基于受限信任关系和概率分解矩阵的推荐

现有的推荐算法很难对没有任何记录的冷启动用户或者历史记录稀疏的用户给出准确的推荐,即用户的冷启动问题.本文提出一种基于受限信任关系和概率分解矩阵的推荐方法,由不信任关系约束信任关系的传播,得到准确且覆盖全面的用户信任关系矩阵,并通过对用户信任关系矩阵和用户商品矩阵的概率分解联合用户信任关系和用户商品矩阵信息,为用户给出推荐.实验表明该方法对冷启动用户和历史记录稀疏的用户的推荐效果有较大幅度的提升,有效地解决了用户的冷启动问题.     

基于Item-User网络的概率矩阵分解推荐算法

传统的矩阵分解算法过分依赖于用户-评分矩阵,导致推荐的准确性不高。为了进一步提高推荐的准确性,文中提出了一种基于Item-User网络的概率矩阵分解推荐算法。该算法不仅通过有向图和信任关系的传递性对用户信任矩阵进行改进,而且引入了物品相似矩阵,全面考虑用户与项目的关系,并对这三个矩阵建立联合概率分解模型。最后构建目标函数,通过最小二乘法求出误差值和预测评分。实验结果表明,该算法相对其他算法有较好的预测结果和解释机制。     

融合时序和信任值矩阵的协同过滤推荐算法

本文提出了一种融合时序和信任值矩阵的协同过滤推荐算法。通过使用信任值矩阵替代了用户-用户相似度矩阵,一定程度上缓解了数据稀疏对推荐效果的负面影响。其次该算法融合了用户和物品交互行为的时序信息,构建用户及物品的网络关系图。最后利用矩阵分解技术预测推荐评分,生成最终的推荐列表。通过在公开数据集MovieLens-1M上进行实验,结果表明,本文方法在RMSE指标上具有显著的推荐效果提升。     

基于概率矩阵分解的组推荐系统研究

本文将对群组推荐系统的偏好融合部分进行叙述,并提出基于概率矩阵分解的组推荐系统框架。     

协同过滤中的矩阵分解算法研究

在对协同过滤问题的研究中,矩阵分解是一类非常重要的模型,在Netflix竞赛中取得了迄今最好的结果。在本文的研究中,我们将对矩阵分解的基本模型和基本假设进行较为全面的总结。我们期望通过本文的工作,能推进矩阵分解这一方法在中国电信的各类推荐业务系统中的应用。     

基于矩阵分解的高校学生成绩预测研究

学生成绩预测及告警是协助高等院校职能部门人员管理学生学习情况和监测教师教学质量的有效方法.通过提前预测学生考试分数,对预测成绩偏低的学生加强管理,提前重点关注该类学生的学习情况,可以降低学生考试不及格的风险.文章利用矩阵分解算法提取学生历史分数中的关键特征值,并将其用于学生成绩预测.实验结果表明,使用改进的奇异值分解方...     

基于旅客信任网络的航线选择行为预测

分析理解民航旅客出行特征,对旅客未来潜在出行行为进行预测,是航空公司实施精准营销的重要支撑。该文以民航领域积累的大规模PNR数据集为基础,提出一种基于旅客信任网络的协同过滤航线推荐模型,借鉴社交关系网络引入旅客信任网络,对采用协同过滤进行航线推荐的方法进行改进,通过旅客信任网络中信任的传递性以发现相似旅客,从自身偏好和相似旅客偏好两个方面对旅客出行时对航空公司航线的选择行为进行刻画。实验结果表明,文中算法相较于传统的基于历史选择、基于航线热度等方法有更高的精准度和召回率。     

基于动态矩阵分解模型的电影推荐系统研究

推荐系统已成为电子商务企业吸引客户、实现盈利的有效技术支持,它能够根据用户的网络点击数据预测其偏好,做出个性化推荐。研究了一个基于动态矩阵分解模型的NETFLIX电影推荐系统。该系统通过训练一个来自NETFLIX平台、包含9 000部电影历史评分的数据集进行预测评分。核心算法包括运用矩阵分解(Matrix Factorization, MF)建立有效的数据处理模型,以及使用随机梯度下降(Stochastic Gradient Descent, SGD)训练该模型。数据集采用稀疏矩阵存储,以节省空间。在训练过程中,对预测评分增加了特定的偏向值。该系统与市场同类产品相比拥有更高的预测准确度,并向电影观众推荐符合他们喜好的电影,能极大地提高电影观看票房值。     

基于K-means的矩阵分解推荐算法

传统矩阵分解算法和基于用户画像的算法存在数据稀疏性和冷启动等问题,且多数情况下只注重于用户项目交互数据,而对用户本身的属性信息缺少借鉴,从而导致推荐准确性不高.将K-means与矩阵分解相结合,提出了一种基于K-means的矩阵分解推荐算法(Matrix Decomposition Based on K-means,K...     

