用户个性化推荐系统的设计与实现

为实现个性化服务,理解用户兴趣就成了提供服务的关键任务,因此,提出了隐性采集用户浏览内容、用户浏览时间和用户操作时间的信息方法,通过对网络爬虫程序抓取的网页进行内容清洗提取出主要内容之后,利用VSM建立文档模型,并采用SVM分类方法建立推荐库.基于从客户端采集的用户兴趣信息建模,以及根据该模型和推荐库的相似度,给用户推荐信息.此外,给出了基于该模型的推荐原型系统的实现,使用查准率来评价该系统.试验结果表明,系统较好地实现了基于用户兴趣来推荐阅读的信息.     

结合LDA和用户特征的协同过滤算法

针对协同过滤推荐算法的冷启动和数据稀疏问题,提出一种结合LDA和用户特征的协同过滤算法.利用基于吉布斯采样的LDA主题模型生成项目-主题隶属概率矩阵,通过矩阵运算构造用户-主题评分数据,设计结合夹角余弦法的用户相似性计算方案,从概率角度论证方案处理稀疏数据的有效性;针对用户特征信息结合海明距离进行编码,设计冷启动用户相似性评价方案,提高冷启动用户相似性评价的合理性.基于MovieLens数据集的实验结果表明,所提算法在面临数据稀疏和冷启动问题时均有较好推荐效果,在最近邻个数较少时有较好表现.     

移动端个性化旅游推荐系统模型设计

本文在基于现有的个性化推荐研究基础,提出了用户情境和文本内容组合推荐的方法,并构建了用户兴趣矩阵模型,设计了一套个性化推荐系统。本系统可以依据移动用户的偏好为用户提供推送服务。该系统由移动端及云平台服务器构成,移动端对用户信息进行采集,并展示推荐数据;服务器端收集来自移动端的数据,展开数据分析,构建用户兴趣模型,结合文本处理技术获取推荐内容,推送给移动用户。     

基于用户兴趣度的数据归约效果评估方法

面对特定数据归约方案,不同的用户对归约效果具有不同的评价,针对目前数据归约效果评估方法缺乏针对性、忽视用户个性化需求的问题,基于现有的指标体系,提出基于用户兴趣度的数据归约效果评估方法。通过定义用户兴趣度的权重子空间,根据用户对数据集归约方案评价的历史数据计算用户对指标的偏好,利用蒙特卡洛仿真近似计算出用户对数据归约效果的可接受程度作为评估归约效果的参数,实现面向不同用户的数据归约效果评估方法,为面向不同关注点的系统用户推荐不同数据归约方案提供定量依据。     

基于协同过滤推荐的电价计划智能推荐算法

在智慧电网中,电力公司可以主动推荐定制的售电方案给潜在用户,但现有的推荐算法存在着精确度不高、方案不合理等缺点.为解决以上问题,基于协同过滤策略,开发一种电力计划推荐方案.通过提供一些容易获得的家电产品数据,对居民用户进行不同方案的预测评级,为用户选择合适的方案和合理的电价.在实验阶段,通过不同的数值实验评价该方法的性能,实验结果表明,EPR算法在推荐结果的准确性上优于其它策略.     

基于码本聚类和因子分解机的多指标推荐算法

传统的协同过滤推荐算法普遍存在数据稀疏问题,且仅利用单一综合评分来计算用户相似度,无法找到在多个指标上偏好相似的用户,因而影响推荐的准确度。多指标评分推荐算法力图寻找在多个指标上偏好相似的用户,但是其评价成本高,导致数据稀疏性问题更加严重。为了找到与目标用户在多个指标上偏好相似的用户,提出基于码本聚类的思想来获取用户在各指标上的评分风格信息,然后基于评分风格信息将用户和项目在各指标上进行双向聚类,最后利用因子分解机模型(Factorization Machines,FMs)基于同一簇内的用户、项目、多指标评分信息、评分风格信息进行推荐。实验结果表明,与传统的协同过滤算法和其他多指标推荐方法相比,基于多指标评分信息的因子分解机推荐算法能够在一定程度上缓解数据稀疏问题,提高推荐的准确度。     

