核K-Means聚类在Folksonomy标签模糊和冗余中的应用

现有的Folksonomy标签推荐系统中,标签模糊会导致系统推荐不准确,并且影响用户建模的准确性,而标签冗余妨碍了对系统的评估。利用K-Means聚类结果抽取模糊和冗余标签时,聚类效果较差导致抽取不准确。提出使用核K-Means聚类处理标签模糊和冗余,通过非线性映射能够较好地分辨、提取并放大样本中有用的特征,提高抽取模糊标签和冗余标签的准确度。实验结果表明：核K-Means聚类对标签和资源的聚类效果更好,抽取的模糊标签和冗余标签也更准确。     

一种融合个性化与多样性的人物标签推荐方法

针对人物标签推荐中多样性及推荐标签质量问题,该文提出了一种融合个性化与多样性的人物标签推荐方法。该方法使用主题模型对用户关注对象建模,通过聚类分析把具有相似言论的对象划分到同一类簇;然后对每个类簇的标签进行冗余处理,并选取代表性标签;最后对不同类簇中的标签融合排序,以获取Top-K个标签推荐给用户。实验结果表明,与已有推荐方法相比,该方法在反映用户兴趣爱好的同时,能显著提高标签推荐质量和推荐结果的多样性。     

用子空间粒子群聚类算法识别Folksonomy标签冗余的研究

Wcb2.。标签系统中经常包含很多冗余的标签,标签冗余会增加用户选择喜好项目时的负担,从而影响用户建模和对推荐系统的评估。标签数据集通常存在着大量不相关或是冗余的特征,而不同簇之间的相关特征子集又是不一样的,所以应该从不同的特征子集中来发现簇。提出使用子空间粒子群聚类识别标签冗余,算法采用指数型变权类似K-means的目标函数,该函数对变量权值的改变更加敏感。在此基础上利用粒子群优化目标函数搜寻得到全局最优的标签聚类,提高抽取冗余标签的准确度实验结果表明,此算法具有较强的全局搜索能力,应用于标签冗余识别获得了更好的精度。     

基于社会化标注的博客标签推荐方法

为了提高博客系统推荐标签的质量,分析了现有的标签推荐算法及相关技术,提出了一种基于社会化标注的博客标签推荐方法。该方法的优势在于:利用相似博客的社会化标签作为候选标签集,确保了推荐标签的全面性和可用性;基于TF-IDF相似度方法定义筛选步骤去除候选标签集中冗余和冷僻的标签,提高了推荐标签的准确性和高效性。实验结果表明了该方法的有效性。     

基于标签系统中聚类分析的个性化推荐算法

随着YouTube、Flickr和Last．fm等社会化网络的兴起,标签系统在日常生活中扮演着越来越重要的作用．为了给用户提供更优质的推荐,分析用户为不同资源打标签的行为就显得尤为重要．本文将主要的社区发现算法应用到标签系统中的聚类分析中,并比较它们在不同数据集上的表现,设计出针对标签系统的个性化推荐算法．实验结果表明,本文提出的算法能很好的发现不同用户的兴趣,提高推荐系统的质量．     

基于本体学习的标签推荐方法研究

由于标注过程简单,Web上标注系统的使用逐渐增长,但是,随意定义的标签缺少标准并且语义模糊.为改善标签系统推荐效果,帮助用户组织、管理及分享网络资源,提高检索效果.提出基于用户标注信息的本体学习方法,针对不同映射情况,设计对应的本体学习模型和语义歧义消除模型,通过基于本体表示标签的语义信息和基于扩展本体语义关系的标签排序方法推荐标签.实验证明,召回率和精度都有提高,方法具有较好的可行性.     

