基于流形排序的社会化推荐方法

提出一种基于流形排序和社会化矩阵分解的推荐方法,采用流形排序方法度量用户间的社会相似度,利用正则化技术构建用于评分矩阵因式分解的目标函数,将用户之间的偏好差异作为目标函数的惩罚项,从而将用户之间的社会相似性融入评分矩阵的低阶矩阵分解过程. 实验结果表明,在大型的数据集上,该方法获得了比当前同类方法更好的推荐精度和更低的评分预测均方根误差/评分预测平均绝对误差（RMSE/MAE）值.     

融合信任相似度的偏置概率矩阵分解算法

为解决社会化推荐算法推荐效果严重依赖用户信任数据的问题,提出一种融合信任相似度的偏置概率矩阵分解算法(bias probability matrix factorization algorithm fused with trust similarity, TTSPMF)。该算法引入稀疏性更低的信任相似度网络,使用信任关系的相似性弥补用户信任数据的稀疏性。通过用户信任矩阵计算得出信任相似度矩阵,然后将信任相似度矩阵和用户信任矩阵共同进行矩阵分解,同时加入偏置项来表达用户和物品的偏好,从而更好地刻画用户和物品的特征,避免因用户或物品本身因素带来的评分偏差。使用概率矩阵分解模型融合信任矩阵和信任相似度矩阵并迭代求解,得到用户特征矩阵和物品特征矩阵。在多个数据集上的试验证明,在不同评价指标下,该算法的推荐准确度明显高于传统推荐算法,可以有效缓解数据稀疏带来的推荐效果差的问题。     

基于时域背离特征分析的托攻击检测算法

为提高托攻击检测的完整性、准确性和项目推荐可信度,使用托攻击评分与正常评分的数据差异度、正反序TOP窗口和后发评分特征以及密集评分特征,提出了一种基于时域背离特征分析的托攻击检测算法实现托攻击检测。实验结果表明:本文算法的F值平均为81.2%,最高可达92.7%,能同时提升托攻击检测的准确率、覆盖率,减少训练数据量,降低计算复杂度,同时还能兼顾托攻击防御。     

基于属性偏好自学习的推荐方法

推荐系统从海量数据中挖掘出有用信息来学习用户偏好．目前主流研究的推荐算法是在考虑 评分数据和社交数据的基础上执行协同过滤算法．协同过滤方法包括传统的用户、商品协同过滤算 法和经典的矩阵分解方法．用户、商品协同过滤算法具有可解释性但训练速度慢,矩阵分解模型虽 然训练速度快但缺乏解释性．此外,评分数据和社交数据在获取难度上高于属性信息．针对这些问 题,提出一种基于属性偏好的自学习算法．该算法在评分数据和属性信息的基础上,首先利用用户 对属性的初始偏好程度与属性对商品的评分构建预测评分模型,通过预测评分和实际评分的平方 差及正规化项构造损失函数,使用梯度递减方法对损失函数中预测评分模型的属性偏好程度进行 迭代训练,最后使用训练后的属性偏好程度和属性值评分来预测用户评分．实验在两个经典数据集 上证明了该模型运行时间较快,且在评分数据稀疏的情况优于传统的协同过滤方法和基本矩阵分 解模型．     

基于社交信息和物品曝光度的矩阵分解推荐

为了解决隐式反馈推荐中的数据稀疏性和未观测值二义性,提出基于社交信息和物品曝光度的概率矩阵分解推荐算法. 该算法通过对用户-用户社交矩阵进行矩阵分解来约束用户偏好潜在因子,一定程度上缓解了数据稀疏性问题;将物品曝光度作为观测值的条件,结合物品本身的流行度和用户的社交信息,对物品曝光度进行建模,解决未观测值的二义性. 在Lastfm公开数据集上开展多个层次的实验和分析. 结果表明,与已有的隐式推荐算法相比,在召回率、平均准确率（MAP）和归一化折损累计增益（NDCG）3个评价标准上都有一定程度的提高.     

基于社交网络中双重好友及用户偏好的协同过滤推荐

针对目前基于社交网络的协同过滤推荐算法只融入直接好友信息且不能有效防御概貌注入攻击等问题,提出一种融合双重好友及用户偏好的协同过滤推荐算法,通过设置合适的熟悉度阈值在社交网络的直接好友、间接好友中选取可信好友用户集作为目标用户K近邻候选集,在共同评分项目数的基础上,采用用户偏好相似度与评分相似度的加权相似度作为寻找近邻用户的标准,完成目标用户项目评分预测。在数据集Flixster上的实验结果表明,融合双重好友关系及用户偏好的推荐算法不仅具有较好的推荐准确率,还具有较强的抗概貌注入攻击能力。     

