基于加权二部图的个性化推荐算法

针对网络推断(NBI)算法的二部图实现算法忽略二部图权重而导致实际评分值高的项目没有得到优先推荐这一问题,提出加权网络推断(WNBI)算法的加权二部图实现算法。该算法以项目的评分作为二部图中用户与项目的边权,按照用户-项目间边权占该节点权重和的比例分配资源,从而实现评分值高的项目得到优先推荐。通过在数据集MovieLens上的实验表明,相比NBI算法,WNBI算法命中高评分值项目数目增多,同时在推荐列表长度小于20的情况下,命中项目的数量和命中高评分项目数量均有明显增加。     

基于增加相似度系数的加权二部图推荐算法

基于二部图的推荐算法是个性化推荐领域的一个研究热点,其中,如何科学地利用用户的评分资源,在评分数据不全的情况下对目标用户进行准确高效的推荐是研究难点,也因此受到众多学者的关注。因此,提出了一种以单调饱和函数为权,利用目标用户和其他项目共同评分个数相对用户总数均值的正切值作为传统相似度系数的推荐算法;同时,对调整系数后的相似度进行降序排列,利用前K个最近邻居集对目标用户进行推荐。实验结果表明,改进后的算法提高了推荐的准确性,降低了复杂度。     

基于用户兴趣度的改进二部图随机游走推荐方法

传统的二部图随机游走算法主要采用基于共同项目的相似度计算,并且项目之间、用户之间的影响程度是对称的,这种对称信息不能体现用户兴趣,推荐精度不高。为了提高推荐准确性,提出一种基于用户兴趣度的二部图随机游走方法。采用共同项目和用户打分项目数量的共同性质体现用户兴趣度,分析信息的不对称性,并在二部图中随机游走。实验表明,基于用户兴趣度的二部图随机游走算法提高了预测准确率和命中率。     

一种改进的基于二部图网络结构的推荐算法

基于网络结构的推荐算法得到了研究者越来越多的关注,以往的基于二部图网络结构的推荐算法只是判断用户是否选择过项目,不区分用户对项目评分的高低。这些算法倾向于推荐流行商品,没有考虑项目度和权值的影响。针对这些问题,在区分高低分的情况下提出了改进的基于加权网络结构的推荐算法。算法在计算用户间的相似性系数时,引入项目度与项目的权值之和的比值θ,以提高推荐多样性。实验结果表明,改进后的算法能够提高推荐准确性和多样性,并且降低了推荐项目的流行性。     

基于差异化资源分配的二部图推荐算法

传统二部图推荐算法存在着初始资源设置不合理,以及仅仅依靠项目度和用户度来调整资源分配系数的问题.因此提出一种基于差异化资源分配的二部图推荐算法,新的算法利用评分规范化和最大最小值的方法对项目初始资源进行了修正,在此基础上引用艾宾浩斯遗忘函数来量化用户兴趣偏移所带来的影响;再利用用户评分相似性函数和用户偏好函数对资源...     

基于随机森林的就业信息个性化推荐方法

为提升就业信息推荐结果的精确率和召回率,引入随机森林算法开展对就业信息个性化推荐方法的设计研究。首先,利用随机森林算法挖掘就业信息,并对特征进行提取;其次,针对得到的就业信息和特征进行聚类,利用Apriori算法对就业信息进行关联分析;最后,针对不同求职者的就业需要,为其提供个性化智能推荐。实验结果表明,新的推荐方法在实际应用中推荐结果的精确率和召回率,均明显高于基于关联规则算法的推荐方法。     

基于二部图多权重投影的大数据推荐算法

基于网络结构的推荐算法存在多样性不足的问题,为此提出了一种基于二部图多权重投影的大数据推荐算法。首先,提取出数据集的基础信息,将所有的项目—用户数据输入莱文斯坦距离程序,计算各个属性之间的相似性;然后,计算二部图网络中节点之间相同邻居的数量、节点之间的共同邻居度以及每个节点的度,计算二部图网络中每条边的三重权重;最后,采用增强的二部图投影技术提取二部图网络的潜在链接,实现基于相似性的链接预测。在大数据集与小数据集上分别开展了实验,结果显示该算法的准确率与覆盖率均优于其他几种类型的推荐算法,并且优于同类型的推荐算法。     

