基于用户行为的盲人图书推荐方法

为帮助盲人更有效便捷地通过网络获取所需书籍资源,提出一种基于用户行为的图书推荐方法。该方法在考虑用户兴趣随时间变化的基础上,通过分析用户日志,建模表达访问书籍、访问书籍类别、使用书签3类用户行为,实现盲人用户的图书推荐,同时缓解盲人数字图书馆中的用户数据稀疏问题。实验结果证明,该方法推荐效果良好。     

基于MLP改进型深度神经网络学习资源推荐算法

针对在线学习过程中出现的知识过载及传统推荐算法中存在的数据稀疏和冷启动问题,提出了一种基于多层感知机（MLP）的改进型深度神经网络学习资源推荐算法。该算法利用多层感知机对非线性数据处理的优势,将学习者特征和学习资源特征进行向量相乘的预测方式转换为输入多层感知机的方式,改进了DN-CBR神经网络推荐模型。为验证模型的有效性,以爱课程在线学习平台数据为样本构建数据集,通过对比实验表明,在该数据集上,改进后模型相较于DN-CBR模型在归一化折损累积增益和命中率指标上分别提升了1.2%和3%,有效地提高了模型的推荐性能。     

用户行为序列个性化推荐研究综述

作为缓解信息过载的一种重要方式,推荐系统可以帮助用户从海量信息中快速找到有价值的信息,其应用也越来越广泛.用户行为序列个性化推荐,又简称为序列推荐,主要根据用户与物品交互行为对用户特征进行建模,进而使用不同方法捕捉用户的长期偏好和短期偏好,向用户推荐其可能感兴趣的物品.本文从用户偏好会随时间变化的视角出发,分为用户长期...     

基于用户行为及语义相关实时更新用户兴趣的推荐系统

在现有的推荐系统中,其用户兴趣模型都能够有效地表达出用户的兴趣,但在用户兴趣发生变化时却不能很好地调整用户兴趣模型,不能及时适应用户兴趣的动态变化。本文提出一种基于语义相关实时更新用户兴趣模型的推荐系统。该系统能够及时响应用户兴趣变化,从而改善了以往推荐系统对用户兴趣更新不及时所导致的推荐结果不够全面、准确的问题。实验表明该系统能够准确表达用户兴趣,特别是在用户兴趣发生变化时比以往系统具有更高的准确性。     

基于时空数据的用户社交联系强度研究

word2vec是Google推出的一款将词表征为实数值的高效开源工具。采用该工具将时空数据中的每位用户表征为一个实数值向量并预测用户间社交联系的强度。提出了在word2vec学习过程中动态调整学习率的算法——Location-weight算法,根据不同位置的不同用户数目在学习过程中加入位置权重,并探索其对用户社交联系强度预测的影响。实验结果表明,加入位置权重的学习算法提高了用户社交联系强度预测的准确性。     

基于用户阅读时间-频次行为的书籍推荐方法

随着电子阅读在近年来的兴起,通过研究用户对电子书籍的喜好,利用协同过滤推荐算法向用户进行个性化的书籍推荐具有实际应用价值,也成为了推荐系统研究中的重要内容。但当前很多书籍推荐应用中都存在缺少用户评分数据甚至没有用户评分的情况,使得传统协同过滤推荐方法的应用受阻。为解决此问题,通过分析处理用户阅读数据的相关行为数据,将此类行为数据通过时间-频次模型建模并得到用户-书籍评分矩阵,并利用该评分进一步实现基于用户的协同过滤书籍推荐算法。实验结果表明,改进的书籍协同过滤推荐算法的时间-频次模型能够提高书籍的推荐效果具有实践研究意义。     

基于用户兴趣行为模型的个性化广告推荐研究

随着移动互联网和网络终端的快速发展,产品的营销方式发生了重大变化,在互联网上投放广告已成为商家的重要宣传和销售渠道。然而,在线广告能否进行准确推荐是困扰产品厂家和广告代理商的一个主要问题。文章通过分析在线广告的非结构化特征和搜索用户行为数据,提出一种基于用户兴趣行为模型的个性化广告推荐方法,该方法可以通过主题模型提取用户的兴趣偏好,并基于最近邻算法和用户行为生成广告推荐列表。实验结果表明,基于最近邻算法和用户行为的个性化广告推荐方法可以推荐个性化广告,并且比基于内容的推荐方法具有更好的性能。     

基于动态用户画像的信息推荐研究

针对传统信息推荐方式精度偏低的问题,引入用户画像作为推荐基础,在深入研究文本分类和用户行为后,提出一种基于动态用户画像的推荐方法.该方法通过动态分析用户历史数据,预测用户的兴趣变化趋势,从而实现动态推荐.离线实验证明,该方法在预测用户偏好变化方面具有一定优势,相较于传统的基于标签的信息推荐,提高了推荐精度.     

基于用户社区的商品推荐方法

提出一种以用户社区服务系统为基础,面向社区新用户的商品推荐方法.根据现有用户的历史行为对用户进行社区划分,得到社区划分的结果模型,对于一个新来的用户运用这个模型将其归入相应的社区中,再根据这个社区的特征有目的地为新用户进行商品推荐.文中对该方法所涉及的基于信息熵的社区发现算法以及基于网络社区的协同推荐算法等关键问题的实现思路进行了详细阐述.     

