Automatic and personalized recommendation of TV program contents using sequential pattern mining for smart TV user interaction

Due to the excessive number of TV program contents available at user’s side, efficient access to the preferred TV program content becomes a critical issue for smart TV user interaction. In this paper, we propose an automatic recommendation scheme of TV program contents in sequence using sequential pattern mining (SPM). Motivation of sequential TV program recommendation is based on TV viewer’s behaviors for watching multiple TV program contents in a row. A sequence of TV program contents for recommendation to a target user is constructed based on the features such as an occurrence and net occurrence of frequently watched TV program contents from the similar user group to which the target user belongs. Three types of SPM methods are presented—offline, online and hybrid SPM. To extract sequential patterns of preferably watched TV program contents, we propose a preference weighted normalized modified retrieval rank (PW-NMRR) metric for similar user clustering. In the offline SPM method, we effectively construct the sequential patterns for recommendation using a projection method, which yields good performance for relatively longer sequential patterns. The online SPM method mines sequential patterns online by effectively reflecting the recent preference characteristics of users for TV program contents, which is effective for short-sequence recommendation. The hybrid SPM method combines the offline and online SPM methods. The maximum precisions of 0.877, 0.793 and 0.619 for length-1, -2 and -3 sequence recommendations are obtained from the online, hybrid and offline SPM methods, respectively.     

一种融合多因素社交活动个性化推荐模型

针对当前网络社交活动个性化推荐精度较低的问题,融合用户对活动兴趣度、召集者影响力以及地理位置偏好等三方面因素,提出一种融合多因素社交活动个性推荐模型。采用LDA文件主题模型求取用户与其参加过的所有社交活动的主题分布,利用隐含主题概率分布来表征用户的兴趣度,并构建用户与召集者间的影响力矩阵。根据活动举办地与用户常住地,建立距离幂律分布,并结合用户参加活动的频数,建立用户地理位置偏好概率模型。采用不同权值配比,综合三方面的因素形成最终的社交活动个性推荐。对比实验表明,该算法与三个因素个性推荐算法相比,准确率至少提高了36.7%,召回率至少提高了35.9%;与其他两个同类网络社交活动推荐算法相比准确率至少提高了8.77%,召回率至少提高了8.57%。     

基于时段-时长耦合LDA的用户收视行为挖掘

网络协议电视(IPTV)的用户收视兴趣不仅体现在用户观看的节目列表,还体现在节目的观看时间点和时长上。考虑到现有方法对时间点和时长的忽略,提出一种时段-时长耦合的LDA模型。通过刻画用户兴趣主题和收视时段的隐变量生成收视记录中的观看节目、观看时间点和时长,并用Gibbs采样对上述隐变量进行推断。在天津电视台用户行为数据上进行验证,结果表明,该模型可以得到节目相关性更高的兴趣主题,更加精确地挖掘到用户在不同时段的收视兴趣分布。将该模型用于IPTV节目推荐,相较于传统的cLDA,推荐效果有显著提升。     

基于博文及网络结构信息的好友推荐方法

由于人们在书写用户属性信息时随意性和虚假性,使得在进行用户兴趣建模时用户属性无法得到有效利用。针对该问题,提出了一种基于兴趣偏好和网络结构的混合好友推荐方法。采用LDA主题模型对用户微博进行建模,从中挖掘用户兴趣,并依据同质性原理利用好友兴趣偏好对目标用户兴趣偏好进行修正。同时,采用一种新颖的基于网络结构的预测指标度量用户间的亲密程度。实验结果表明,与仅利用网络结构的推荐效果相比,加入用户兴趣后的模型在准确率及AUC指标上有显著提升,同时也可提高部分博文主题不明确用户的兴趣挖掘效果。     

基于LDA的隐式标签协同过滤推荐算法

固定标签协同过滤推荐算法,未充分考虑标签因子的多样化,主要依靠人工标记,扩展性不强,主观因素多。本文从用户的喜好特征因素角度出发,在固定标签协同过滤推荐算法的基础上,提出一种隐式标签协同过滤推荐算法。该算法利用LDA主题模型生成项目文本的隐式标签,得到项目-标签特征权重,根据算法性能优化的要求选择标签数量,将项目-标签矩阵与用户评分矩阵结合得到用户对标签的偏好矩阵,最后通过协同过滤算法产生推荐。实验结果表明,本文提出的基于LDA的隐式标签协同过滤推荐算法缓解了数据稀疏性问题,项目推荐的召回率、准确度和F1值有较大提升。     

