推荐系统中的冷启动问题研究综述

推荐系统能够快捷、准确地定位用户真正需要的信息,解决网络信息过载问题。其中协同过滤推荐技术是推荐系统应用最广泛和成功的技术,但该技术面临冷启动问题的挑战。本文分析冷启动问题的产生原因,阐述研究冷启动问题的意义,重点总结解决冷启动问题的算法现状,分析比较它们的性能差异和各自存在的优缺点,从而便于使用者在解决冷启动问题时对算法的选择和使用。     

利用交叉推荐模型解决用户冷启动问题

用户冷启动是推荐系统的一个重要问题。传统的推荐系统使用迁移学习的方法来解决这个问题,即利用一个领域的评分信息或者标签预测另外一个领域的用户和物品评分。上述迁移学习模型通常假设两个领域没有重叠的用户和物品,与上述假设不同,很多情况下系统可以获取同一用户在不同领域的数据。针对这种数据,提出一种新的推荐系统冷启动模型—cross SVD&GBDT(CSGT),通过有效利用重叠用户的信息来解决用户冷启动问题。具体地,首先提出新模型获取用户和物品的特征,然后利用GBDT模型进行训练。实验数据表明,在豆瓣数据集中corss SVD&GBDT可以得到比传统方法性能更高、鲁棒性更强的实验结果。     

推荐系统中在线特征提取研究

推荐系统作为目前主流的推荐形态已经在各大平台上获得了广泛应用.推荐系统最核心的要求是实时性,推荐系统的存在形态是一种实时在线的推荐方式,能够根据用户的动态兴趣变化实时调整推荐结果和推荐顺序,因此用户实时的兴趣变化捕捉和分析尤为重要.     

用于冷启动推荐的异质信息网络对比元学习

在推荐系统中,冷启动推荐由于缺乏用户和物品交互信息而具有很大的挑战性.该问题可以由数据层和模型层的策略进行缓解.传统的数据层方法利用如特征信息的辅助信息来增强用户和物品表示的学习.最近,异质信息网络被整合于推荐系统中.它可以提供更丰富的辅助信息和更有意义的语义信息.但是,这些模型无法充分利用结构和语义信息,并且忽视了网络中的无标签信息.模型层的方法应用了元学习框架,该框架通过学习相似任务的先验知识然后利用很少的标签信息适应新任务,与冷启动问题相似.综上,我们提出了一个基于异质信息网络的对比元学习框架CM-HIN,同时在数据层和模型层解决冷启动问题.具体的,利用元路径和网络模式两个视图分别刻画异质信息网络的高阶以及本地结构信息.在元路径和网络模式视图中,采用对比学习挖掘异质信息网络的无标签信息并整合两个视图.在三个基准数据集上的三个冷启动推荐场景的大量实验中,CM-HIN超越了所有先进的基线模型.     

基于混合过滤算法解决冷启动问题的推荐系统研究

通过融合基于物品的协同过滤和基于用户的协同过滤算法形成新的混合过滤算法。将物品量少但有价值的评分信息量和用户信息相结合,提出了混合过滤来解决冷启动问题。     

融合用户属性信息的冷启动推荐算法

协同过滤算法广泛应用于个性化推荐系统中。现有的基于社群相似性的协同过滤算法在新用户新商品的冷启动场景中难以使用,性能较差。对此,提出了一种基于矩阵分解和神经网络映射的冷启动推荐算法。首先,使用矩阵分解方法求出用户在潜在兴趣空间的向量表示;然后,训练神经网络学习从用户属性数据到潜在兴趣向量的映射关系;最后,融合用户的历史评分数据与属性数据各自生成的兴趣向量,给出平滑的推荐预测值。实验表明,当用户的评分记录很少时,预测性能有明显提升,融合用户的属性信息能较好地改善"冷启动"情况下推荐系统的性能。     

