SeqRec：基于长期偏好和即时兴趣的序列推荐模型

通过对用户的历史购物序列进行建模,得到用户稳定的长期偏好和动态的即时兴趣,并聚合长期偏好和即时兴趣进行个性化推荐. 提取用户对商品的评论内容用于表示商品的特征;使用递归神经网络从用户的历史购买序列数据中学习用户稳定的长期偏好,使用提问数据对用户不断变化的即时兴趣进行建模;通过注意力机制为长期偏好以及即时兴趣分配不同的权重,得到用户最终偏好的向量表示. 在亚马逊真实数据集上的实验结果表明,SeqRec模型在召回率和精确率上比当前主流的序列推荐方法至少超出10%;SeqRec模型证明不同用户的长期偏好和即时兴趣对其下次购买物品的影响程度不同.     

基于用户关系挖掘的多策略推荐算法

个性化推荐服务为解决网络信息过载问题提供了有效手段。传统的推荐方法大多只关注于如何提高推荐的准确性,而忽略了推荐多样性对用户体验的影响。文章将社会网络用户关系挖掘应用于用户偏好预测及推荐中,提出了一种基于用户关系挖掘的多策略推荐算法。采用信任传播模型挖掘用户间的信任度,计算用户偏好配置文件的余弦相似性获得用户间的相似度,并给出4种将用户信任度、相似度结合的策略,在定义用户偏好预测函数的基础上采用Topn原则为用户给出推荐结果。实验结果表明,文章方法不仅减少了数据稀疏性的影响,而且兼顾了推荐准确性与多样性指标,提高了推荐系统的整体性能。     

一种基于概念格的用户兴趣预测方法

传统协作过滤方法将用户所有属性不加区分地用于计算相似度寻找最近邻,推荐效果不太理想。本文提出了一种基于概念格的用户兴趣预测算法。首先,从用户访问日志中抽取用户资源访问的形式背景,构建该形式背景的概念格;其次,选择合适的滑动窗口来限定用户的当前访问内容,据此识别出用户当前的独立偏好;最后分别计算独立偏好对待排序文档的推荐效用,通过加权计算用户当前所有兴趣所反映的个性化资源偏好,进行用户兴趣预测。该方法分析了传统方法中没有考虑的文档独立性,从而有效地识别和划分用户偏好,符合用户之间仅仅在某一方面或者某一兴趣上相似、而并非所有兴趣都相似这一特点。实验采用真实的日志数据。结果表明:该方法能够有效地实现资源推荐,且可以减轻传统协作过滤方法的冷启动问题。     

基于四阶奇异值分解的推荐算法研究

三阶奇异值分解推荐算法可以综合考虑用户、物品标签和物品三部分信息,挖掘三者之间的潜在关系进行推荐,然而该方法并没有引入其他方面的有效信息,如用户情感。为了考虑更多维度的信息,本文在三阶奇异值分解推荐算法的基础上,提出了一种加入用户情感信息的四阶奇异值分解推荐算法。该方法基于从评论中的emoji表情提炼出的用户情感偏好,再引入四阶张量模型,存储用户、用户情感、物品标签和物品四元组数据,应用四阶奇异值分解,从而进行个性化推荐。在某在线互联网教育的实证数据集上的实验结果表明,该方法比三阶奇异值分解推荐算法以及传统推荐算法在准确率和召回率性能指标上都有明显提升,其中进行Top-1推荐时,准确率和召回率可以达到0.513和0.339。本文的工作为移动通信端的个性化推荐提供了借鉴。     

基于读者借阅记录的个性化信息推荐研究

读者借阅记录是图书馆重要的信息资源,通过分析读者借阅情况可以指导图书馆馆藏资源建设和提升图书馆信息服务的质量。对于具体个性化推荐的目标读者的个人信息和阅读记录的分析可以了解读者阅读偏好,从而找到与个性化推荐的目标读者相似的的邻居用户,通过邻居用户对于其他资源的喜好预测读者的喜好程度为读者主动的进行主动的进行信息推送。     

利用项目属性和偏好改进协同过滤推荐

协同过滤(CF)推荐系统可以通过了解用户过去的行为向用户推荐项目. 针对现有的CF推荐系统没有利用潜在的项目偏好信息,提出了一种利用项目偏好改进CF的推荐方法. 该方法首先采用K-means算法对用户进行聚类,然后利用用户聚类和效用矩阵构建项目偏好矩阵,最后在基于项目的CF方法中,综合项目评分相似度、项目属性及其偏好特征相似度产生推荐. 实验结果表明,该方法获得了较好的推荐精度,在一定程度上缓解了稀疏问题.     