基于时序背景LDA与协同过滤的混合推荐模型

现有的个性化推荐通常会忽略时间信息对用户行为的影响,导致预测准确性较低。本文根据用户属性信息和用户评分信息,建立基于时序背景LDA与协同过滤的混合模型(TLDA-CF)。通过离线与在线推荐提高推荐效率;根据用户对项目的评分信息,以及各时间段内项目的被访问量分别建立LDA模型,解决数据稀疏性问题;设置动态权值平衡用户选择趋势提高推荐准确性;对于没有评分信息的新用户,采用用户聚类,引用协同过滤算法预测新用户喜好,解决冷启动问题。将该算法应用在MovieLens数据集上,实验结果表示,该算法在推荐召回率和准确率、F1值上都优于传统的LDA模型。     

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。     

基于遗忘函数的均值贝叶斯个性化排序算法研究

针对贝叶斯个性化排序算法未能充分应用用户的行为信息,导致算法在数据稀疏情况下推荐性能以及鲁棒性均大幅度降低的问题,提出了均值贝叶斯个性化排序(MBPR)算法,来进一步挖掘用户对隐式反馈信息的偏好关系。考虑到用户兴趣随时间变化的特征,又将遗忘函数引入MBPR算法中。该算法首先对用户的历史评分记录进行预处理;然后根据用户的评分信息对项目进行正负反馈的划分,对每名用户进行个性化建模,挖掘用户对未参与项目的喜好程度,生成推荐列表。为验证提出算法的推荐性能,在公开数据集MovieLens及Yahoo上进行分析和对比实验。实验结果表明该算法的推荐性能及鲁棒性较对比算法均有显著提高。     

TV Program Recommendation for Multiple Viewers Based on user Profile Merging

Since today’s television can receive more and more programs, and televisions are often viewed by groups of people, such as a family or a student dormitory, this paper proposes a TV program recommendation strategy for multiple viewers based on user profile merging. This paper first introduces three alternative strategies to achieve program recommendation for multiple television viewers, discusses, and analyzes their advantages and disadvantages respectively, and then chooses the strategy based on user profile merging as our solution. The selected strategy first merges all user profiles to construct a common user profile, and then uses a recommendation approach to generate a common program recommendation list for the group according to the merged user profile. This paper then describes in detail the user profile merging scheme, the key technology of the strategy, which is based on total distance minimization. The evaluation results proved that the merging result can appropriately reflect the preferences of the majority of members within the group, and the proposed recommendation strategy is effective for multiple viewers watching TV together.     

基于情感分析和LDA主题模型的协同过滤推荐算法

协同过滤推荐算法通常基于物品或用户的相似度来实现个性化推荐,但是数据的稀疏性往往导致推荐精度不理想。大多数传统推荐算法仅考虑用户对物品的总体评分,而忽略了评论文本中用户对物品各个属性面的偏好。该文提出一种基于情感分析的推荐算法SACF(reviews sentiment analysis for collaborative filtering),该算法在经典的协同过滤推荐算法的基础上,考虑评论文本对相似度计算的影响。SACF算法利用LDA主题模型挖掘物品潜在的K个属性面,通过用户在各个属性面上的情感偏好计算用户相似度,从而构建推荐模型。基于京东网上评论数据集的实验结果表明,SACF算法不但可以有效地改善传统协同过滤推荐算法中数据稀疏性的问题,而且提高了推荐系统的精度。     

基于局部模型加权融合的Top-N电影推荐算法

为了解决传统推荐算法使用单一模型无法准确捕获用户偏好的问题, 将稀疏线性模型作为基本推荐模型,提出了基于用户聚类的局部模型加权融合算法来实现电影的Top-N个性化推荐。同时,为了实现用户聚类,文中利用LDA主题模型和电影的文本内容信息,提出了语义层次用户特征向量的计算方法,并基于此来实现用户聚类。在豆瓣网电影数据集上的实验验证结果表明,所提局部加权融合推荐算法提升了原始基模型的推荐效果,同时又优于一些传统的经典推荐算法,从而证明了该推荐算法的有效性。     

融合时间加权信任与用户偏好的协同过滤算法

针对现有的协同过滤推荐算法中存在评分数据稀疏和用户兴趣动态变化的问题,提出了融合时间加权信任与用户偏好的协同过滤算法.考虑到用户评分时间的不均匀,对时间权重进行改进,并将其融入到直接信任计算中,缓解用户兴趣动态变化的问题.通过信任传递得到的间接信任以及建立用户对项目标签的偏好矩阵得到用户之间的偏好相似度来缓解数据的稀疏...     

