一种基于内容和协同过滤同构化整合的推荐系统模型

基于内容的推荐系统和协同过滤系统是最为流行的两种推荐系统,它们都有各自的优点和缺点.提出了一种基于对这两种推荐系统同构化整合的推荐模型,该算法同时拥有协同过滤推荐系统和基于内容推荐系统的优点,并且在一定程度上避免了基于内容或协同过滤的传统推荐系统各自的缺点.实验表明,该同构化整合模型与算法比传统的简单基本推荐模型、基于内容的推荐模型和协同过滤推荐模型提高了推荐的精确率.     

基于混合自编码器的协同过滤推荐算法优化

协同过滤算法已广泛应用在推荐系统中,在实现新异性推荐功能中效果显著,但仍存在数据稀疏、扩展性差、冷启动等问题,需要新的设计思路和技术方法进行优化.近几年,深度学习在图像处理、目标识别、自然语言处理等领域均取得突出成果,将深度神经网络模型与推荐算法结合,为构建新型推荐系统带来新的契机.本文提出一种新式混合神经网络模型,该模型由栈式降噪自编码器和深度神经网络构成,学习得到用户和项目的潜在特征向量以及用户-项目之间的交互行为模型,有效解决数据稀疏问题从而提高系统推荐质量.该推荐算法模型通过MovieLens电影评分数据集测试,实验结果与SVD、PMF等传统推荐算法和经典自编码器模型算法作对比,其推荐质量得到显著提升.     

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.     

资源自适应的实时新闻推荐系统

为解决新闻推荐系统性能差、效率低等问题,更好地满足商业应用的需要,设计了基于内容的资源自适应实时新闻推荐系统EagleNews.该系统自动监控系统负载情况,通过自动调整被推荐新闻集合的时间窗口,控制新闻数量,调整文档向量和用户模型向量的维度,优化相似度计算速度,提高系统性能,同时兼顾了推荐效果.最后,在原型系统上对提出的方法进行了评测,获得了系统运行的最佳参数,表明该系统不仅具有良好的性能,同时能够提供较好的推荐效果.     

基于用户-项目交叉注意力机制的迁移推荐模型

随着互联网技术的发展,个性化的推荐系统得到了广泛应用.但用户数据稀疏与冷启动仍是推荐系统普遍面临的难题.将深度学习与注意力机制相结合,提出基于用户-项目交叉注意力机制的迁移推荐模型.该模型能够充分学习源域数据中用户、物品及评分间的潜在关系,然后初始化目标域神经网络,迁移应用到目标域.为验证算法模型的有效性,在公开数据集...     

大规模隐式反馈的词向量音乐推荐模型

现有音乐推荐系统在大规模隐式反馈场景下存在推荐困难的问题,提出大规模隐式反馈的词向量音乐推荐模型（Word-Embedding Based Implicit Music Recommender）.本模型借鉴了自然语言处理领域的Word2Vec技术,通过学习用户音乐收藏播放记录里的歌曲共现信息,获得用户、音乐在分布式空间的低维、紧致的向量表示,从而得到用户、音乐之间的相似度进行推荐,并且在理论上论述了Word2Vec技术应用在推荐系统上的正确性.该模型在保证准确率和召回率几乎不变的同时,收敛速度快,占用内存小,试验结果表明该模型有效的解决了大规模隐性反馈场景下音乐推荐困难的问题.     

第三方电子商务的个性化信息推荐系统

在分析已有成果的基础上,设计了一个面向第三方电子商务的个性化信息推荐系统,并详细阐述了该系统的体系结构、功能划分以及关键技术.该系统通过追踪用户的阅读行为、分析用户的喜好,进而学习用户的兴趣和行为,实现了主动向用户推荐个性化信息,个性化评比、个性化主题分类及版面配置的功能.实验结果表明,该个性化信息推荐系统具有较好的性能.     