基于数据挖掘的服装推荐系统研究

为满足用户网上购物的个性化需要,针对用户自身特点,建立了服装推荐系统.以西服为例,将服装的主要特征分为领型、扣子、面料、颜色、款式等不同要素,并归纳了各要素的分类取值.在对服装的特征要素进行抽取分类的基础上,采用BDEU决策树算法,构筑了用户类别偏好模型,向用户提供了个性化的推荐服务.     

融合用户行为网络信息的个性化餐馆推荐

目前主流推荐算法是在显式评分或者隐式特征相似的基础上,忽略了用户就餐行为序列中的网络拓扑结构关系,使得用户就餐行为中隐含的喜好信息难以被很好地定性刻画。对此,提出了一种融合用户行为网络信息的个性化餐馆推荐系统。首先根据用户的历史就餐行为序列信息,构建其就餐地理位置转移网络和口味信息转移网络。然后利用网络图表征方法得出位置和口味标签的向量表征,刻画了用户历史就餐行为偏好,并提出用户每次就餐时的怀旧指数GT。最后,将怀旧指数GT结合用户评分信息融入到已有的协同过滤推荐算法框架中,得到改进的融合用户行为网络信息的个性化餐馆推荐模型。在Yelp数据上的实验证明:该模型的推荐效果高于传统的基于评分的推荐算法和最好的图嵌入推荐算法。     

用户-电影网中基于属性和用户偏好的推荐方法比较研究

针对经典的基于物品的协同过滤和基于用户的协同过滤没有考虑物品的属性和用户的偏好,提出了两种新的推荐方法,即基于物品属性推荐和基于用户偏好推荐,并将其应用于用户-电影网.根据推荐准确率、召回率、新颖性和多样性等度量指标,将提出的方法与经典的推荐方法进行了比较.模拟结果表明,推荐方法的性能与推荐列表长度有关,随着推荐列表长度的增加,四种推荐方法的召回率和新颖性都呈上升趋势,多样性都呈下降趋势,并且就推荐新颖性和多样性而言,提出的方法优于经典的推荐方法;就准确率而言,相对于其他三种方法的推荐准确率随推荐列表长度的增加一直呈下降趋势,基于用户偏好推荐的准确率先上升,后下降,效果较好.整体来看,提出的两种推荐方法能够高效和准确地向用户推荐合适的物品.     

基于可能性条件偏好网络的交互式遗传算法及其应用

根据用户实施的人机交互行为而隐式地获取用户偏好的交互式进化优化算法,可有效减轻用户疲劳,提高个性化搜索或推荐的效率.但是,已有研究没有考虑用户交互行为和偏好的不确定性,影响了对用户偏好的拟合精度以及基于该偏好表达的进化搜索.针对该问题,提出基于可能性条件偏好网络的交互式遗传算法,以刻画用户交互行为和偏好的不确定性,并提高算法的搜索性能.首先,采用交互时间表示交互行为,考虑交互行为的不确定性,给出交互时间可信度的定义,并基于该定义给出了用户不确定偏好的表达函数;其次,利用可信交互时间和偏好函数,定义了用户对评价对象的偏好权重,并利用该权重,设计(更新)可以定量表示用户不确定偏好的可能性条件偏好网络,以更好地拟合用户偏好;然后,结合评价不确定性和可能性条件偏好网络,提出了改进的个体适应值估计策略,以更好地引导搜索;最后,将所提算法应用于图书个性化搜索中,结果表明了算法搜索的可靠性和高效性.