结合信任和用户关系的微博关注推荐算法*

用户关注推荐在微博信息分享平台中扮演着非常重要的角色,现有的用户关注推荐模式多采取内容及背景相似性度量用户距离,且多数使用单一因素进行排序推荐,没有针对用户群体进行分类,推荐效果一般。因此提出了一种针对非名人用户的新型关注推荐算法RTLR,该算法同时使用用户关系和互动行为信息进行推荐,并结合多因素建立逻辑回归模型。从国内用户最多的新浪微博中采集真实数据进行实验,结果显示新型模型有效的提高了关注推荐的准确性。     

基于信息熵和用户行为一致性的协同过滤分组推荐

在仅以输入评分矩阵作为唯一算法输入的协同过滤推荐算法研究中，针对数据的质量不同带来的差异性对推荐结果的影响这一问题，包括对数据质量方面的重视与关注、如何刻画质量差异性以及如何针对不同质量数据的用户组别进行分组推荐建模等问题。提出针对数据质量的刻画，综合考虑用户行为一致性和用户信息熵两个指标对数据质量进行评价并对用户进行分组。对于不同组别的用户在分析其历史行为的基础上可以进行更精准的推荐建模。实验结果表明，数据质量的差异性确实对推荐精度的提升有着重要的影响，同时论证了对用户进行分组推荐的必要性。实验结果同时表明，运用用户行为一致性和用户信息熵两个指标的综合刻画带来的精度提升效果最为显著。     

融合信任计算的协同过滤推荐方法

协同过滤推荐是目前应用最为广泛的推荐策略之一,但存在数据稀疏和难扩展问题.文中在传统基于用户的协同过滤推荐算法的基础上,引入信任关系计算,利用信任关系的条件传递特性,设计并构建一个集用户声望信任和用户局部信任的混和信任网络,并将用户间评分相似度和网络中用户间信任评价度结合,为用户寻找更多基于信任因素和兴趣因素的二维相似近邻.在Epinions数据集上以平均绝对误差(MAE)和均方根误差(RSME)等作为实验评价指标,对该方法进行验证实验.结果表明相比传统协同过滤推荐算法,该方法在MAE上提高约6.8%,最优值达到0.7513,t检验的结果也表明该方法能显著提高推荐系统性能.     

基于多粒度特征和混合算法的文档推荐系统

文库系统对信息的传播利用有着重要的作用, 但在文库系统中出现信息过载问题后, 数据的利用率会大大降低. 针对该问题提出了一种基于多粒度特征和混合算法的文档推荐系统, 系统在短语和词语两个粒度上对用户兴趣及文档特征进行建模, 综合基于内容推荐算法及协同过滤算法, 为用户生成兴趣列表. 系统测试数据表明, 系统在准确率、召回率、覆盖率、新颖度等指标上均有较为优异的表现, 其为用户推荐的文档较符合用户实际偏好, 有助于提升文库系统的数据利用率, 改善用户体验.     

结合物品相似性的社交信任推荐算法

随着互联网的快速发展,用户很难在大量的网络数据中找到自己感兴趣的内容,而推荐系统能帮助解决这一问题.传统的推荐系统仅依赖用户历史行为数据进行推荐,存在数据稀疏和冷启动的问题.将社交网络信息融入推荐系统中被证明能够有效地解决传统推荐系统的问题,提高了推荐质量.但是,大部分基于社交网络的推荐仅关注用户之间的单向信任关系,忽...     

对话推荐算法研究综述

推荐系统是一种通过理解用户的兴趣和偏好帮助用户过滤大量无效信息并获取感兴趣的信息或者物品的信息过滤系统.目前主流的推荐系统主要基于离线的、历史的用户数据,不断训练和优化线下模型,继而为在线的用户推荐物品,这类训练方式主要存在3个问题:基于稀疏且具有噪声的历史数据估计用户偏好的不可靠估计、对影响用户行为的在线上下文环境因素的忽略和默认用户清楚自身偏好的不可靠假设.由于对话系统关注于用户的实时反馈数据,获取用户当前交互的意图,因此“对话推荐”通过结合对话形式与推荐任务成为解决传统推荐问题的有效手段.对话推荐将对话系统实时交互的数据获取方式应用到推荐系统中,采用了与传统推荐系统不同的推荐思路,通过利用在线交互信息,引导和捕捉用户当前的偏好兴趣,并及时进行反馈和更新.在过去的几年里,越来越多的研究者开始关注对话推荐系统,这一方面归功于自然语言处理领域中语音助手以及聊天机器人技术的广泛使用,另一方面受益于强化学习、知识图谱等技术在推荐策略中的成熟应用.将对话推荐系统的整体框架进行梳理,将对话推荐算法研究所使用的数据集进行分类,同时对评价对话推荐效果的相关指标进行讨论,重点关注于对话推荐系统中的后...     