一种电影推荐模型：解决冷启动问题

推荐系统数据库的评分数据稀少,对电影推荐的质量有所限制。为解决这个问题,提出一种同时将用户和电影元数据纳入改进的隐语义模型的模型。构造用户元数据-分类矩阵与电影元数据-分类矩阵,将分类域与隐因子空间进行映射,以此获取新用户与新电影的隐因子,进行推荐。实验结果表明,这种模型在提高预测准确率的同时,有效地解决了冷启动问题。     

一种解决新项目冷启动问题的推荐算法

推荐系统作为缓解信息过载问题的有效方法之一,在社交媒体中的作用日趋重要.但是,新项目冷启动和新用户冷启动问题是推荐技术面临的难题.为了解决新项目冷启动问题,提出了用户时间权重信息概念,该定义考虑到了用户评价时间与项目发布时间的时间间隔,根据用户时间权重值的大小,可以判断该用户是积极用户还是消极用户,以及用户对新项目的偏爱程度;利用三分图的形式来描述用户-项目-标签、用户-项目-属性之间的关系.在充分考虑用户、标签、项目属性、时间等信息基础上,获得个性化的预测评分值公式,提出了推荐算法.实验结果表明:所提出的方法能够实现满足不同用户、不同偏好的个性化推荐,在为用户推荐到合适项目的同时还能带来惊喜.比较实验说明,所提出的方法推荐准确度高,推荐新颖度高.交叉验证实验结果表明:该方法在解决推荐算法中的新项目冷启动问题上,无论是在推荐的准确度还是推荐项目的新颖度上都是有效的.     

基于随机森林-马尔可夫用户冷启动推荐系统

为解决用户冷启动问题,提出一种基于随机森林-马尔可夫链相结合的方法。利用随机森林对原始数据进行有监督分类,为特征属性与商品标签建立关联,以此形成第一层推荐列表;利用马尔可夫优良的动态时效性以及最大信息熵原理去除冗余信息,在第一层的列表的基础上进行实时推荐的第二层推荐列表,依次类推形成K层推荐列表。通过MovieLens数据集验证该模型相较于已有的模型具有较高的准确率和召回率。     

在线学习资源推荐综述

近年来越来越多的学校广泛使用网络在线授课,然而互联网中海量的学习资源令学习者难以抉择。因此,研究在线学习资源推荐并为学习者进行个性化推荐非常重要,这可以帮助学习者快速获取其所需的优质学习资源。针对在线学习资源推荐的研究现状,从以下5个方面进行分析总结。首先,总结了目前国内外在线教育平台在学习资源推荐方面的工作;其次,分析和探讨了以知识点习题、学习路径、学习视频和学习课程为学习资源推荐目标的4种算法;接着,分别从学习者和学习资源的角度出发,以具体的算法为例,详述了常用的基于学习者画像、基于学习者行为和基于学习资源本体的3种学习资源推荐算法;此外,总结了公开的在线学习资源数据集;最后,分析了学习资源推荐系统目前存在的问题和未来的发展方向。     

基于多维度推荐的智慧在线学习系统

针对目前在线学习系统中存在的不足,探讨如何有效地运用数据挖掘技术建立智慧的在线学习系统.从大量的用户数据中挖掘出关联关系,用以提供全面个性化、定制化的学习过程序列.利用数据挖掘着重发现用户与课程之间、课程与课程之间、用户与用户间的关联,形成一个多维度的网络.利用多维度推荐为用户推荐有价值的课程.实验表明多维度推荐具有良好的准确性和良好的用户体验.     

联邦推荐系统的协同过滤冷启动解决方法

基于联邦学习的推荐系统可以在保护用户隐私的情况下,联合多方数据,提升推荐系统的性能,已经成为推荐领域的研究热点之一.联邦协同过滤是联邦推荐系统中最经典及最常用的算法之一.然而,针对联邦协同过滤系统的冷启动问题的研究工作相对较少.针对这一问题,本文提出了一种基于安全内积协议的解决方案.具体地,在系统中添加新用户或新物品时...     