基于用户兴趣评分填充的改进混合推荐方法

针对传统协同过滤推荐方法中的用户项目评分数据稀疏和推荐准确度不高的问题,提出了一种基于用户兴趣评分填充的改进混合推荐方法。首先,分析用户对项目类型的偏好,计算用户兴趣评分并进行矩阵填充;然后,考虑用户主观评分差异化及项目自身质量的影响,对传统皮尔逊相关系数进行改进,并基于已填充评分矩阵进行用户相似性及项目相似性计算;在此基础上分别基于用户和项目两个方面进行评分预测,并将两者的预测评分进行加权求和,进而进行混合推荐;最后,以Movielens100k为数据集进行实验,先分析了用户兴趣评分矩阵的填充效果,再将文中方法和传统协同过滤混合推荐方法以及文献中提出方法进行了对比分析。实验结果表明;提出的评分矩阵填充方法能有效缓解数据稀疏的影响,填充效果优于传统评分矩阵填充方法;提出的改进混合推荐方法（IHRIRF）比传统的混合协同过滤推荐方法HCFR及WPCC方法具有更好地推荐效果。     

基于社会信任正则化的排名推荐算法

随着在线商品交易额逐年增大和社交网络不断深入发展,推荐系统已成为解决信息过载的重要工具之一。当评分矩阵数据稀疏性较大时推荐精度就会显著下降,特别是用户冷启动的时候这个问题更加明显。因此,本文提出一种新的基于隐式反馈信息的社会化排序推荐算法。该算法首先利用矩阵分解方法计算不同项目间的用户偏好。其次将用户偏好信息融入Bayesian Personalized Ranking (BPR)算法中。然后挖掘用户之间相似关系以及信任用户直接和间接关系,并量化它们之间的信任关系,从而研究不同项目之间用户偏好差异。最后将以上这些信任关系和BPR算法进行融合,进而构建出社会化排序推荐模型。为了验证所提出的社会化排序推荐算法,在DouBan数据集和FilmTrust数据集上,进行该算法的有效性验证。主要通过Precision、MAP和NGCD这三种排序评估指标分别在全数据集和用户冷启动中验证本文所提算法与SBPR、TBPR、BPRMF和MostPopular等算法之间排序推荐的优劣性。实验结果证明本文所提算法明显优于其他排序推荐算法,并可以获得更好的推荐准确率。可见该算法可以有效改善由于数据稀疏性和用户冷启动所带来推荐效果差的问题。     

用户与项目语义相似性填充的协同过滤推荐方法

为解决协同过滤推荐方法中矩阵的稀疏性导致推荐精度下降的问题,文中提出一种结合用户属性及项目特征的矩阵填充协同过滤推荐方法。通过用户属性特征计算用户间语义相似性,构建项目领域本体以计算项目间语义相似性,加权用户语义相似性和项目语义相似性预测出的评分值填充评分矩阵,并获取近邻用户进行推荐。在MovieLens数据集上利用平均绝对误差和接收者工作特性(ROC)曲线两个评价标准进行实验验证,结果表明:相较于传统的协同过滤方法(TCF)、基于缺省值填充的协同过滤方法(CFBDF)和基于均值填充的协同过滤方法(CFBAF)三种方法,本文方法的平均绝对误差(MAE)值更低,ROC曲线下方的面积(AUC)值更大,这说明文中方法可以有效缓解矩阵的稀疏性,进而提高推荐的准确性。     

融合社交地理信息加权矩阵分解的兴趣点推荐算法

针对用户-兴趣点矩阵稀疏以及难于从隐反馈中获取用户对未访问位置的偏好而影响兴趣点推荐准确度的问题,本文提出了一种融合社交地理位置信息的加权矩阵分解兴趣点推荐算法（SGWMF）。首先,通过用户之间的相关性对社交信息进行幂律分布建模,基于用户好友的签到信息计算用户访问位置概率;其次,利用地理信息符合幂律分布特点重构用户访问位置偏好矩阵,缓解矩阵数据稀疏性问题;再次,为了增强加权矩阵分解模型的有效性,通过建模社交信息和地理信息挖掘出用户对未访问位置的偏好,并以隐反馈项的形式改进加权矩阵分解的目标函数;最后,在两个真实数据集上对算法性能进行对比验证,结果表明本文算法的性能要优于其他兴趣点推荐算法,推荐结果的准确性有明显提高。     

基于协同谱聚类的推荐系统托攻击防御算法

提出了一种基于协同谱聚类的推荐系统托攻击防御算法. 该算法首先使用谱聚类方法对协同聚类算法进行改进,以在用户和项目2个维度上同时进行聚类;接着在聚类基础上结合分级偏离平均度对用户进行项目推荐. 实验测试结果表明,在同等托攻击规模的情况下,该算法可以降低实施托攻击的用户和攻击数据对系统推荐结果的影响.     

