agent协同的电子商务推荐系统在一定程度上提高了推荐效率和准确性。     

基于用户轨迹数据的用户兴趣区域推荐

推荐系统是通过分析已知信息和用户偏好,在用户选择物品或服务时,向用户提供帮助和建议的系统。但是目前大部分推荐系统都是基于用户评价或评分信息向用户推荐购物、电影等电子商务服务,基于用户轨迹数据进行用户兴趣区域推荐的研究十分罕见。用户的轨迹数据蕴含了用户的偏好,不同的轨迹反映不同的用户特性。所以提出一种从用户轨迹数据中挖掘最大频繁项集,并将最大频繁项集用于计算用户相似性和偏好的推荐方法。该推荐方法还综合考虑了相似用户访问次数、置信度和用户住宅信息等可能会影响推荐质量的因素。将提出的方法和基于协同过滤的推荐方法、基于关联规则的推荐方法进行比较,结果显示本文提出方法的效果较好。     

一种改进相似性度量的协同过滤推荐算法

协同过滤算法是目前电子商务推荐系统中最重要的技术之一,其中相似性度量方法的效果直接决定了推荐系统的准确率。传统的相似性度量方法主要关注用户共同评分项之间的相似度,却忽视了用户共同评分项和用户所有评分项之间的关系。用户共同评分项和用户所有评分项之间的关系可以通过Tanimoto系数来计算,然而Tanimoto系数是基于二值模式下的运算,因此直接运用于推荐系统中的效果并不理想。基于上述问题提出了修正的Tanimoto系数,并将用户共同评分项和用户所有评分项之间的关系融入到传统的相似性度量方法中。实验表明该算法在一定程度上提高了推荐的效率和准确度。     

一种融合多种用户行为的协同过滤推荐算法

协同过滤作为目前应用最成功的个性化推荐技术,在电子商务、社交网络等领域得到了广泛应用。然而,当此类算法应用到个性化医疗推荐领域时,由于个人医疗行为本身的复杂性和多样性,出现了推荐准确率下降的问题。针对这一问题,提出一种融合多种用户行为的协同过滤推荐算法,使用权重因子来综合衡量不同用户行为对推荐质量的影响,并引入重合依赖度的概念来修正传统的相似度度量方法。在收集的Top-md数据集上的实验结果表明,该算法能够全方位表达用户的就医偏好和意愿,有效提高个性化医疗推荐系统的推荐质量。     

梯度渐进回归树算法在电子商务品牌推荐中的应用

针对电子商务推荐系统中,互联网“信息过载”所造成的难以准确定位用户兴趣并提供准确品牌推荐的问题,通过深入挖掘电子商务网中的用户行为日志,抽取出能辨别出用户对商品品牌购买行为的多个特征,然后将这些特征融入到梯度渐进回归树算法中,建立用户兴趣偏好模型来提高推荐精度。实验结果表明,在数据稀疏的情况下,该算法仍能较好的识别出用户对品牌的偏好,并在推荐准确度方面较其他传统推荐和分类算法有明显的提高。     

基于内容过滤的电子商务推荐系统研究

个性化推荐在网络应用中能有效提高服务质量,在电子商务中的表现更加突出.论述了基于内容过滤的电子商务推荐系统,利用向量空间模型挖掘用户独特的兴趣特征,然后根据产品信息特征的量化值产生推荐序列,并根据用户的反馈信息自适应学习,以提高系统的综合性能.实验结果表明,基于内容过滤的推荐方法其总体性能随时间的推移得到了提高.     

基于广义内容概率潜在语义分析模型的推荐

针对推荐系统中存在新项目及准确性难以把握等问题,提出一种基于广义内容概率潜在语义模型的推荐方法。该方法以概率潜在语义模型为基础,引入两组潜在变量及项目特征来建立广义内容概率潜在语义模型。该模型中两组潜在变量分别表示用户群体和项目群体,项目特征根据实际情况以特征词的形式进行表示,且通过不对称学习算法完成未知参数的训练及预测。利用三个不同的数据集对所提方法进行实验验证,结果表明该方法具有良好的项目推荐品质。     

改进的基于符号数据的协同过滤推荐算法

随着用户和资源种类的不断增加,评价矩阵的稀疏性问题越来越突出,严重影响了推荐系统的推荐质量。奇异值分解(SVD)是一种对数据进行降维处理的方法,符号数据分析(SDA)是一种处理海量数据的全新数据分析思路。提出一种改进的基于符号数据的协同过滤推荐算法,即将奇异值分解和符号数据分析方法结合起来运用到推荐系统中。在EachMovie 数据库集上的实验结果表明该算法在数据稀疏时的推荐质量明显优于传统的推荐算法。     

基于相关均值的协同过滤推荐算法

针对在用户评分数据极端稀疏环境下传统协同过滤推荐算法存在的弊端,从提高邻居用户识别准确性出发,对传统相似性度量方法进行改进,在此基础上提出一种基于相关均值的推荐算法。实验结果表明,该算法能增强邻居用户在推荐中的影响力,有效提高推荐精度,改善推荐质量。     

融合关系与内容分析的社会标签推荐

标签是Web 2.0时代信息分类与索引的重要方式.为解决标签系统所面临的不一致性、冗余性以及完备性等问题,标签推荐通过提供备选标签的方法来提高标签的质量.为了进一步提升标签推荐的质量,提出了一种基于标签系统中对象间关系与资源内容融合分析的标签推荐方法,给出了基于LDA(latent Dirichlet allocation)的融合表示对象间关系与资源内容的标签系统生成模型TSM/Forc,提出了一种基于概率的标签推荐方法,并给出了基于吉布斯(Gibbs)抽样的参数估计方法.实验结果表明,该方法可以提供比当前主流与最新方法更加准确的推荐结果.     

