基于用户偏好和项目偏差的创新型科研项目推荐技术研究

采用协同过滤算法进行创新型项目推荐时,用户个性化需求设定的缺失和项目间类似元素互相干扰所造成的项目偏差限制了算法的准确度.为此,提出了一种基于用户偏好和项目偏差的创新型项目推荐算法,分别基于K-means聚类和LDA主题建模和创建用户簇与项目簇,计算项目偏差分与用户偏好分,通过线性加权处理得到最终的预测评分.实验结果表...     

融合项目偏差与用户偏好的推荐算法

针对协同过滤推荐中由于项目和用户间关联因素的相互影响而存在项目偏差和用户偏好的问题,提出一种融合项目偏差与用户偏好的推荐算法。先进行聚类处理,包括LDA主题建模生成项目簇和K-means聚类生成用户簇;再依次根据项目簇和用户簇的约束生成项目偏差分,同时以用户项目评分及项目类型为基础,经过概率转移得到用户偏好分;最后以项目簇内已有评分的均值为基础,对项目偏差分和用户偏好分进行线性加权生成预测评分。对比实验表明,新算法能够根据不同的近邻得到合理的推荐,提高推荐的准确度。     

融合时间偏差信息的邻域型因子分解推荐算法

针对传统推荐算法在进行评分预测时推荐精度低这一问题,提出了融合时间偏差信息的邻域型因子分解推荐算法（简称NFDRA）。它以因子分解算法为主,随机梯度下降寻优为辅,并融合了用户评分的邻域信息以及三种时间偏差信息。实验表明,融合时间偏差的邻域型因子分解推荐算法,相比传统的因子分解推荐可以产生更高精度的推荐结果并具有显著性差异。     

融合多模态自监督图学习的视频推荐模型

现有视频推荐方法在算法框架中引入图神经网络来建模用户—视频协同关系,学习用户和视频的表示向量,但是节点中包含的冗余噪声会限制模型的建模能力。针对以上问题,提出了一种融合多模态自监督图学习的视频推荐模型(IMSGL-VRM)。首先,在图数据增强模式下构建自监督的图神经网络模型学习多模态视图下的节点特征表示,以提升节点表示的泛化能力;其次,为了得到推荐结果的多样性,设计了多兴趣提取模块从用户历史的交互视频序列中建模用户的多兴趣;最后,融合多模态的用户多兴趣表示和视频的特征表示,使用多样性可控的方式输出推荐结果,以满足视频推荐的多样性需求。在MovieLens-1M和TikTok数据集上实验,采用准确性、召回率、NDCG和多样性等指标评估模型。实验结果表明,该模型相比经典基准模型均有显著的性能提升。     

基于多模态知识图的用户微行为会话推荐

基于会话推荐的目标是根据给定的会话预测下一个交互项.针对现有基于会话推荐大多只关注某个用户交互项的连续项来捕获相关信息;以及利用知识图谱提供辅助信息的过程中忽略了多模态知识图中各种数据类型的问题.本文提出多模态知识图的用户微行为的会话模型,将用户微行为和多模态知识纳入基于会话推荐的多任务学习中,用户微行为对项目的建模在微观行为级别上,使用一系列项目操作对来充分捕获会话中的用户意图.提出多模态知识图注意力网络,通过使用多模态图注意机制进行信息传播,将得到的聚集嵌入表示进行推荐.考虑候选项目信息来平衡局部和全局表示的门控模块,门控模块利用多层感知器层对候选项目、最近交互项目和每个用户的全局偏好之间的关系进行建模来计算权重.在两个基准数据集的实验结果表明,本文所提模型优于最新基于会话的推荐,有利于提升推荐的准确率.     

融合信任因子的多样化电影推荐算法

传统的协同过滤算法过于依赖用户之间的评分,容易出现冷启动和数据稀疏性问题,同时推荐结果单一,针对以上问题,本文提出了一种融合信任因子的多样化电影推荐算法.首先对用户相似度计算方法进行改进,引入用户间信任度关系和属性特征信息.接着使用聚类方法把具有相同兴趣的用户划分在同一社群.最后在评分时综合考虑用户活跃度对电影的推荐度,引入惩罚因子,从而为目标用户提供个性化、多样化的电影推荐.实验结果表明,本文提出的算法在推荐精度和多样性指标上均有所提高,有较好的推荐效果.     