一种融合用户偏好和社交活跃度的推荐算法

为有效解决传统推荐算法精度低的问题,提出了一种融合用户偏好和社交活跃度的概率矩阵分解推荐算法(Probabilistic Matrix Factorization Recommendation Algorithm Combining User Prefer-ence and Social Activity,UPSA-P...     

一种基于云模型的社交网络推荐系统评分预测方法

本文针对评分预测中用户评分主观性及评分数据稀疏带来的预测不准确问题,围绕社交推荐的特点,设计实现一种社交网络评分预测方法.首先,针对评分主观性问题,引入并优化相关云模型理论,提出采用综合云模型生成评分标准并转化用户评分的方法.其次,针对预测不准确问题,通过引入隶属度达到数据降维和目标用户定位的作用,同时考虑到社交网络用户关系对评分结果的影响,分别利用社交关系及相似群体建立两个评分预测模型,并基于高斯变换融合两部分预测结果生成预测评分.实验表明,该方案不仅克服了用户评分主观性,同时有效改善了用户评分数据稀疏情况下传统预测方法准确度偏差的问题.     

基于加权非负矩阵分解的链接预测算法

本文针对在线微博,首先,基于带权动态链接预测特征集合,以用户社会关系因子约束目标函数,从用户概要和用户发布内容两个维度利用非负矩阵分解方法预测社会网络中链接的存在性和方向性.然后,在真实的数据集上验证了提出框架的有效性,并通过实验进一步证明了特征权重和时间信息在链接预测问题中的重要性.     

融合多维语义表示的概率矩阵分解模型

协同过滤作为推荐系统核心技术,面临严重的评分数据稀疏性问题.融合物品文本信息可以有效的解决数据稀疏性问题,然而,目前的方法侧重于提取文本的单维特征,忽略了物品语义表示的多维特性.深度挖掘物品内容的多维特性可以更加精细化描述物品的语义信息,有助于提升推荐效果.为此,本文提出基于胶囊网络的概率生成模型.模型利用胶囊网络挖掘文本的多维语义特征,并以正则化方式融入概率矩阵分解框架,建立用户与物品之间的内在关系.实验结果表明本文提出的模型具有更高的评分预测精度.     

BPR-UserRec:a personalized user recommendation method in social tagging systems

Social tagging is one of the most important characteristics of Web 2.0 services, and social tagging systems (STS) are becoming more and more popular for users to annotate, organize and share items on the Web. Moreover, online social network has been incorporated into social tagging systems. As more and more users tend to interact with real friends on the Web, personalized user recommendation service provided in social tagging systems is very appealing. In this paper, we propose a personalized user recommendation method, and our method handles not only the users’ interest networks, but also the social network information. We empirically show that our method outperforms a state-of-the-art method on real dataset from Last.fm dataset and Douban.     

融合显/隐式信任协同过滤算法的差分隐私保护

融合显/隐式信任关系的社会化协同过滤算法TrustSVD在推荐系统中有广泛的应用,但该算法存在用户隐私泄漏的风险.基于背景知识的用户个人隐私信息推断是当前Internet用户隐私信息泄漏的巨大隐患之一,差分隐私作为一种能为保护对象提供严格的理论保证的隐私保护机制而备受关注.本文把差分隐私保护技术引入TrustSVD中,提出了具有隐私保护能力的新模型DPTrustSVD.理论分析和实验结果显示,DPTrustSVD不仅为用户的隐私信息提供了严格的理论保证,而且仍然保持了较高的预测准确率.     

基于知识聚合和迁移的跨领域推荐算法

传统的推荐算法受限于单领域中用户和项目的稀疏关系,也存在用户冷启动等问题.跨领域推荐能够通过学习辅助领域的知识去丰富目标领域的稀疏数据以提高推荐准确率.本文提出了一种知识聚合和迁移相结合的跨领域推荐算法ATCF.与已有算法不同,在对共性知识和个性知识的表示学习中,ATCF均充分融合了辅助域和目标域的知识,通过基于矩阵分解的两级矩阵拼接和两次矩阵填充,得到在群集矩阵及评分矩阵上的共性知识表示;通过知识迁移,构建了重叠用户和非重叠用户的个性知识表示,有效避免了负迁移.在两个跨领域数据集上开展的实验表明,ATCF算法与已有单领域和跨领域推荐算法相比RMSE降低了3%~7%,准确率召回率增加了8%~15%.