SMART:一种面向电商平台快速消费品的图推荐算法

提出一种针对电商平台快速消费品的图推荐算法SMART。该算法在传统二部图推荐算法的基础上增加商品种类节点及其与用户和商品两类节点的关联边,且利用每个用户对商品种类和单个商品的兴趣倾向设置无向边的权重,通过节点间转移概率的差异实现有倾向性的随机游走;经过多次迭代,用户节点到所有节点的游走概率会收敛到稳定值,收敛后的游走概率能够在一定程度上体现用户对商品的购买概率;最后考虑每个用户对商品所属商家的兴趣偏好,对用户节点到各商品节点的游走概率进行调整,并根据调整后的游走概率计算每个用户的TOP-N推荐列表。在京东生鲜类商品的评论数据集上对所提出的推荐算法进行性能评价,实验结果表明该算法的确能够提供高质量的推荐,与基本二部图推荐算法相比,准确率提高了1.32%,召回率提高了1.48%。     

基于时序逆影响的随机游走推荐算法*

相似性计算是协同过滤推荐的关键步骤,针对传统相似性计算认为相似关系是对等的且没有考虑消费顺序和时间间隔的问题,提出了基于时序逆影响的随机游走推荐算法。首先,基于用户时序关联图提出一种新的称为时序逆影响的相似性度量,利用随机游走得到了目标用户近邻集合;其次,利用随机游走在项目时序关联图上进一步改进推荐的多样性和覆盖率。它不但认为用户间相似是不对称的,考虑了用户消费项目的顺序和时间间隔,获得了用户全局的直接和间接近邻,而且考虑了项目间的时序逆影响。通过在真实数据集上的大量试验结果表明,与其他随机游走方法相比,不但能提高推荐性能、缓解数据稀疏,而且通过提高多样性和覆盖率解决了过拟合的问题。     

基于用户兴趣度的改进二部图随机游走推荐方法

传统的二部图随机游走算法主要采用基于共同项目的相似度计算,并且项目之间、用户之间的影响程度是对称的,这种对称信息不能体现用户兴趣,推荐精度不高。为了提高推荐准确性,提出一种基于用户兴趣度的二部图随机游走方法。采用共同项目和用户打分项目数量的共同性质体现用户兴趣度,分析信息的不对称性,并在二部图中随机游走。实验表明,基于用户兴趣度的二部图随机游走算法提高了预测准确率和命中率。     

基于万有引力和随机行走的推荐算法研究

本文就社会标签系统中的个性化推荐算法进行了研究,提出一种基于万有引力和随机游走的个性化推荐算法,。针对现有推荐算法缺乏物理学解释和单纯依靠用户评分等问题,该算法创新性把万有引理原理引入推荐系统,定义了项目的万有引力及其计算方法,并以项目间万有引力大小来衡量项目间的相似度,从而得到项目相关图。然后,令用户兴趣点在项目相关图上进行随机游走,计算它在图上各节点的稳定概率,并以此作为用户和各节点亲密程度的度量值,该值高者就可能是用户喜欢的项目,从而推荐给用户。实验结果说明新算法较其他的相关推荐算法可以获得更高的推荐性能。     

基于图嵌入的用户加权Slope One算法

针对传统Slope One推荐算法在稀疏数据集上预测准确率较低的问题,提出一种基于图嵌入的加权Slope One算法。本文算法首先以融合时间信息的用户相似度为边权建立用户关联图,对该图进行图嵌入得到用户特征向量,然后基于Canopy聚类对用户进行类内加权Slope One推荐。另外,为优化算法性能,本文算法基于Spark计算框架实现。实验结果表明,对比传统的加权Slope One,本文算法在稀疏数据集和显式、隐式评分数据集上的推荐效果和评分预测准确率都更优。     

基于FP-Growth的图上随机游走推荐方法

推荐是促进诸如社交网络等应用活跃度的重要模式,但 庞大 的节点规模以及复杂的节点间关系给社交网络的推荐问题带来了挑战。随机游走是一种能够有效解决这类推荐问题的策略,但传统的随机游走算法没有充分考虑相邻节点间影响力的差异。提出一种基于FP-Growth的图上随机游走推荐方法,其基于社交网络的图结构,引入FP-Growth算法来挖掘相邻节点之间的频繁度,在此基础上构造转移概率矩阵来进行随机游走计算,最后得到好友重要程度排名并做出推荐。该方法既保留了随机游走方法能有效缓解数据稀疏性等特性,又权衡了不同节点连接关系的差异性。实验结果表明,提出的方法比传统随机游走算法的推荐性能更佳。     

基于条件型游走二部图协同过滤算法

针对拥有少量评分的新用户采用传统方法很难找到目标用户的最近邻居集的问题,本文提出了一种条件型游走二部图协同过滤算法。该算法根据复杂网络理论的二部图网络,将用户-项目评分矩阵转换为用户-项目二部图,采用了条件型游走计算目标用户与其他用户之间的相似性。研究结果表明在同样的数据稀疏性情况下,本文提出的条件型游走二部图协同过滤算法在MAE和准确率都要优于其他两种传统的协同过滤算法,从而提高了算法的推荐精度;而且当训练值的比例很低时,即数据稀疏程度越大时,本文提出的推荐算法的对推荐质量的提高程度越大。     

基于融合元路径的图神经网络协同过滤算法

传统的协同过滤算法没有充分考虑用户和商品的交互信息,且面临数据稀疏、冷启动等问题,造成了推荐系统的结果不准确.在本文中提出了一种新的推荐算法,即基于融合元路径的图神经网络协同过滤算法.该算法首先由二部图嵌入用户和商品的历史互动,并通过多层神经网络传播获取用户和商品的高阶特征;然后基于元路径的随机游走来获取异质信息网络中...     