基于内容和兴趣漂移模型的电影推荐算法研究

基于内容的推荐在用户数据较少的情况下是一种有效的解决冷启动的方法。针对基于内容的推荐算法中,内容相似度计算精度低、用户兴趣漂移等问题,提出一种结合影评内容相似度和长短期兴趣模型来计算电影相似度的推荐方法。算法利用text-rank、word2vec等技术和模型对影评进行关键词抽取和词向量构建,同时基于word2vec训练结果进行电影内容相似度计算,一定程度上解决了近义词、网络词等带来的准确率下降问题;然后基于长短期兴趣漂移模型,统计用户对不同内容属性的偏好权重,并随时间窗口动态计算电影相似度矩阵,缓解了用户兴趣随时间漂移而改的问题;最后根据不同推荐策略获得推荐结果。实验结果证明,该算法比对比方法正确率提高了5%左右,同时兴趣模型提取了用户长短期兴趣标签,在工业界及基于标签的算法等场景中都具有很高的实用价值。     

基于用户行为挖掘的融合社交网络推荐模型

采用大数据处理技术和并行计算方法进行融合社交网络的用户行为特征的挖掘,实现社交网络智能推荐,提出一种基于用户行为挖掘的融合社交网络推荐模型。采用关联规则分布模型进行融合社交网络的用户行为特征检测,提取融合社交网络的用户行为的本体信息和关联规则项,构建社交网络的联合推荐的模糊决策模型,计算融合社交网络用户行为的联合信息熵特征值,采用模糊C均值聚类方法对提取的特征量进行分类识别,根据分类识别结果实现用户行为挖掘和融合社交网络的自适应推荐。仿真结果表明,采用该方法进行融合社交网络的用户行为特征挖掘的查准率较高,推荐的置信度水平较高。     

一种自适应用户兴趣的推荐算法研究

为更好地满足了推荐系统中用户个性化推荐的需求,提高推荐系统的性能。研究了用户兴趣模型,提出了一种用户兴趣模型自动更新的方法,在数据采集过程中,通过对隐性数据的采集,动态地更新用户模型;模型使用向量空间模型的表示方法。实验结果表明,新的模型提高了计算用户最近邻居的准确性,算法在不同推荐范围都用良好的表现,并具有很好的耐久性。     

Deep Learning Enabled Social Media Recommendation Based on User Comments

Nowadays, review systems have been developed with social media Recommendation systems (RS). Although research on RS social media is increasing year by year, the comprehensive literature review and classification of this RS research is limited and needs to be improved. The previous method did not find any user reviews within a time, so it gets poor accuracy and doesn’t filter the irrelevant comments efficiently. The Recursive Neural Network-based Trust Recommender System (RNN-TRS) is proposed to overcome this method’s problem. So it is efficient to analyse the trust comment and remove the irrelevant sentence appropriately. The first step is to collect the data based on the transactional reviews of social media. The second step is pre-processing using Imbalanced Collaborative Filtering (ICF) to remove the null values from the dataset. Extract the features from the pre-processing step using the Maximum Support Grade Scale (MSGS) to extract the maximum number of scaling features in the dataset and grade the weights (length, count, etc.). In the Extracting features for Training and testing method before that in the feature weights evaluating the softmax activation function for calculating the average weights of the features. Finally, In the classification method, the Recursive Neural Network-based Trust Recommender System (RNN-TRS) for User reviews based on the Positive and negative scores is analysed by the system. The simulation results improve the predicting accuracy and reduce time complexity better than previous methods.     

基于排序学习的微博用户推荐

该文在分析总结影响微博用户推荐的四大类信息,包括用户的内容信息、个人信息、交互信息和社交拓扑信息的基础上,提出一个基于排序学习的微博用户推荐框架,排序学习的本质是用机器学习中的分类或回归方法解决排序问题,该框架可以综合各类信息特征进行用户推荐。实验结果表明 (1)融合多个特征综合推荐通常可以取得更好的推荐效果;(2)基于用户个人信息、交互信息、社交拓扑信息的推荐效果均好于基于用户内容的推荐效果。     

基于User Profile的微博用户推荐

传统微博用户推荐算法采用的数据来源单一,模型简单,导致推荐准确率不高。针对这一问题,本文提出一种基于标签的User Profile推荐算法,根据微博数据的特点,深入研究“微博文本”、“标签”、“社交关系”和“用户自身基本信息”等因素对微博个性化推荐的影响,通过训练LDA主题模型和SVM分类器将它们转换为标签,并赋予权重来描述用户兴趣,进行用户推荐以提高推荐准确性。实验结果表明,与传统VSM模型方法相比,该算法进行用户推荐效果更佳。     

Hashtag Recommendation Approach Based on Content and User Characteristics

ABSTRACT

Twitter has become a popular microblogging service that allows millions of active users share news, emergent social events, personal opinions, etc. That leads to a large amount of data producing every day and the problem of managing tweets becomes extremely difficult. To categorize the tweets and make easily in searching, the users can use the hashtags embedding in their tweets. However, valid hashtags are not restricted which lead to a very heterogeneous set of hashtags created on Twitter, increasing the difficulty of tweet categorization. In this paper, we propose a hashtag recommendation method based on analyzing the content of tweets, user characteristics, and currently popular hashtags on Twitter. The proposed method uses personal profiles of the users to discover the relevant hashtags. First, a combination of tweet contents and user characteristics is used to find the top-k similar tweets. We exploit the content of historical tweets, used hashtags, and the social interaction to build the user profiles. The user characteristics can help to find the close users and enhance the accuracy of finding the similar tweets to extract the hashtag candidates. Then a set of hashtag candidates is ranked based on their popularity in long and short periods. The experiments on tweet data showed that the proposed method significantly improves the performance of hashtag recommendation systems.