基于高阶偏差的因子分解机推荐算法

在推荐系统中,因评分尺度差异而造成的偏差问题一直影响着协同过滤算法的预测准确性。其中针对矩阵因子分解算法中的偏差问题,本文提出一种基于高阶偏差的因子分解机算法。该算法首先按照评分偏差的现实特征对用户和项目进行划分,再将偏差类别作为辅助特征集成到因子分解机中,实现了评分预测中不同偏差用户、项目的高阶交互。在Movielens数据集上的实验结果表明,相比传统矩阵因子分解算法,本文提出的算法具有更低的预测误差,体现了其更好的推荐性能。     

基于局部模型融合的交互式电影推荐系统

[目的]设计并实现一个交互式可视推荐系统,帮助用户理解推荐结果的产生原因,提高使用体验以及对推荐系统的信任.[方法]从用户历史观影标签集合中提取用户偏好特征,通过LDA模型基于此特征对用户进行聚类,并利用SLIM模型对不同用户子群分别训练局部模型,最后利用训练过程的上下文语义信息设计和实现最终的交互式电影推荐系统.[结...     

基于内容的推荐与协同过滤融合的新闻推荐方法

针对基于内容的新闻推荐方法中用户兴趣多样性的缺乏问题和混合推荐方法存在的冷启动问题,提出一种基于内容与协同过滤融合的方法进行新闻推荐。首先利用基于内容的方法发现用户既有兴趣;再用内容与行为的混合相似度模式,寻找目标用户的相似用户群,预测用户对特征词的兴趣度,发现用户潜在兴趣;然后将用户既有兴趣与潜在兴趣融合,得到兼具个性化和多样性的用户兴趣模型;最后将候选新闻与融合模型进行相似度计算,形成推荐列表。实验结果显示,与基于内容的推荐方法相比,所提方法的F-measure和整体多样性Diversity均有明显提高;与混合推荐方法相比,性能相当,但候选新闻无需耗时积累足够的用户点击量,不存在冷启动问题。     

社会媒体多模态、多层次资源推荐技术研究

社会媒体中多模态和多层次的信息资源和基于各种关系构建的用户社群为推荐系统提供了更广阔的分析和选择空间,同时也带来了更多的问题与挑战。分析了当前社会媒体中用户与资源的关系以及社会媒体资源推荐的特点,分别从社会媒体资源推荐策略和相关支撑技术两方面综述了相关工作,将其概括为"社会媒体中用户角色的变化构成了更加复杂的用户关系"、"社会媒体资源表示形式呈现多模态特点"以及"社会媒体资源推荐应该满足多层次的用户需求",并从多模态、多层次资源推荐方面提出进一步的研究方向。     

改进的哈希学习高效推荐算法

哈希技术能有效地解决推荐系统面临的存储和检索效率的问题。然而,现存的哈希推荐方法存在一个问题,推荐关注于建模用户对项目的偏好,而哈希学习关心的是相似性。为此,提出了一种改进的哈希推荐方法。计算每个用户、项目相对评分系统的均值作为偏置。对用户评分矩阵进行去偏置处理,将评分映射到相似性区间。以保持相似性为目标,提出了两种方式来分解相似性矩阵得到用户和项目的二进制码。在三个真实数据集上的实验结果表明,与其他方法对比,提出的方法在检索精度上有一定的优势。     

融合偏好度与网络结构的推荐算法

针对传统推荐系统追求推荐列表的准确率而忽略推荐的多样性以及数据集信息缺失等问题，提出了融合偏好度与网络结构的推荐算法。通过用户历史反馈数据分析用户偏好度，将偏好度与二部图随机游走推荐算法融合，初步得出项目推荐列表；利用用户-标签二部图，挖掘用户不跟随大众的喜好标签，得到推荐项目列表；根据模型融合得到最终的推荐结果。实验表明，新算法在保持较好精确率和召回率的情况下，有效提高了推荐的多样性。     

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.     

基于改进的倾向得分估计的无偏推荐模型

现实中推荐系统通常遭受着各种各样的偏置问题,例如曝光偏置、位置偏置和选择偏置。一个忽略偏置问题的推荐模型不能反映推荐系统的真实性能,且对于用户而言可能是不可信任的。先前的工作已经表明基于倾向得分估计的推荐模型能够有效缓解隐式反馈数据的曝光偏置,但是通常只考虑通过物品信息来估计倾向得分,这可能导致倾向得分估计不准确。为了提高倾向得分估计的准确性,提出配对倾向得分估计（MPE）方法。具体来说,该方法引入了用户流行度偏好的概念,通过计算用户流行度偏好和物品流行度的配对程度来对样本曝光率进行更加精确的建模,最后将提出的估计方法和一个主流的传统推荐模型以及一个无偏推荐模型进行集成并和包括前两者的三个基线模型进行对比。在公开数据集上的实验结果表明,结合MPE方法后的模型分别相比对应的基线模型在召回率、折损累计增益（DCG）和平均准确率（MAP）这三个评估指标上均有显著的提升;此外,通过实验结果还观察到性能的增益有很大一部分来自长尾物品,可见所提方法有助于提升推荐物品的多样性与覆盖率。     

