基于多重隐语义表示模型的旅游路线挖掘

针对用户个性化旅游行为过程的挖掘与景点推荐问题,提出多重隐语义旅游路线表示模型(MLSTR-RM).MLSTR-RM考虑不同上下文对用户旅游路线的影响,高效挖掘旅游路线中丰富的隐语义.首先确定模型中不同上下文包含的隐语义信息,然后通过负采样的方式训练模型参数,最后基于MLSTR-RM模型设计个性化景点推荐方法.在真实数据集上的实验表明文中模型的有效性.     

隐式反馈场景中融合社交信息的上下文感知推荐

作为解决信息过载问题的有效方式,推荐系统能够根据用户偏好对海量信息进行过滤,为用户提供个性化的推荐。对如何利用隐式反馈数据进行个性化推荐进行了研究,提出了一种融合上下文信息和用户社交信息的隐式反馈推荐模型(Implicit Feedback Recommendation Model Fusing Context-aware and Social Network Process,IFCSP)。首先从数据集中提取与用户兴趣相关的上下文信息的属性集合,并以此作为分裂属性,使用决策树分类算法对“用户-产品-上下文”集合进行分类,从而将历史选择集合分组。对于要推荐的用户,根据其选择产品时的上下文信息,匹配最相似的分组,再使用基于隐式反馈的推荐模型(Implicit Feedback Recommendation Model,IFRM)预测用户对未选择产品的偏好,并结合用户的社交信息,进而对用户进行产品推荐。实验表明,该模型在平均正确率均值(MAP)和平均百分百排序(MPR)评价指标上均优于其他4种算法,可以显著提高系统的预测和推荐质量。     

融合用户会话数据的上下文感知推荐算法

针对现有会话推荐算法未充分考虑用户的上下文信息的现状,为增强基于会话的推荐算法的个性化推荐效果,提出一种融合用户会话数据的上下文感知推荐算法。将上下文信息通过embedding映射成低维实数向量特征,通过Add、Stack、MLP三种组合方式将低维向量特征融入到基于会话的循环神经网络推荐模型,设计了基于BPR的损失函数动态刻画会话点击序列的用户偏好,以提升个性化推荐能力。在Adressa数据集上的实验表明,所提算法相比基线算法GRU4REC,在指标Recall@20上提高了3.2%,MRR@20上提高了27%。     

移动设备的个性化推荐在上下文感知应用

个性化推荐对上下文感知系统具有广泛而重要应用,现在大多数个性化推荐系统很少考虑用户的认知风格.文中比较了场独立用户和场依赖用户在上下文感知环境中所存在的差异,提出一种基于用户认知风格的个性化推荐系统(CSBRS).通过CSBRS的实现例子,表明基于用户认知风格的个性化推荐有助于提高个性化推荐的质量.     

基于情景上下文与信任关系的旅游景点推荐算法*

针对现有旅游景点推荐个性化的不足问题,本文提出了一种基于信任关系与于情景上下文的旅游景点推荐算法。首先在传统的协同过滤算法上以用户信任度代替相似度来解决数据稀疏性;其次引入用户情景上下文信息,更全面的反映出用户的个性化需求;最后基于用户的信任度和上下文信息优化,建立一个推荐结果准确度更高的旅游景点推荐模型。模拟实验结果表明,综合考虑信任度和情景上下文信息的推荐策略表现最优。     

基于深度神经网络的个性化推荐系统研究

深度神经网络由于结构类似于生物神经网络,因此拥有高效、精准抽取信息深层隐含特征的能力和能够学习多层的抽象特征表示,且能够对跨域、多源、异质的内容信息进行学习等优势。提出了一种基于多用户-项目结合深度神经网络抽取特征、自学习等优势实现信息个性化推荐的模型,该模型通过对输入多源异构数据特征进行深度神经网络学习、抽取,再融合协同过滤中的广泛个性化产生候选集,然后通过二次模型学习产生排序集,实现精准、实时、个性化推荐。通过真实数据集对模型评估实验,实验结果表明,该模型能够很好地学习、抽取用户隐特征,并且能够一定程度上解决传统推荐系统稀疏性、新物品等问题,同时实现了更加精准、实时、个性化的推荐。     

上下文场景识别模型的稀疏贝叶斯判别学习方法

在机器人场景识别问题中,将连续场景的相关性通过基于隐马尔可夫模型的上下文模型进行描述.采用不同于传统的使用生成模型方法学习上下文场景识别模型的方式,首先引入稀疏贝叶斯学习机对上下文模型中图像特征的后验概率进行建模,然后通过贝叶斯原理将稀疏贝叶斯模型与隐马尔可夫模型结合,提出一种能够实现上下文场景识别模型的判别学习方法.在真实场景数据库上的实验结果表明,由该方法得到的上下文场景识别系统具有很好的场景识别能力和泛化特性.     