基于矩阵分解的协同过滤算法

协同过滤推荐算法是电子商务推荐系统中运用最成功的一种推荐技术。针对目前大多数协同过滤算法普遍存在的可扩展性和抗稀疏性问题,在传统的矩阵分解模型（SVD）的基础上提出了一种带正则化的基于迭代最小二乘法的协同过滤算法。通过对传统的矩阵分解模型进行正则化约束来防止模型过度拟合训练数据,并通过迭代最小二乘法来训练分解模型。在真实的实验数据集上实验验证,该算法无论是在可扩展性,还是在抗稀疏性方面均优于几个经典的协同过滤推荐算法。     

用于个性化推荐的条件卷积隐因子模型

在推荐系统中,传统的矩阵分解无法提取用户和物品特征,而神经协同过滤(NCF)在分解模型中增加多层感知器,但不能有效利用用户和物品ID之外的辅助信息.为此,提出一种新的条件卷积方法.通过将物品特征作为输入,将用户特征作为卷积核,达到权值不共享的目的,使得条件卷积具有更强的特征提取和组合能力以及不增加参数量的特性.在此基础上,条件卷积能够融入多种辅助信息进行个性化推荐.实验结果表明,与NCF模型相比,该方法在隐性反馈数据中推荐命中率提升3.11%,在显性反馈数据中评分预测误差降低2.47%.     

基于评分填充与信任信息的混合推荐算法

针对推荐系统的数据稀疏性导致的推荐效果不佳的问题，提出一种基于评分填充与信任信息的混合推荐的算法RTWSO（Real-value user item restricted Boltzmann machine Trust WSO）。首先，使用改进的受限玻尔兹曼机模型对评分矩阵进行填充，以缓解评分矩阵的稀疏性问题；其次，从信任关系中提取信任与被信任关系，并通过基于矩阵分解的隐含信任关系相似度来解决信任信息稀疏的问题，而且对原有算法进行了包含信任信息的修正，以提高推荐准确度；最后，通过加权Slope One（WSO）算法对矩阵填充与信任相似度信息加以整合，并对评分数据进行预测。在Epinions与Ciao数据集中验证算法性能，可见所提出混合推荐算法较组成算法在推荐准确度上提升3%以上，较现有社会化推荐算法SocialIT（Social recommendation algorithm based on Implict similarity in Trust）在推荐准确度上提升1.2%以上。实验结果表明，所提出的基于评分填充与信任信息的混合推荐算法在一定程度上提高了推荐准确度。     

基于评分填充与信任信息的混合推荐算法

针对推荐系统的数据稀疏性导致的推荐效果不佳的问题,提出一种基于评分填充与信任信息的混合推荐的算法RTWSO（Real-value user item restricted Boltzmann machine Trust WSO）。首先,使用改进的受限玻尔兹曼机模型对评分矩阵进行填充,以缓解评分矩阵的稀疏性问题;其次,从信任关系中提取信任与被信任关系,并通过基于矩阵分解的隐含信任关系相似度来解决信任信息稀疏的问题,而且对原有算法进行了包含信任信息的修正,以提高推荐准确度;最后,通过加权Slope One（WSO）算法对矩阵填充与信任相似度信息加以整合,并对评分数据进行预测。在Epinions与Ciao数据集中验证算法性能,可见所提出混合推荐算法较组成算法在推荐准确度上提升3%以上,较现有社会化推荐算法SocialIT（Social recommendation algorithm based on Implict similarity in Trust）在推荐准确度上提升1.2%以上。实验结果表明,所提出的基于评分填充与信任信息的混合推荐算法在一定程度上提高了推荐准确度。     

推荐系统综述

随着网络应用的不断发展,网络资源呈指数型增长,信息过载现象日益严重,如何高效获取符合需求的资源成为困扰人们的问题之一。推荐系统能对海量信息进行有效过滤,为用户推荐符合其需求的资源。对推荐系统的研究现状进行详细介绍,包括基于内容的推荐、协同过滤推荐和混合推荐这三种传统推荐方式,并重点分析了基于卷积神经网络（CNN）、深度神经网络（DNN）、循环神经网络（RNN）和图神经网络（GNN）这四种常见的深度学习推荐模型的研究进展;归纳整理了推荐领域常用的数据集,同时分析对比了传统推荐算法和基于深度学习的推荐算法的差异。最后,总结了实际应用中具有代表性的推荐模型,讨论了推荐系统面临的挑战和未来的研究方向。     

多维加权社会网络中的个性化推荐算法

个性化推荐是解决Internet中信息过载的重要工具,在研究有关个性化推荐的技术和相关动态的基础上,以用户实际应用为驱动,提出一种多维加权社会网络中的个性化推荐算法。首先,该算法构建了用户之间的多维加权网络;然后利用复杂网络的聚类方法——CPM算法寻找邻居用户;最后基于用户之间的相似性做出推荐。实验结果表明,应用该算法的多维网络的推荐系统与基于内容推荐系统和协同过滤推荐系统相比,有较高的查全率和准确率,个性化推荐质量有了一定程度的提高。