基于动态聚类的旅游线路推荐

基于会话的协同过滤用固定时间窗划分交互历史并将用户兴趣表示为这些阶段的序列,但是旅游数据的高稀疏性会导致某些阶段内没有交互行为和近邻相似度计算困难的问题。为了缓解数据稀疏,有效利用数据特性,提出了基于动态聚类的旅游线路推荐算法。该方法首先分析了旅游数据不同于其他标准数据的特性;其次利用动态聚类得到的变长时间窗口对游客交互历史进行划分,利用潜在狄利克雷分布（LDA）抽取每个阶段的概率主题分布,结合时间惩罚权值建立用户兴趣漂移模型;接着,通过反映年龄、线路季节、价格等因素的游客特征向量为目标游客选择近邻和候选线路集合;最后根据候选线路和游客的概率主题相关度完成线路推荐。该方法通过采用变长时间窗口不但缓解了数据稀疏,而且划分的阶段数目不需提前指定,而是根据数据特性自动生成;近邻选择时采用特征向量而非旅游数据进行相似度计算,避免了由于数据稀疏无法计算的问题。在实际旅游数据上的大量实验结果表明,该方法不仅很好适应了旅游数据特征,而且提高了旅游线路的推荐精度。     

基于物品的改进协同过滤算法及应用

针对电视产品信息资源量过载导致用户选择困难的问题,本文主要研究了基于物品的协同过滤算法在电视产品推荐系统中的改进及应用,将个性化推荐技术和电视产品系统有机结合来满足用户和运营商的需求.在推荐过程中,首先收集用户的偏好建立数据模型,以用户观看电视产品的时长作为用户偏好的显式特征,然后在传统的协同过滤算法中引入点播金额权重进行改进,并采用欧几里德距离法计算物品相似度,最后根据邻居集合预测目标用户对电视产品的观看时长,得到推荐结果.实验表明,通过引入点播金额权重这一改进能够提高推荐的准确性.     

基于语义位置和区域划分的兴趣点推荐模型

针对现有的位置社交网络研究工作对兴趣点相关的用户语义位置信息挖掘不够充分,且大多推荐算法忽略了兴趣点所在区域对推荐结果的影响,提出了一种新型兴趣点推荐模型（USTTGD）。首先采用分割时间的潜在狄利克雷分配主题模型（latent Dirichlet allocation,LDA）,基于签到记录中的语义位置信息挖掘时间主题下的用户时间偏好,然后将兴趣点所处区域划分为网格,以评估区域影响;接着应用边缘加权的个性化PageRank（edge-weighted personalized PageRank,EwPPR）来建模兴趣点之间的连续过渡;最后将用户时间偏好、区域偏好和连续过渡偏好融合为一个统一的推荐框架。通过在真实数据集上实验验证,与其他传统推荐模型相比,USTTGD模型在准确率和召回率上有了显著的提升。     

融合社交关系和标签信息的混合新闻推荐算法

针对传统新闻推荐的数据稀疏性和用户的兴趣爱好快速变化问题,提出了一种融合社交关系和标签信息的混合新闻推荐算法。首先,该算法充分利用社交网络中的社交关系和标签信息;然后使用概率主题模型(latent Dirichlet allocation,LDA)对用户兴趣进行建模;最后采用基于内容与协同过滤相结合的混合推荐算法来完成新闻推荐。实验结果表明,所提算法与已有的推荐算法相比较,在精确度上提升了10.7%、平均倒数排名上(mean reciprocal rank,MRR)提升了4.1%,在归一化折损累计增益(normalized discounted cumulative gain,NDCG)上提升了10%。该算法可在一定程度上提高新闻推荐算法的精度及推荐质量。     