融合初始资源与协同过滤的二部图推荐算法

推荐系统的产生主要是为了解决信息过载的问题。基于二部图网络与基于协同过滤的推荐算法是目前应用比较广泛的算法,二者都取得了一定的推荐效果。基于加权二部图网络的算法忽略对初始资源的配置,基于物品的协同过滤算法在推荐时也产生数据稀疏等问题。组合推荐算法融合初始资源配置以及基于物品的协同过滤算法来解决相关的问题,可以达到更好的推荐效果。算法实验在MovieLens数据集上实施,结果表明,与传统的推荐算法以及最近的组合推荐算法相比,该方法有更好的推荐效果。     

基于增强二部图网络结构的推荐算法

协同过滤推荐算法的数据稀疏性与冷启动问题影响和制约了推荐的质量.基于用户-项目二部图的信任计算可以有效的利用用户间的潜在联系提高推荐性能.提出一种融合基于二部图的增强繁殖信任与JMSD相关系数的推荐方法,包括对改进的加权用户-项目自适应繁殖信任度的计算,在此基础上融合用户偏好的增强信任度机制,以及线性加权JMSD相关系数,两组数据集下的对比实验表明,与三种基准算法对比改进的算法模型具有更低的平均绝对误差（MAE）,更高的召回率（Recall）,提高了推荐质量.     

基于差异路径权重的二部图网络推荐算法

针对二部图网络结构推荐算法中资源分配不合理的现象,同时为了丰富推荐结果多样性和促进冷门物品的推荐,提出了一种利用差异路径权重改变资源传递的二部图网络结构算法。利用用户相似性构造路径权重改变第一阶段资源传递规则,使资源较多地流向与目标用户相似的用户节点。通过物品属性相似的构造路径权重,使第二阶段资源更多地流向与目标用户已购物品具有相似属性的物品。实验结果表明,本算法相对于其他流行网络结构算法提高了推荐的综合性能,并且更好地解决推荐中的相关问题。     

基于偏好的二分图网络模型Top-N推荐

针对推断网络(NBI)的二分图方法中只是考虑用户是否评价过项目,却没有利用用户评分高低这一局限性,提出基于偏好的推断网络(PNBI)推荐方法。该方法在推断网络的基础上,考虑单个用户对项目评分高低体现了该用户对项目的喜好程度,在“用户-项目”的资源分配过程中,将资源分配给评分值较大的评分项,该方法能克服NBI算法中无法使用低评分值数据的缺陷。考虑到数据的稀疏性问题,采用倒排表的方法来节省相似度的运算次数,加速算法。在MovieLens数据集上的实验表明, PNBI二分图推荐算法在准确率、覆盖率和召回率三个方面均优于NBI二分图推荐算法。     

基于随机森林模型的电信运营商外呼推荐系统

在电信运营商领域,外呼推荐是一种重要的推荐产品和服务的途径。实现了一种基于运营商大数据的自动外呼推荐系统,该系统能够挖掘用户的行为特征并且使用机器学习的方法预测用户对于被推荐产品的接受可能性。传统推荐系统使用的模型算法为矩阵分解、大规模稀疏特征分类、神经网络等。采用随机森林算法的主要原因是随机森林具有并行化程度高、训练速度快、生成的决策树可解释等诸多优点,适合于基于电信业数据的推荐系统。该外呼推荐系统基于Hadoop、Impala和Spark等大数据处理平台及工具,使用随机森林分类器作为核心算法,将用户最近的行为特征回归为接受外呼推荐产品的可能性。在线测试表明使用该系统与当前部署的人工随机外呼相比,能够提升约41%的用户接受率;同时,根据模型算法输出特征的重要性,进一步给出了两类用户的特征分析。     