基于跨域关联与隐私保护的深度推荐模型

推荐系统能够根据用户的偏好有效地过滤信息,已被广泛应用于各行各业,但随着用户数量的爆炸式增长,数据稀疏性和冷启动问题日益严重.多源数据融合可以有效缓解数据稀疏和冷启动情况下的推荐精度,其主要思想是融合用户在其他方面的辅助信息来填补缺失值,以优化目标服务的推荐准确度,受到了研究者的青睐,但由于数据之间的关联引入了更为严重的隐私泄露风险.针对以上问题,提出一种基于跨域关联与隐私保护的深度推荐模型,设计一种具有多源数据融合和差分隐私保护特征的深度学习协同推荐方法.该方法一方面融合辅助领域信息以提高推荐的精确度,同时修正异常点的偏差,改善推荐系统的性能;另一方面针对数据融合中的数据安全问题,基于差分隐私模型在协同训练过程中加入噪音以保证数据的安全性.为了更好地评价推荐系统中的长尾效应,首次提出一种新的评价指标-发现度,用以度量推荐算法发现用户隐性需求的能力.基于已有算法进行了性能对比与分析,实验结果证明,所提方法在保证隐私安全的前提下,比现有方法具有更好的推荐精度和多样性,能够有效地发现用户的隐性需求.     

面向多源异构数据的个性化搜索和推荐算法综述

高效精准的个性化搜索、推荐等服务可为人们生产生活带来极大便利,而随着互联网技术的迅猛发展,面向多源异构数据的个性化搜索和推荐任务逐渐变得日趋复杂,也是当前大数据分析及个性化服务领域的研究热点和难点.个性化搜索和推荐算法广泛收集多源异构数据,获取用户偏好信息,利用各类机器学习、深度学习等技术,构建用户兴趣偏好模型,预测用户偏好,推荐满足用户个性化需求和偏好的项目或内容,提升用户的使用体验和网站平台的商业利益.本文介绍面向多源异构数据的个性化搜索问题的数学描述,综述面向多源异构数据的个性化搜索和推荐算法的相关研究工作,包括:传统个性化搜索和推荐算法、融合多源异构数据的个性化搜索和推荐算法以及动态个性化搜索和推荐算法等相关研究现状,整理了算法常用数据集、性能评价指标及评估体系,进一步阐明了目前面向多源异构数据的个性化搜索和推荐方法的实际应用场景及今后研究的发展方向,并讨论了存在的不足及所面临的严峻挑战,期望为相关领域的研究人员提供有益帮助.     

一种潜在特征同步学习和偏好引导的推荐方法

根据用户的历史评分数据为用户提供推荐的商品列表，是目前推荐系统研究的主流.研究者发现，随着用户参与度的不断提高，将反映用户偏好的评论文本与评分数据结合，可以进一步提高推荐的质量.提出了基于潜在特征同步学习和偏好引导的商品推荐方法，将评论文本的主题与用户的"打分偏好"进行关联，同步学习用户评论文本的潜在主题、评分矩阵的用户潜在因子和商品潜在因子，并将潜在主题作为用户个人偏好引导来约束推荐方法对商品的预测打分.该方法对推荐质量的优化主要体现在两个方面：一是在评论文本的潜在主题和评分数据的两种潜在因子之间建立映射关系，同步求解主题模型和矩阵分解模型；二是将从评论文本中学习得到的潜在主题作为用户对商品的个性偏好引入到矩阵分解中，进一步优化推荐方法.在来自Amazon网站的28组真实数据集上进行实验，以均方误差为评价指标，与已有的模型进行了对比分析.实验结果表明，该方法有效减少了推荐误差，与已有的TopicMF方法相比，均方误差在数据子集上最大减少了3.32%，平均减少了0.92%.     