基于项目流行度和新颖度分类特征的托攻击检测算法

针对有监督检测方法在检测托攻击时准确率不高的问题,提出一种基于项目流行度和新颖度分类特征的托攻击检测算法。首先,根据真实概貌和攻击概貌在选择评分项目方式上不同,从流行度和新颖度角度,提出有效区分正常用户和攻击用户的特征;然后,基于这些特征提出一种集成检测框架,通过Boosting提升技术产生多个差异较大的基分类器,并且通过融合带有权重的基分类器的预测值得到最终的检测结果。实验结果表明,基于项目流行度和新颖度分类特征的托攻击检测算法能够提高攻击检测的准确率和召回率。     

利用项目属性和偏好改进协同过滤推荐

协同过滤(CF)推荐系统可以通过了解用户过去的行为向用户推荐项目. 针对现有的CF推荐系统没有利用潜在的项目偏好信息,提出了一种利用项目偏好改进CF的推荐方法. 该方法首先采用K-means算法对用户进行聚类,然后利用用户聚类和效用矩阵构建项目偏好矩阵,最后在基于项目的CF方法中,综合项目评分相似度、项目属性及其偏好特征相似度产生推荐. 实验结果表明,该方法获得了较好的推荐精度,在一定程度上缓解了稀疏问题.     

耦合社会信任信息的矩阵分解协同过滤模型

在过去的十年中,协同过滤（CF）推荐系统已经取得了巨大的成功。然而,用户-物品矩阵的稀疏性和冷启动问题仍然是一个挑战。在线社交网络的出现,为推荐系统提供了大量社交网络信任信息,从而为解决这一问题提供了契机。该文基于矩阵分解协同过滤方法,提出了一种集成用户信任信息的模型。该方法利用用户信任信息对用户隐因子进行修正,采用自编码器来提取用户和物品隐特征向量的初始化特征,并针对社交网络中的信任关系提出了信任群组的检测算法。大规模的真实数据集上进行的广泛的实验表明,该模型与相关算法对比,不但能有效缓解冷启动,而且取得了更好的推荐性能。     

基于信息熵的协同过滤算法

针对用户评分数据的稀疏性制约着系统的推荐质量的问题,提出了一种基于信息熵的协同过滤算法。首先定义了用户信息熵以反映用户评分分布和倾向程度;然后,利用大间隔的方法计算目标用户与其他用户的间隔距离,结合目标用户的信息熵,得到目标用户的近邻选择范围;最后,同时考虑用户的信息熵和用户间的相似性大小得到目标用户的近邻集合,以降低数据稀疏性对推荐结果的影响。试验结果表明:基于信息熵的协同过滤算法能够有效地提高推荐质量。     

一种融合社交网络的叠加联合聚类推荐模型

为解决用户冷启动问题并提高推荐算法的评分预测精度,提出一种融合社交网络的叠加联合聚类推荐模型(SN-ACCRec),将用户社交关系融合到对评分矩阵的用户聚类中。根据社交关系理论分析用户社交关系,采用模糊C均值聚类的思想划分用户块,并利用k均值算法对评分矩阵的产品聚类,得到一次联合聚类结果。通过迭代方式获取用户和产品多层联合聚类结果,不断叠加多层聚类结果来近似评分矩阵,预期先后得到用户和产品的泛化和细化类别,实现对评分矩阵中缺失值的预测。采用十重交叉验证法对模型评估,试验结果表明,该模型有效降低了推荐中的平均绝对误差(mean absolute error, MAE)和均方根误差(root mean square error, RMSE),同时在冷启动用户上也表现出了较好地推荐性能。     

一种基于上下文信息的个性化推荐模型

个性化推荐为解决互联网信息过载问题提供了新的思路。为有效地构建用户模型和改进个性化推荐的效果,提出了一种挖掘非结构化文本中上下文信息的新模型,将得到的上下文信息嵌入用户模型信息中,丰富了用户模型。实验结果表明,该模型应用于客户对旅馆评论的上下文数据中,能够大大改善推荐的性能。     

推荐系统中分布式混合协同过滤方法

传统协同过滤方法面临数据稀疏问题,稀疏的用户-项目关联数据将产生不准确的相似用户或项目,为了改善推荐质量,提出一种基于Map Reduce的混合协同过滤方法.该方法利用用户特征和用户-项目评分数据构造项目偏好向量,然后使用模糊K-Means算法对项目进行聚类,并从每个项目簇中选择相似项目,最后组合所有项目簇的预测结果作出推荐.实验结果显示,该方法能缓解数据稀疏问题,改善推荐精度.     

MFWT:一种推荐学术论文的混合模型

为了改善概率矩阵分解模型进行学术论文推荐时存在的数据稀疏性和冷启动问题,提出了一种混合推荐模型--主题矩阵分解模型. 通过提出的作者-会议-时间-主题模型和传统的潜在狄利克雷分布主题模型分别构建用户和论文的主题特征,并通过这2类特征分别增强概率矩阵分解模型的用户潜在因子特征向量和项目潜在因子特征向量. 实验结果表明,该模型较好地解决了概率矩阵分解模型的数据稀疏性问题和冷启动问题,有效提升了学术论文的推荐效果.     

基于不确定性推理的木马检测技术

针对木马检测技术的研究现状和难题,提出了基于模糊不确定性推理的木马检测技术。通过对木马行为特征的抽象描述,获取模糊攻击知识,建立一个模糊攻击知识库,并通过模糊推理来响应系统攻击,从而分析判断被检测的程序是否是木马程序,并作出相应处理。实验表明,与传统的木马检测技术相比,该检测技术准确率高,检测范围广,占用系统资源少。