基于加权三部图的协同过滤推荐算法

针对基于用户的协同过滤算法推荐结果过度集中在热门物品,导致多样性和新颖性较低、覆盖率较小的问题,文中提出基于加权三部图的协同过滤推荐算法.在分析数据稀疏和附加信息较少的基础上引入标签信息,可同时反映用户兴趣和物品属性,利用用户、物品和标签三元关系构建三部图.通过三部图网络映射到单模网络的方法获得用户偏好度,构建用户偏好...     

基于随机游走的网络表示学习推荐算法

根据网络结构中的连接关系得到节点的向量表示,进而将节点的向量表示应用于推荐算法可有效提升其建模能力。针对推荐系统中的同质网络,提出结合随机游走的网络表示学习推荐算法。以DeepWalk算法为基础,在随机游走过程中根据节点重要性设定节点游走序列数,并设置终止概率以控制游走长度优化采样结果,在网络表示学习过程中将SkipGram模型融合节点属性信息,同时考虑上下文节点离中心节点的距离获得更准确的推荐结果。实验结果表明,该算法相比DeepWalk、Node2vec等算法具有更高的推荐准确度,并且较好地解决了冷启动问题。     

基于二分图卷积表示的推荐算法

随着数据驱动智能技术的快速发展,个性化推荐算法及相关应用成为了研究热点.推荐可视为将用户与物品进行匹配的问题,但用户与物品之间存在的语义差距不便于两者之间的直接匹配.现有的许多基于深度学习的推荐算法采用的思路都是将不同空间中的实体映射到统一潜在语义空间,利用其嵌入表示来进行匹配度计算.随着网络表示学习方法的出现,由于用...     

基于随机森林的网络入侵检测方法

为了提高网络安全水平,及时对网络攻击进行主动检测,提出了一种基于随机森林的网络入侵检测模型。该模型能够对大流量攻击进行分布式检测,且检测算法在引入了两个随机性后,即可降低网络流量内不同属性特征字段的噪声,并消除关联性,以便更为便捷、迅速地对攻击进行主动检测。将经典的Adaboost组合多分类器方法与提出的算法在检测率、正确率、精确率三个方面进行对比,体现了该算法的优越性,为大数据时代下网络安全提供了更好的保护。     

基于信任网络随机游走模型的协同过滤推荐

协同过滤是目前应用最广泛和最成功的推荐技术之一。然而,目前该技术的发展面临着严重的冷启动和稀疏性问题,降低了其推荐质量,因此提出了一种基于信任网络随机游走模型的协同过滤推荐方法。该方法融合了基于信任和项目的协同过滤推荐方法,并引入了信任因子作为引导推荐的重要因素。随机游走模型不仅考虑了信任用户对目标项目的评分,也考虑了他们对与目标项目相似的项目的评分。随着随机游走深度的增加,以相似项目的评分信息来代替目标项目的评分信息的概率也逐渐增大。在Epinions真实数据集上的验证结果表明,该方法在推荐评价指标上比其他算法具有更好的推荐结果。     

基于混合用户模型的二分图推荐算法

用二分图来实现个性化推荐的算法越来越受到研究者的注意。文中提出混合用户模型下的二分图推荐算法（MNBI）,针对二分图推荐算法中存在的用户多、项目少时命中效率低的情况用混合用户模型进行改进,同时对于推荐中加权的二分图边的权值用用户集的总体的加权和进行改进。该算法基本思想就是在用户很多的情况下,用混合用户模型对用户首先进行一个预处理生成一定数量的用户集,然后用用户集和项目构成用户集-项目的二分图。通过在Movielens数据集中进行测试的实验结果表明,相比NBI算法,MNBI算法推荐的命中效率有一定的提高,同时对于推荐多样性有所提高,并且在数据冷启动情况下效果较好。