从偏好数据库中挖掘Ceteris Paribus偏好

针对传统的推荐系统需要用户给出明确的偏好矩阵（U-I矩阵）,进而使用自动化技术来获取用户偏好的问题,提出了一种从偏好数据库中挖掘出Agent的偏好信息的方法。从知识发现的角度,通过Ceteris Paribus规则（CP规则）,提出了k阶偏好挖掘算法（kPreM）。在算法中,利用k阶CP规则对偏好数据库中的信息进行剪枝处理,减少了数据库扫描次数,从而提高了偏好信息的挖掘效率。随后以一种通用的图模型——条件偏好网（CP-nets）为工具,揭示了用户的偏好可近似表达为CP-nets的定性条件偏好网。实验结果表明,用户的偏好都是带有条件的偏好。另外,通过挖掘得出的CP-nets偏好模型,为设计个性化的推荐系统提供了理论基础。     

基于卷积神经网络交互的用户属性偏好建模的推荐模型

潜在因子模型（LFM）以其优异的性能在推荐领域得到了广泛应用。在LFM中除了使用交互数据以外,辅助信息也被引入用于解决数据稀疏的问题,从而提升推荐的性能。然而,大多数LFM仍然存在一些问题：第一,LFM在对用户进行建模时,忽略了用户如何根据其特征偏好对项目作出决策;第二,采用内积的特征交互假设特征维度之间是相互独立的,而没有考虑到特征维度之间的关联。针对上述问题,提出一种新的推荐模型：基于卷积神经网络（CNN）交互的用户属性偏好建模的推荐模型（UAMC）。该模型首先获得用户的一般偏好、用户属性和项目嵌入,然后将用户属性和项目嵌入进行交互,以探索用户不同的属性对不同项目的偏好;接着将交互过的用户偏好属性送入CNN层来探索不同偏好属性的不同维度的关联,从而得到用户的属性偏好向量;接着使用注意力机制结合用户的一般偏好和CNN层得到的属性偏好,从而获得用户的向量表示;最后采用点积来计算用户对项目的评分。在Movielens-100K、Movielens-1M和Book-crossing这三个真实的数据集上进行了实验。实验结果表明,所提模型在均方根误差（RMSE）上与稀疏数据预测的神经网络分解机（NFM）模型相比分别降低了1.75%、2.78%和0.25%,验证了在LFM的评分预测推荐中,UAMC在提升推荐精度上的有效性。     

面向微博用户标签推荐的关系约束主题模型

社会化标签系统允许用户使用个性化的词汇对网络中的资源进行标注而被用户广泛接受。在微博网络中,用户可以为自己加注标签以推广自己或者方便别人找到自己。深入分析了微博用户数据,总结了微博用户标签的特点,针对LDA（latent Dirichlet allocation）主题模型在处理短文本时存在的不足,提出了一种基于好友关系约束主题模型。在此基础上对微博用户标签进行主题分析,计算用户的主题分布,对标签词进行聚类,并最终为用户推荐标签。通过对比实验证明了该方法可以提高标签推荐的准确度。     

HOPE: a hybrid deep neural model for out-of-town next POI recommendation

Next Point-of-interest (POI) recommendation has been recognized as an important technique in location-based services, and existing methods aim to utilize sequential models to return meaningful recommendation results. But these models fail to fully consider the phenomenon of user interest drift, i.e. a user tends to have different preferences when she is in out-of-town areas, resulting in sub-optimal results accordingly. To achieve more accurate next POI recommendation for out-of-town users, an adaptive attentional deep neural model HOPE is proposed in this paper for modeling user’s out-of-town dynamic preferences precisely. Aside from hometown preferences of a user, it captures the long and short-term preferences of the user in out-of-town areas using “Asymmetric-SVD” and “TC-SeqRec” respectively. In addition, toward the data sparsity problem of out-of-town preference modeling, a region-based pattern discovery method is further adopted to capture all visitor’s crowd preferences of this area, enabling out-of-town preferences of cold start users to be captured reasonably. In addition, we adaptively fuse all above factors according to the contextual information by adaptive attention, which incorporates temporal gating to balance the importance of the long-term and short-term preferences in a reasonable and explainable way. At last, we evaluate the HOPE with baseline sequential models for POI recommendation on two real datasets, and the results demonstrate that our proposed solution outperforms the state-of-art models significantly.