基于标签主题的协同过滤推荐算法研究

传统基于标签的推荐算法仅考虑用户的评分信息,导致推荐准确度不高。为解决该问题,提出一种改进的协同过滤推荐算法。对用户-标签矩阵、资源-标签矩阵进行潜在Dirichlet分布建模,发掘推荐系统中的潜在语义主题,从语义层面计算用户对各资源的偏好概率,将计算出的偏好概率与协同过滤算法计算出的资源相似度相结合,预测用户偏好值,实现个性化推荐。在Movielens数据集上的实验结果表明,与传统基于标签的推荐算法相比,该算法能消除标签中存在的同义词、多义词等语义模糊问题,同时提高推荐准确度。     

基于标签权重的协同过滤推荐算法

针对传统协同过滤推荐算法中由于相似度计算导致推荐精度不足的问题,提出一种基于标签权重相似度量方法的协同过滤推荐算法。首先,通过改进当前算法中标签权重的计算,并构成用户-标签权重矩阵和物品-标签权重矩阵;其次,考虑到推荐系统是以用户为中心进行推荐,继而通过构建用户-物品关联矩阵来获取用户对物品最准确的评价和需求;最后,根据用户-物品的二部图,利用物质扩散算法计算基于标签权重的用户间相似度,并为目标用户生成推荐列表。实验结果表明,与一种基于"用户-项目-用户兴趣标签图"的协同好友推荐算法（UITGCF）相比,在稀疏度环境为0.1时该算法的召回率、准确率和F1值分别提高了14.69%、9.44%、17.23%。当推荐项目数量为10时,三个指标分别提高了17.99%、8.98%、16.27%。结果表明基于标签权重的协同过滤推荐算法可有效提高推荐结果。     

基于网络分割聚类的标签语义规范化推荐算法

传统的推荐算法多以用户评分数据计算用户的兴趣偏好以及资源相似度,对稀疏数据以及新用户的推荐质量较低。考虑到用户标签数据的随意性和语义模糊性,提出基于标签网络分割聚类的语义规范化方法并建立基于规范化标签的用户兴趣模型。该模型能在不改变用户兴趣的前提下有效降低用户标签兴趣模型的向量维数,并能避免分析标签语义的复杂过程,且能根据用户自身的理解来获取用户兴趣。最后将标签兴趣模型应用到推荐算法中。通过与经典的推荐算法进行比较,验证了该算法能有效缓解数据稀疏性、推荐冷启动问题,提升了推荐结果的准确性,能获得更好的推荐效果。     

基于标签的电影推荐算法研究

为了有效解决用户在电影网站海量资源中寻找兴趣度高的电影时效率低这一问题，研究了一种基于标签的推荐算法。根据用户与标签的关系计算用户对标签的兴趣度；构建标签基因矩阵以及兴趣度矩阵，计算出用户对电影的喜好程度；为用户推荐喜好程度高的电影，提高用户对电影网站的好感度。通过在实际数据集上应用基于标签的推荐算法，验证了该算法的可行性以及有效性。     

一种基于偏好的个性化标签推荐系统*

建立一个基于用户偏好模型的标签推荐系统,从该系统产生的标签集合中选择出能降低一般性概念描述的模糊性的标签子集,推荐给用户。实验表明,该系统具有较高的可靠性和精准度。     

基于网络和标签的混合推荐算法

基于网络结构的推荐算法利用用户与项目间的结构关系进行推荐,忽略了用户偏好,而项目的标签隐含了项目的内容及用户的偏好,提出一种基于网络结构和标签的混合推荐方法。算法根据用户选择项目的标签统计信息,分别采用TF-IDF和用户对标签的支持度两种方法构建用户偏好模型,与基于网络的推荐模型进行线性组合推荐。通过在基准数据集MovieLens上测试证明,该算法在推荐结果命中率、个性化程度、多样性等方面均优于基于网络的推荐算法。     

