一种基于多样性的top-N推荐算法

目前大多数推荐算法都是以提高用户对未知商品的评分预测值为主要目标。然而预测准确率并不是增加用户满意度的唯一标准,推荐列表的多样性也是衡量推荐质量的一个重要指标。提出了一种新的推荐方法,在保证推荐列表准确率的条件下,通过调节商品类的权重来提高推荐商品的多样性。实验表明,该方法不仅具有较低的时间复杂度和高度的可扩展性,而且与其他方法相比能够获得更好的推荐效果。     

基于社交用户标签的混合top-N推荐方法

针对协同过滤方法的冷启动问题,提出一种将社交用户标签与协同过滤相结合的混合top-N推荐方法。通过社交用户关系获得可信用户集,然后根据个性化标签采用结构上下文相似性算法(SimRank)计算社交用户相似近邻集并进行预测推荐,最后结合传统协同过滤方法进行推荐。实验结果表明,该方法能够提高在一般数据集及冷启动用户数据集下的推荐精度。     

一种提高推荐多样性的概率选择模型

传统的推荐算法多以优化推荐列表的精确度为目标,而忽略了推荐算法的另一个重要指标——多样性。提出了一种新的提高推荐列表多样性的方法。该方法将列表生成步骤转换为N次概率选择过程,每次概率选择通过两个步骤完成:类型选择与项目选择。在类型选择中,引入项目的类型信息,根据用户对不同项目类型的喜好计算概率矩阵,并依照该概率矩阵选择一个类型;在项目选择中,根据项目的预测评分、项目的历史流行度、项目的推荐流行度3个因素重新计算项目的最终得分,选择得分最高的项目推荐给用户。通过阈值TR来调节多样性与精确度之间的折中。最后,通过对比实验证明了该方法的有效性。     

基于用户多样性偏好的top-N推荐算法

传统推荐算法主要关注推荐准确性,而用户对项目的不同偏好和多样性需求也影响着用户体验和满意度.针对该问题,提出了一种新的算法,在计算项目相似度时结合了用户对不同项目的评分差异,以此可以提高项目相似度计算的准确性,根据用户历史评分数据和项目类别数据得到用户-类别权重矩阵,一方面以此计算基于熵的多样性,另外根据用户对项目的兴...     

一种基于整体多样性增强的推荐算法

目前大多数推荐算法都是以提高用户对未知商品的预测评分值为主要目标,然而预测准确率并不是增加用户满意度的唯一标准,推荐列表的多样性也是衡量推荐质量的一个重要指标。提出了一种新的推荐方法,旨在提高系统的整体多样性和长尾商品的推荐率。算法综合考虑了商品预测值、商品流行度、商品的偏爱度等多个标准。实验表明,与其他方法相比,本方法在维持较高推荐准确率的同时,能够推荐更多的长尾商品,提高了系统的整体多样性。     

基于相似用户好奇心的多样性推荐方法

推荐技术已经成为信息过载时代提供个性化服务的关键技术。由于推荐结果的多样性可以提升推荐效果,多样性推荐方法开始备受关注。针对现有基于朋友好奇心的多样性推荐方法中,诸如朋友、信任关系等难以获取及比较稀疏的问题,提出了基于相似用户好奇心的多样性推荐方法（SUC）。分析用户的真实评分,计算相似用户集;采用协同过滤方法,计算用户的预测评分;分析用户的真实评分和预测评分,计算用户的好奇心评分;融合预测评分和好奇心评分,计算用户的项目推荐列表。SUC方法不需要额外的用户关系信息,更具普适性。在五个真实数据集上的实验表明,与基准方法相比,SUC方法不仅提高了推荐多样性,同时也提升了推荐准确率、召回率和覆盖率。     

基于蚁群聚类的top-N推荐系统

本文先将原始Web日志进行预处理,即时Web日志进行数据清洗,用户识别,会话识别和格式转换等.再用蚁群聚类算法对预处理后的日志进行聚类分析,提取具有代表性的用户访问模式,最后用协同过滤推荐技术向网站访问者进行推荐,提供个性化服务,从而实现网站的个性化推荐.     

基于二分图网络的总体多样性增强推荐算法

针对传统推荐算法过于强调推荐准确率而造成推荐系统“长尾”现象加剧问题,提出一种基于二分图网络的总体多样性增强推荐算法。首先,利用现有推荐算法生成的预测评分构建用户候选推荐列表,进而构建二分图网络模型。其次,设定项目容量对热门项目的推荐次数予以限制。最后,结合推荐增广路生成最终推荐列表。与现有的推荐多样性增强算法在真实电影评分数据集上进行实验对比。实验结果表明,本文算法在保证推荐准确率的同时能有效提高推荐的总体多样性。     

基于社交关系和用户偏好的多样性图推荐方法

以协同过滤为代表的传统推荐算法能够为用户提供准确率较高的推荐列表,但忽略了推荐系统中另外一个重要的衡量标准:多样性。随着社交网络的日益发展,大量冗余和重复的信息充斥其间,信息过载使得快速、有效地发现用户的兴趣爱好变得更加困难。针对某个用户推荐最能满足其兴趣爱好的物品,需要具备显著的相关度且能覆盖用户广泛的兴趣爱好。因此,基于社交关系和用户偏好提出一种面向多样性和相关度的图排序框架。首先,引入社交关系图模型,综合考虑用户及物品之间的关系,以更好地建模它们的相关度;然后,利用线性模型融合多样性和相关性两个重要指标;最后,利用Spark GraphX并行图计算框架实现该算法,并在真实的数据集上通过实验验证所提方法的有效性和扩展性。     

一种基于NeuMF的推荐多样性提升方法

针对提升推荐系统中多样性的问题,提出基于NeuMF的NDMF模型.完善推荐多样性特征,定义复合用户活跃度和项目多样性推荐因子,并配合多层感知机挖掘用户-项目的深层交互;对推荐列表进行重排序,即通过多样性特征对项目的预测分数进行相应降权,进一步提高多样性.实验结果表明,在牺牲较少精确度(牺牲了0.02左右)的条件下,该模...     