一种电容式微加速度计偏置电压和标度因数自动标定方法

电容式微加速度计的电学参数校准和标定产品制造过程中,通过对标度因数的定标过程能确保传感器输出的线性度.采用MS3110微小电容读取电路,根据其输出函数的要求,只要确定Cs1,Cs2,Cf3个电容值,通过(1,0,-1 gn)三点即能确定标度因数(SF)和偏置电压,这样就实现了电容式微加速度计的标度因数自动标定.实验结果表明:通过多次自动定标,传感器标度因数的相对误差为0.79％.     

Examining the use of status quo bias perspective in IS research: need for re‐conceptualizing and incorporating biases

Kim & Kankanhalli introduced status quo bias perspective (SQBP) to help understand information systems (hereinafter IS) users' resistance behaviour. Since then, scholars have widely referred to the theoretical perspective to understand user resistance to and adoption of new IS and information and communication technologies (hereinafter ICT). However, our analysis found that while adopting SQBP, researchers focused primarily on rational cost‐and‐benefit analysis, rather than on the fundamental tenet of SQBP that highlights ‘bias’ in users' decision‐making on account of their cognitive limitations that lead to bounded rationality. In addition, some of the key constructs used in SQBP were not properly interpreted or were oversimplified in their operationalization. This research note aims to provide guidance for utilizing and analysing SQBP and its constructs for future IS user resistance/adoption research. Because SQBP provides unique insights into ‘bias’ in human decision‐making in its presentation of bounded rationality, accurate interpretation of its concepts and their investigation can help better understand the different sources of user resistance derived from the status quo bias during new IS and ICT implementation. © 2016 John Wiley & Sons Ltd     

一种基于六姿态模型的加速度计校准方法研究

MEMS加速度计和陀螺仪是惯性导航系统的重要测量组件.为提高惯性导航系统的测量精度,在使用加速度计前需要对其各项参数进行标定.在构建了一种理想的三轴MEMS加速度传感器输出与重力加速度值、零偏、标度因子之间的模型基础上,根据加速度计在静止状态下重力加速度在各轴分量的模值与重力加速度的关系,提出了一种零偏和标度因子的六姿态校准方法,并建立了标定方程.以MPU6050加速度陀螺仪为例,通过实验验证了该方法的正确性.结果表明:通过该校准方法可以有效地提高加速度传感器的零偏和标度因子技术指标精度.     

基于用户类别偏好相似度和联合矩阵分解的推荐算法

利用上下文信息来提高推荐准确率并增强用户体验是当前推荐领域研究热点之一,然而现有的上下文感知推荐算法依然面临数据稀疏性问题的挑战。为了进一步缓解数据稀疏性问题,本文提出一种基于用户类别偏好相似度及联合矩阵分解的推荐算法(Joint matrix factorization with user category preference, JMF-UCP),它结合用户评分数据及用户类别偏好进行物品推荐,以解决用户评分数据稀疏时评分预测准确率低的问题。算法的时间复杂度随着数据量的增加呈线性增长,因此适用于大规模数据。通过在真实数据集Movielens上的实验结果表明,本文提出的方法在RMSE评价指标上优于现有代表性的算法,验证了本文所提出的推荐算法的有效性。     

基于项目分类和用户群体兴趣的协同过滤算法

由于用户评分数据在极端稀疏的情况下会导致传统协同过滤算法的推荐质量下降,针对该问题,提出一种基于项目分类和用户群体兴趣的协同过滤算法。该算法根据项目类别信息对项目进行分类,相同分类的项目具有较高的相似性;利用评分数据计算各个项目分类上的用户相似性矩阵,并计算用户群体在各个分类上的兴趣,通过二者构造加权的用户相似性矩阵;利用用户加权相似性矩阵寻找用户的最近邻以获得最佳的推荐效果。实验结果表明,该算法能有效提高推荐质量。     

联合注意力和自编码器的协同过滤推荐

面对数量庞大的用户和物品数量,推荐系统通常面临着数据稀疏的问题,为缓解此问题,提出了一个融合注意力机制和自编码器的协同过滤模型.该模型将评分信息送入一个基于自编码器的协同过滤子模型中以挖掘用户整体偏好,同时将评分信息送入一个融合了注意力机制的基于物品的协同过滤子模型中以挖掘物品与物品之间的局部依赖信息,随后将两个子模型...