用户个性化推荐系统的设计与实现

为实现个性化服务,理解用户兴趣就成了提供服务的关键任务,因此,提出了隐性采集用户浏览内容、用户浏览时间和用户操作时间的信息方法,通过对网络爬虫程序抓取的网页进行内容清洗提取出主要内容之后,利用VSM建立文档模型,并采用SVM分类方法建立推荐库.基于从客户端采集的用户兴趣信息建模,以及根据该模型和推荐库的相似度,给用户推荐信息.此外,给出了基于该模型的推荐原型系统的实现,使用查准率来评价该系统.试验结果表明,系统较好地实现了基于用户兴趣来推荐阅读的信息.     

基于用户兴趣变化融合的个性化推荐模型

移动互联网的发展带来了大量的应用,提供个性化服务和个性化推荐是解决用户“应用迷航”的有效手段,针对与某电信运营商“游戏”应用平台类似的应用商店领域,提出了一种融合的个性化推荐解决方案.该方案通过对用户行为日志的分析生成用户的兴趣偏好模型,同时引入时间因子反映用户兴趣的漂移,将基于用户偏好分析的推荐方法与基于物品的协同过滤算法相结合形成了融合的个性化推荐模型.实验对比结果表明,该模型避免了两算法之不足,发挥了两算法的优势,有效地提高了该应用平台的综合推荐性能.     

基于FM与DQN结合的视频推荐算法

推荐系统是利用多种信息过滤方法,过滤冗余信息,准确向用户推荐其具有兴趣点的信息的技术.传统的推荐系统在处理信息过载的问题上取得良好的效果,被广泛应用于电子商务、视频推荐、音乐电台、社交网络等领域.但在冷启动,推荐的多样性等问题上传统的推荐系统仍存在缺陷.针对以上问题,论文使用场感知因子分离机FM模型做特征组合与处理高维稀疏特征,使用深度神经网络模型作为Deep Q-Leanrning算法的值函数网络,使用Deep Q-Leanrning深度强化学习算法作为决策函数解决推荐准确性与多样性问题.该算法在视频推荐的应用中,视频推荐准确度略高于传统的推荐算法,视频多样性推荐效果明显优于传统的推荐算法.     

个性化影片推荐系统中用户模型研究

个性化影片推荐服务是解决目前网络视频服务中影片资源迅速增长,用户"信息迷航"的有效方法.针对影片点播应用,给出个性化影片推荐服务系统的架构,根据用户点播历史记录即可实现与用户当前兴趣相关的影片推荐.提出基于本体论的影片模型,该模型有效保存了影片中与用户点播相关的信息,并在此基础上提出新的用户兴趣偏好学习算法,建立用户兴趣偏好模型.实验结果表明,基于影片本体论模型的推荐效果与传统方法相比,具有更高的准确率.     

基于Spark并行化改进混合地点推荐

推荐算法是数据挖掘中最重要的算法之一.地点推荐是推荐系统的重要研究内容.针对目前地点推荐面临的数据稀疏、冷启动、个性化程度低等问题,设计并实现了基于Spark并行化处理的改进混合地点推荐模型.该算法融合了基于内容的推荐和基于协同过滤的推荐,结合了用户当前的偏好和其他用户的意见.使用基于用户-地点属性偏好的矩阵填充方式,以此改善数据稀疏性问题;同时,对于海量数据,系统采用Spark分布式集群实现并行计算,缩短了模型训练时间.实验结果表明,与其他推荐算法相比,该算法能有效改善数据稀疏性、提升推荐效果.     

B2C网上购物推荐系统的设计与实现

根据B2C网上购物的实际背景和目前推荐系统存在的不足,设计和实现了一个运用多种技术相结合的个性化网页推荐系统.这种推荐模型增强了推荐系统的实时性,提高了推荐服务的质量,从而提高了电子商务网站的交叉销售能力和网站商品的销售量.该系统所用的方法、处理过程和推荐形式,对于其他电子商务网站也都有一定的借鉴意义.     