基于信任环的用户冷启动推荐

近年来,为了解决推荐系统的用户冷启动问题,信任推荐技术得到了长足发展。然而,传统的信任推荐技术在处理信任关系上比较粗糙。基于信任环的推荐思想严格控制了信任度对推荐结果的影响。实验结果表明,该方法能有效解决用户冷启动问题,并提高推荐的准确率。     

一种改进的缓解推荐系统物品冷启动的方法

信息爆炸的时代,推荐系统越来越成为网民的依赖,它有效的解决了信息过载的问题,但是却没有解决推荐系统的冷启动问题。为了缓解新项目的冷启动问题,结合基于物品的协同过滤算法与决策树思想,这篇文章在孙等人的算法上做了改进,把算法的第一步替换为用显示的信任网络对用户做划分的方法。显示的信任网络,可以对用户做了更细致的分类,把信任网络添加到算法中,原算法便被改进为基于信任网络的推荐系统。改进后的算法不仅满足了一大部分用户的偏好与需求,而且使得系统用户更加依赖推荐系统。实验表明,利用显示的信任网络对新项目的推荐,其推荐结果的准确性比原算法高,推荐的结果也更加稳定。在评分个数分别为0,5,10的情况下,平均绝对误差比原算法的低了16.7%,21.6%,31.7%。     

利用Tri-training算法解决推荐系统冷启动问题

随着社交网络的发展,推荐系统日趋重要,而冷启动问题是推荐系统中的关键问题。设计了一种基于上下文的半监督学习框架TSEL,对矩阵分解模型SVD进行扩充以支持更多形式的上下文信息,利用Tri-training框架训练各个模型。与其他解决推荐系统冷启动问题的半监督方法(如Co- training)相比,该方法有着更好的效果。Tri-training框架能够更加方便地引入更多推荐模型,具有更好的可扩展性。将Tri-training框架加以 扩展,提出了基于用户活跃度生成无标记教学集合的算法和更加丰富的对矩阵分解模型扩充的形式。在真实数据集MovieLens上进行验证,获得了更好的实验效果。     

基于ACM在线评测推荐系统模型研究

针对目前用户对在线程序评判系统选题目盲目问题,建立了ACM在线评测推荐系统模型。通过定义题目的难度系数及所属知识点类型,对用户所做题目运用web数据挖掘技术,进行归类挖掘,然后运用基本推荐策略将题目推荐给用户,通过此平台用户登录在线评判系统网站不再盲目选题。     

协同过滤系统项目冷启动的混合推荐算法

研究协同过滤推荐系统中的冷启动问题,运用基于内容预测的方法,对系统内未被用户评价过的项目进行评分预测,应用2种优化步骤,过滤掉预测不准确的用户的评分。在此基础上用协同过滤的方法产生推荐,使传统推荐算法中无法推荐给用户的项目得到推荐机会。通过一系列实验证明,该混合推荐算法能保证推荐准确性,提高了新项目的推荐概率。     

基于粒关联规则的冷启动推荐方法

推荐系统已被广泛应用于电子商务等多个领域。冷启动问题是推荐系统的一个难点。基于粒关联规则的冷启动推荐方法,运用粒来描述用户和产品,通过满足粒关联规则的4个指标,挖掘出用户和产品之间的关联规则,匹配合适的规则,最后根据这些规则向用户做出相应的推荐。在公开有效的数据集MovieLens上进行了实验,结果表明,用粒关联规则所挖掘出的规则可以有效地用于训练集和测试集上的推荐,并且具有较好的准确性。     

基于深度学习的智能推荐系统综述

随着互联网技术的发展,人们对于网络资源的依赖和需求也在增长,如何为用户推荐其感兴趣的项目成为重要的研究课题,因此推荐系统被提出并应用.本文首先介绍了传统推荐算法和结合深度学习技术的智能推荐算法,阐述了推荐系统中的关键问题,并介绍了结合深度学习技术解决相应问题的方法,最后分析了基于深度学习的智能推荐系统未来的研究方向.