基于上下文的二阶隐马尔可夫模型

为体现上下文信息对当前词汇词性的影响,在传统隐马尔可夫模型的基础上提出一种基于上下文的二阶隐马尔可夫模型,并应用于中文词性标注中。针对改进后的统计模型中由于训练数据过少而出现的数据稀疏问题,给出基于指数线性插值改进平滑算法,对参数进行有效平滑。实验表明,基于上下文的二阶隐马尔可夫模型比传统的隐马尔可夫模型具有更高的词性标注正确率和消歧率。     

一种上下文感知的旅游信息服务推荐方法

在旅游时游客很难预先知道自己的旅游需求,并且旅游偏好在旅游过程中也会发生变化。为了给游客提供即时高效的个性化信息服务,本文将上下文信息引入推荐系统,结合案例推理和神经网络,根据游客的喜好为用户提供个性化信息服务推荐。实验表明,该方法可较好克服推荐系统新用户冷启动的问题,提高旅游信息服务的准确率和提升游客服务的满意度。     

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.     

基于热扩散影响力传播的社交网络个性化推荐算法

有针对性地为用户提供推荐,提高互联网信息利用率是个性化推荐系统的主要目标.文中基于热扩散传播概率模型,结合用户在社交网络中隐含的跟随关系,提出基于热扩散影响力传播的社交网络个性化推荐算法.首先,算法将现实生活中人与人的朋友关系转化为购物网络中用户与用户的跟随关系,构建异构信息网络图,计算用户之间的复合相似度.然后,利用基于热扩散概率模型模拟社会网络中影响力的传播过程,计算社交网络中用户的跟随概率分数并精确排序,筛选与目标用户相似的邻近用户.最后,根据目标邻近用户对各个产品的评分,将评分较高、具有潜在兴趣的产品推荐给目标用户,实现个性化的用户推荐.在公开数据集上与现有的个性化推荐算法进行对比,实验表明,文中算法具有较好的精确度和多样化的推荐效果.     

融合神经网络和泊松分解的兴趣点推荐算法

针对兴趣点推荐系统存在的隐式反馈建模用户-POI交互准确率不高和忽视用户签到数据的隐性反馈属性的问题。提出了一种新颖的兴趣点推荐算法。具体而言,采用一种基于神经网络的排序算法来捕获用户-兴趣点的交互关系,结合泊松分解算法和贝叶斯个性化排序技术建模用户的签到行为,将上述2个步骤得到的算法整合到统一的推荐算法架构中,从而提供兴趣点推荐服务。实验结果表明,提出的算法推荐性能优于传统主流先进兴趣点推荐算法。     

基于特征嵌入的去流行度偏差混合推荐算法

针对数据不均衡条件下贝叶斯个性化排序算法生成的推荐列表中存在强流行度偏差的问题,提出基于特征嵌入的去流行度偏差混合推荐算法。首先,利用卷积神经网络提取用户、物品特征确定用户偏好,并依据用户偏好对原始不均衡数据进行评分填充;其次,将卷积神经网络提取的用户偏好特征嵌入到贝叶斯个性化排序算法中进行混合推荐;最后,用评分填充数据训练混合推荐模型,得到去流行度偏差的个性化排序列表。为了验证算法的性能,在公开数据集MovieLens-100K和MovieLens-1M上进行分析与对比实验,实验结果显示流行度偏差降低了约50%~60%,精确度提高了约一倍。     

贝叶斯网模型在推荐系统中的应用研究

针对网上智能中推荐系统的个性化问题,提出了一种新的基于贝叶斯网模型的商品推荐方法,它包括贝叶斯网客户购物模型的建立和基于概率推理的推荐集的产生两个过程。实数据上的实验表明该方法是一种有效的能为不同客户产生准确而个性化的商品推荐方法。     

基于潜在标签挖掘和细粒度偏好的个性化标签推荐

为进一步提高个性化标签推荐性能,针对标签数据的稀疏性以及传统方法忽略隐藏在用户和项目上下文中潜在标签的缺陷,提出一种基于潜在标签挖掘和细粒度偏好的个性化标签推荐方法。首先,提出利用用户和项目的上下文信息从大量未观测标签中挖掘用户可能感兴趣的少量潜在标签,将标签重新划分为正类标签、潜在标签和负类标签三类,进而构建〈用户,项目〉对标签的细粒度偏好关系,在缓解标签稀疏性的同时,提高对标签偏好关系的表达能力;然后,基于贝叶斯个性化排序优化框架对细粒度偏好关系进行建模,并结合成对交互张量分解对偏好值进行预测,构建细粒度的个性化标签推荐模型并提出优化算法。对比实验表明,提出的方法在保证较快收敛速度的前提下,有效地提高了个性化标签的推荐准确性。     