基于项目属性的用户聚类协同过滤推荐算法

协同过滤推荐算法是个性化推荐服务系统的关键技术,由于项目空间上用户评分数据的极端稀疏性,传统推荐系统中的用户相似度量算法开销较大并且无法保证项目推荐精度.通过对共同感兴趣的项目属性的相似用户进行聚类,构建了不同项目评价的用户相似性,设计了一种优化的协同过滤推荐算法.实验结果表明,该算法能够有效避免由于数据稀疏性带来的弊端,提高了系统的推荐质量.     

基于用户轨迹数据的移动推荐系统研究

近年来,随着移动智能设备的普及,移动社交网络方兴未艾,用户习惯和朋友分享自己的精彩经历,因此产生了大规模具有时空属性的用户轨迹数据.从狭义的角度来看,轨迹数据是指连续采样的GPS数据.从广义的角度来看,在时空域存在连续性的序列,都可以称作轨迹.例如：在社交网络上的用户签到序列就可以认为是粗粒度的轨迹数据.广义轨迹数据具有时空异构性、连续与离散并存、时空项目的层次性不明显和分类不明确等特点,但是相比于GPS轨迹数据,广义轨迹数据来源广泛,蕴含丰富的信息,这给传统的移动推荐系统带来了巨大的机遇.与此同时,广义轨迹数据规模大、结构丰富,这也给传统的移动推荐系统带来了巨大的挑战.如何利用广义用户轨迹数据来提升移动推荐系统的性能,已成为学术界和产业界共同关注的重要课题.以轨迹数据特征作为切入点,对近年来基于广义用户轨迹数据的移动推荐系统的主要模型方法和推荐评价指标进行了系统综述,阐述了与传统移动推荐系统的联系和区别.最后,对基于广义用户轨迹数据的移动推荐系统有待深入研究的难点和发展趋势进行了分析和展望.     

结合实时推荐与离线推荐的推荐系统

推荐系统是从大量信息中主动查找用户可能感兴趣的信息的工具.如何更好地贴近用户偏好,满足用户长期固有偏好的同时又能考虑到用户短期的兴趣焦点变化,是推荐系统长期研究的一个问题.此外,在对推荐系统进行设计时,为了提高推荐性能,除了专注于用户建模优化、推荐对象建模优化或推荐算法优化外,还需要将推荐系统作为一个整体进行系统性的研究,关注如系统流畅性、可伸缩能力等.针对这些问题,本文设计了一种实时推荐与离线推荐相结合的推荐系统,提出了采用待推荐池的方法保证系统的流畅性;在分析实时数据与历史数据的基础上,提供实时推荐与离线推荐,在贴合用户长期固有偏好的同时也能适应用户短时间内的兴趣焦点变化;采用控制模块对不同推荐结果数据进行控制调节,提高系统的可伸缩能力.基于该推荐系统,本文进行了对于微信文章的推荐实验,通过对待推荐池内数据进行分析来评价推荐效果,结果表明,推荐数据能够逐步贴近用户兴趣偏好.     

融合标签与内容感知的用户群信息推荐仿真

信息推荐有利于提高用户获取所需数据的效率,但是在网络信息与用户激增的过程中,会使数据呈现一定的稀疏性,而且用户兴趣也容易产生变化.为了增强推荐系统的性能,提出了融合标签与内容感知的用户群信息推荐算法.依据内容语料库将词去重组成异构图,利用邻域属性对其进行编码,完成词向二维向量的映射,再采用卷积神经网络对内容信息进行特征...     

基于用户聚类的播客节目推荐

许多播客推荐机制一般根据整体点击次数来向用户推荐节目,但是一些点击次数很高的节目未必就是某类用户所喜欢的,因而推荐的节目对用户的喜好针对性不是很强.为了提高推荐节目对用户喜好特点的针对性,提出基于用户聚类的节目推荐.对用户在播客平台上的采集数据进行聚类分析后,把用户归为某一类型,并把该类型的所有节目根据点击次数多少存放入相应的推荐表.在用户下次登录时,根据其所属用户类型从推荐表中选出其最可能观看的尚未浏览的节目.试验结果证明,该播客推荐系统能很好地根据用户的喜好特点来进行针对性节目推荐.