基于多元关系的张量分解标签推荐方法

标签推荐的现有方法忽视了多种属性特征之间的联系,无法保证大数据环境下推荐系统的准确率。针对该问题,提出了一种基于用户聚类和张量分解的新标签推荐方法,以进一步提高标签推荐的质量。该方法首先对一些对产品具有重要影响的用户进行聚类,然后根据用户、产品、标签和产品评分之间的多元关系综合计算总权重。最后,根据聚类之后的用户群体以及多元关系的总权值构建张量并进行张量因式分解。实验与传统张量分解方法相对比,结果表明提出的方法在准确率上具有一定的提高,验证了算法的有效性。     

采用图模型的个性化标签推荐方法

现有的标签推荐方法大多根据标签在对象中出现的次数来表示用户,标签与资源之间的关系。这种方法对标签信息的利用过于简单,导致最终的推荐结果的准确度和召回率不高。基于这个问题,提出一种采用图模型的个性化标签推荐方法,将用户、标签和资源三者的关系转换成一个三元无向图。对图中相邻顶点的处理采用一种综合的权重衡量方法,而不相邻顶点的关系采用最短路径思想得出。既考虑标签与用户的关系,又考虑标签与资源的关系给出最后的标签推荐方法。将该方法与现存的标签推荐方法做比较。实验采用的数据来自CiteULike。实验结果表明,该方法能够显著地提高推荐结果的召回率,准确性等。     

基于潜在标签挖掘和细粒度偏好的个性化标签推荐

为进一步提高个性化标签推荐性能,针对标签数据的稀疏性以及传统方法忽略隐藏在用户和项目上下文中潜在标签的缺陷,提出一种基于潜在标签挖掘和细粒度偏好的个性化标签推荐方法。首先,提出利用用户和项目的上下文信息从大量未观测标签中挖掘用户可能感兴趣的少量潜在标签,将标签重新划分为正类标签、潜在标签和负类标签三类,进而构建〈用户,项目〉对标签的细粒度偏好关系,在缓解标签稀疏性的同时,提高对标签偏好关系的表达能力;然后,基于贝叶斯个性化排序优化框架对细粒度偏好关系进行建模,并结合成对交互张量分解对偏好值进行预测,构建细粒度的个性化标签推荐模型并提出优化算法。对比实验表明,提出的方法在保证较快收敛速度的前提下,有效地提高了个性化标签的推荐准确性。     

标签扩展的协同过滤推荐算法

大多数利用标签与用户和项目之间关系的推荐算法,都要面临用户个体不同所导致的标签稀疏问题,不同的用户为项目所标注的标签会有所不同.针对由于用户标注标签的随意性而导致的用户标签和项目标签矩阵稀疏问题,提出了一种标签扩展的协同过滤推荐算法.该算法根据用户标注标签的行为计算基于标签的标签相似度,根据用户标注的标签语义计算基于标签语义的标签相似度,从用户行为和标签语义2个方面评估标签的相似度,并利用标签相似度来扩展每个项目标签,降低由项目与标签的关联关系产生的矩阵稀疏度.在M ovieLens数据集上的实验结果表明,所提算法在精度上有所提高.     

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。     

融合朋友关系和标签信息的张量分解推荐算法

针对大众标注网站项目推荐系统中存在数据矩阵稀疏性影响推荐效果的问题,考虑矩阵奇异值分解(SVD)能有效地平滑数据矩阵中的数据,以及朋友圈能够反映出一个人的兴趣爱好,提出了一种融合朋友关系和标签信息的张量分解推荐算法。首先,利用高阶奇异值分解(HOSVD)方法对用户-项目-标签三元组信息进行潜在语义分析和多路降维,分析用户、项目、标签三者间关系;然后,再结合用户朋友关系、朋友间相似度,修正张量分解结果,建立三阶张量模型,从而实现推荐。该模型方法在两个真实数据集上进行了实验,结果表明,所提算法与高阶奇异值分解的方法比较,在推荐的召回率和精确度指标上分别提高了2.5%和4%,因此,所提算法进一步验证了结合朋友关系能够提高推荐的准确率,并扩展了张量分解模型,实现用户个性化推荐。