图神经网络会话推荐系统综述

会话推荐立足于目标用户的当前会话,根据项目类别、跨会话的上下文信息、多种用户行为等辅助信息学习项目间的依赖关系,从而捕捉用户的长短期偏好进行个性化推荐。近年来,流行的深度学习系列方法已经成为会话型推荐系统这个研究热点的前沿方法,尤其是图神经网络的引入,使会话推荐系统的性能得到了进一步提升。鉴于此,该综述从问题定义与会话推荐因素出发,从构图方面进行分析;将相关工作分为基于图卷积网络、门控图神经网络、图注意力网络和其他图神经网络架构的会话推荐系统,并进行归纳与对比;对各工作实验部分中的损失函数类别、所选用的数据集和模型性能评估指标三方面进行深入分析。重点从算法原理和性能分析两方面对各模型框架进行评估和梳理,旨在对近五年基于图神经网络的会话推荐系统相关工作进行评述、总结与展望。     

Efficient optimization of multiple recommendation quality factors according to individual user tendencies

Recommender systems are among the most visible applications of intelligent systems technology in practice and are used to help users find items of interest, for example on e-commerce sites, in a personalized way. While past research has focused mainly on accurately predicting the relevance of items that are unknown to the user, other quality criteria for recommendations have been investigated in recent years, including diversity, novelty, or serendipity. Considering these additional factors, however, often leads to the following two challenges. First, in many application domains, trade-offs like “diversity vs. accuracy” have to be balanced. Second, it is not always clear how much diversity or novelty is desirable in practice.In this work, we propose a novel parameterizable optimization scheme that re-ranks accuracy-optimized recommendation lists in order to cope with these challenges. Our method is both capable of considering multiple optimization goals at the same time and designed to consider individual user tendencies regarding the different quality factors, like diversity. In contrast to previous work, the method is not restricted to a specific underlying item ranking algorithm and its generic design allows the algorithm to be parameterized according to the requirements of the application domain. Experimental evaluations with different datasets show that balancing the quality factors with our method can be done with a marginal or no loss in ranking accuracy. Given that our method can be applied in various domains and within the narrow time constraints of online recommendation, our work opens new opportunities to design novel finer-grained personalization approaches in practical applications.     

基于用户偏好与语言模型的个性化引文推荐

根据引文上下文,自动为科研人员推荐备引用的论文列表具有很大的实用价值和研究意义。在科研人员写作时,一个为引用符自动推荐引文的系统,会为科研人员节省大量的时间。对于引文推荐问题,过去的工作均主要把注意力集中到基于内容的研究上。该文认为引文推荐,不能只根据内容进行通用推荐,还需要根据不同研究者的偏好进行个性化推荐。该文利用用户的发表及引用历史,结合语言模型,构建出一个个性化引文推荐模型——PCR模型。在结合用户引用倾向性与内容相关性后,与传统的基于内容的语言模型相比,PCR模型在recall@10上获得了71.01%的性能提升,在MAP上获得了70.23%的性能提升。     

On improving aggregate recommendation diversity and novelty in folksonomy-based social systems

Benefit from technical advances in the Internet of Things, many social media applications relative to folksonomy have become ubiquitous. The size and complexity of folksonomy-based systems can unfortunately lead to information overload and reduced utility for users. Consequentially, the increasing need for recommender services from users has arisen. Many efforts have been made to address recommendation accuracy as well as other issues with respect to personalized recommendation in such systems. A key challenge facing these systems is that the most useful individual recommendations are to be found among diverse niche resources while increasing diversity most often compromises accuracy. In this paper, we introduce a simple yet elegant method—Diversity-aware Personalized PageRank (DaPPR)—to address this challenge from the aggregate perspective. DaPPR exploits a balance factor to adjust the influence of a personalized ranking vector and a unified non-personalized ranking vector based on PageRank. By this, it can reduce the impact of resource popularity on recommendations and then generate more diverse and novel recommendations to users. A hybrid DaPPR model that combines two ranking processes on the user–resource and the resource–tag bipartite graphs is specifically designed to meet the requirements in folksonomy-based systems. According to solid experiments, our proposed method yields better results balancing both aggregate accuracy and aggregate diversity (novelty). Improvements of all performance metrics are also obtained compared with the existing algorithms.