个性化学习资源精准推荐系统设计研究

随着我国教育信息化进程的不断推进,学习者获取学习资源的方式逐渐从主动检索转变为学习系统自动推荐。智能化的学习内容推荐行为极大地提高了用户获取个性化资源的效率,但是内容推荐在教育领域中的应用仍存在着许多方面的不足。该研究分析了推荐系统在教育领域中的应用现状,介绍了主流的推荐算法及其实现原理,并采用混合推荐模式和不同的推荐策略,设计出个性化学习资源精准推荐系统的系统模型,以期助力学习者的个性化学习。     

人工心理模型在个性化商品推荐系统中的应用

互联网的飞速发展和广泛应用,刺激了人们对推荐信息的需求。推荐系统的应运而生,减轻了信息过量对人们的威胁。目前,个性化已经成为一种发展趋势,而能使网站更具个性化的推荐系统也将逐渐成为一种必需的网上服务。本文提出了基于数量化I类理论的人工心理模型的建模方法,并介绍了该模型在个性化商品推荐系统中的应用。     

一种结合基于项目和用户的个性化推荐算法

推荐系统是电子商务系统中最重要的技术之一.协同过滤技术是当今应用最普遍的个性化推荐算法.针对用户评分数据的极端稀疏性和算法的可扩展性,首先利用云模型计算项目间相似度来预测用户对未评分项目的评分,来增加用户评分数据,再根据项目分类信息将用户-项目评分矩阵转换为用户-类别矩阵,降低了评分矩阵的维度,最后利用云模型计算用户间相似度,得到目标用户的最近邻居.实验结果表明,该方法具有较小的MAE,提高了推荐系统的推荐质量.     

基于MAS的个性化推荐系统架构研究

针对现有推荐系统的不足,提出了一个基于MAS(多Agent协作系统)的个性化推荐系统开发模型,并给出了该模型的工作原理,论述了该模型所采用的关键技术。     

上下文感知推荐系统

近年来,上下文感知推荐系统已成为推荐系统研究领域最为活跃的研究领域之一.如何利用上下文信息进一步提高推荐系统的推荐精确度和用户满意度,成为上下文感知推荐系统的主要任务.从面向过程的角度对最近几年上下文感知推荐系统的研究进展进行综述,对其系统框架、关键技术、主要模型、效用评价以及应用实践等进行了前沿概括、比较和分析.最后,对上下文感知推荐系统有待深入的研究难点和发展趋势进行了展望.     

一种改进的偏好融合组推荐方法

近年来,组推荐系统已经逐渐成为推荐系统领域的研究热点之一.在电影电视和旅游推荐中,用户常常是参与活动的一组人,这就需要为多个用户形成的群组进行推荐.作为解决群组推荐问题的有效手段,组推荐系统将单个用户推荐扩展为群组推荐,目前已经应用在新闻、音乐、电影、餐饮等诸多领域.现有的组推荐融合方法主要是模型融合与推荐融合,其效用好坏目前仍没有定论,并且它们各有自己的优缺点.模型融合存在着群组成员间的公平性问题,推荐融合忽视了群组成员间的交互.提出一种改进的偏好融合组推荐方法,它结合了两种融合方法的优点.同时根据实验得出了"群组偏好与个人偏好具有相似性"的结论,并将它结合在改进方法中.最后,通过在Movielens数据集上的实验分析,验证了该方法的有效性,证明了它能够有效地提高推荐准确率.     

基于经济学模型的推荐系统的研究

结合经济学模型中的"可替代商品"概念提出"可互替代集",以描述项目之间的可互相替代关系.同时把博弈论中的"不完全但完美的动态博弈"模型应用到协同信息推荐系统,提出了"带上下文的推荐算法".其核心思想是把推荐过程看作是推荐系统与用户之间的动态博弈,用经典的博弈论模型描述推荐过程.