Enhancing the diversity of conversational collaborative recommendations: a comparison

In conversational collaborative recommender systems, user feedback influences the recommendations. We report mechanisms for enhancing the diversity of the recommendations made by collaborative recommenders. We focus on techniques for increasing diversity that rely on collaborative data only. In our experiments, we compare different mechanisms and show that, if recommendations are diverse, users find target items in many fewer recommendation cycles.     

基于覆盖约简的个性化协同过滤推荐方法

协同过滤(CF)无法同时提供高精度和多样化的个性化推荐.基于此情况,文中提出基于覆盖约简的协同过滤方法(CRCF).结合覆盖粗糙集中的覆盖约简算法与CF中的用户约简,匹配覆盖中的冗余元素与邻近用户中的冗余用户,利用覆盖约简算法将冗余用户从目标用户的邻近用户中移除,保证CF中邻近用户的高效性.在公开数据集上的实验表明,在稀疏数据环境下,CRCF可以同时为目标用户提供高精度和多样化的个性化推荐.     

融合社交网络信息的长尾推荐方法

在长尾推荐场景中,目标用户更信任与自己兴趣相似的好友的推荐结果,故为目标用户推荐其好友的个性化偏好物品有利于提高长尾推荐性能.相应地,如何有效融合社交网络信息与评分矩阵信息,提升推荐性能自然成为长尾推荐中的重要问题.为此,文中从信息融合视角出发,通过社交网络和评分矩阵共享用户的潜在特征向量,并将好友推荐信息作为长尾推荐...     

Recommendation strategies in personalization applications

While the initial goal of recommender systems (RSes) was to reduce the information overload for Internet users and make the information retrieval more efficient, they have become a crucial strategic tool for companies in the online markets. According to this evolution, research on RSes has produced a wide variety of approaches and algorithms. As a consequence, the companies deploying RSes in their business applications face the decision of how to generate and deliver personalized recommendations to their users by choosing among many options. The problem has been largely treated from the machine learning performance perspective because there is relatively little research done from the business perspective. The decision of what kind of recommender engines should be used in a personalization application, given certain business conditions, has a strategic value because it affects the way customers perceive the company with respect to its competitors. Choosing the wrong way to personalize recommendations may not only require the redesign of the information systems but also to rebuild the relationships with customers and even the entire brand strategic positioning. The research issues addressed by this paper are (i) which recommendation strategies a company can deploy to generate and deliver recommendations to users, and (ii) which specific strategies should be used depending on the current business conditions. We propose taxonomy based on a literature analysis and a framework to associate each strategy with a certain setting. The proposed framework is empirically supported by four case studies.     

知识驱动的相似缺陷报告推荐方法

软件缺陷在软件开发过程中不可避免,提交的缺陷报告则是分析和修复缺陷的重要信息来源.开发人员常通过借鉴相似的历史缺陷报告和修复信息来辅助对当前新缺陷的分析和修复.文中提出了一种知识驱动的相似缺陷报告推荐方法.该方法首先利用信息检索和Word Embedding技术构建缺陷知识图谱;然后利用TF-IDF和Word Embe...     

一种基于语义的业务活动推荐方法

以企业复杂业务逻辑为背景,针对动态构造业务流程中的用户遗漏或错选工作等问题,提出了一种基于语义的业务活动推荐方法。首先定义面向业务活动的基础本体模型并在此基础上构建了基本推理规则,接着详细描述了方法所采用的推荐策略并在此基础上设计了推荐算法。方法的工作机制是接收并分析业务活动事件并调用推荐算法,推荐算法访问知识库,生成最终的推荐结果呈现给用户。最后通过国家综合减灾应用系统案例来验证方法的有效性。     

基于耦合相似度的矩阵分解推荐方法

随着因特网和信息技术的高速发展,信息过载现象越来越严重。推荐系统能够给个人和商家(例如电子商务和零售商)提供个性化的推荐。数据稀疏性和分数预测质量问题被公认为是现存推荐系统中的主要挑战。当前绝大多数推荐系统技术都依赖于协同过滤方法,它主要利用用户-项目评分矩阵来表示用户和项目之间的关系。一些研究利用附加信息来提高推荐准确性,但是,绝大多数现存的引入项目之间关系的方法并不能很好地用于预测和推荐,因为其假设项目属性之间是独立同分布的,而实际上项目(或用户)的属性之间是存在耦合关系的。由此提出了基于属性耦合关系的矩阵分解模型,它能有效地刻画项目之间的耦合相关性,从而更加合理 地预测用户对项目的评分。实验结果表明,所提出的模型在热启动和冷启动的推荐准确性方面均优于传统的推荐算法。