基于改进轮盘赌策略的交互式演化算法磁

根据轮盘赌策略提出了一种基于改进轮盘赌策略的交互式演化算法（RS-IEA）,并将其应用于求解商业海报的设计上。商业海报的设计问题可建模为一个隐式性能优化问题,传统的优化算法不能直接对该类问题进行求解。由于RS-IEA 算法有用户的参与,它既保留了传统演化算法固有的求解最优化问题的优势,又融入了“人的评价”,能够成功解决该类问题,并获得理想的设计方案。     

基于加权两层图的混合推荐方法

结合用户一项目评分矩阵和项目一类别关联矩阵,提出了一种新的混合推荐模型。首先,利用用户一项目评分矩 阵和项目一类别矩阵,提出一种新的项目关联度度量方法,该方法根据项目的特征信息和当前评分数据的稀疏情况,动 态调节关联度的计算值,真实地反映彼此之间的关联度;其次,分别以项目关联度和用户一项目评分信息为权值,构建 一个基于用户一项目的加权两层图模型;在此基础上,从两层图的全局结构出发,结合随机游走算法给出了基于加权两 层图的推荐算法,以为用户提供个性化的项目推荐和用户推荐。实验结果表明,该算法相比文献中的其他推荐方法具 有更高的准确度。     

结合重要节点信任传播的社会化推荐算法

融合社交信息的推荐算法有效缓解了推荐算法中的数据稀疏性问题和冷启动问题,近年来受到极大的关注。但社交信息依然存在数据稀疏性问题,而且社交网络提供的二值数据无法衡量不同用户间的信任程度。针对这些问题,利用重启随机游走算法获取社交网络中的重要节点。提出重要节点信任传播算法建立重要节点和其他用户节点之间的信任关系,同时利用节点的结构信息进一步量化用户间的信任权重,以得到更精确的推荐结果。在三个公开数据集上的实验表明,结合重要节点信任传播的社会化推荐算法（INTP-Rec）丰富了社交信息,有效地提高了推荐算法的准确率和召回率。     

基于随机游走的网络表示学习推荐算法

根据网络结构中的连接关系得到节点的向量表示,进而将节点的向量表示应用于推荐算法可有效提升其建模能力。针对推荐系统中的同质网络,提出结合随机游走的网络表示学习推荐算法。以DeepWalk算法为基础,在随机游走过程中根据节点重要性设定节点游走序列数,并设置终止概率以控制游走长度优化采样结果,在网络表示学习过程中将SkipGram模型融合节点属性信息,同时考虑上下文节点离中心节点的距离获得更准确的推荐结果。实验结果表明,该算法相比DeepWalk、Node2vec等算法具有更高的推荐准确度,并且较好地解决了冷启动问题。     

基于学习的烙画图像特征重构

提出一种基于学习的烙画图像计算机仿真算法。在Hertzmann图像类比算法的基础上,使用融合轮选择算子的粒子群优化算法对处理过程进行加速,整个粒子群的当前最优位置采用轮选择的方法,能有效降低粒子群优化算法过早收敛于局部最优的机率,获得较传统近似最近邻域搜索更快的处理速度。为弥补Hertzmann算法中结果图像视觉效果上的纹理缺陷,在图像融合过程中,先将2幅输入图像转换到lαβ颜色空间,再进行点对点的加计算,进而实现图像视觉效果的增强。烙画图像的类比实验结果表明,该算法所获得的烙画仿真结果图像接近真实烙画图像效果。     

个性化信息推荐方法研究

随着信息技术和互联网的发展,人们进入了信息过量且愈发碎片化的时代。当前,个性化信息推送是用户获取网络信息的有效渠道。由于信息的更新速度快和用户兴趣更新等问题,传统的推荐算法很少关注甚至忽略上述因素,造成最终的推荐结果欠佳。为了给用户更好的个性化推荐服务,论文首次引入截取因子,提出了组合推荐算法（CR算法）。该算法的实质是将截取因子引入到基于内容的推荐算法与基于用户的协同过滤算法中,进而生成混合推荐算法。在推荐列表中,CR算法产生的推荐结果由两部分组成:一部分由混合推荐算法生成,另一部分由基于用户的协同过滤算法生成。根据信息的发布时间,决定该信息由哪类算法产生推荐:当浏览时间与当前时间的间隔不大于某个值时,采用混合推荐算法;否则,直接采用基于用户的协同过滤算法。基于真实数据的实验结果表明,CR算法优于同类算法。     

基于兴趣感知和时间因子的个性化菜品推荐 *

目前推荐系统已广泛应用在各种电子商务网站上,但针对菜品的个性化推荐很少。针对菜品推荐中存在别名多、用户菜品矩阵稀疏以及新用户冷启动等难题,对基于用户的协同过滤算法进行改进,设计一种融合专家选择和在线推荐的菜品推荐系统。专家选择通过对菜品进行种类层次划分为用户兴趣建模做准备,在线推荐通过兴趣感知选择算法选择餐厅中的专家用户和候选菜品,从而实现对用户菜品的推荐。最后通过在候选菜品选择时引入时间敏感因子和协同过滤中引入时间遗忘因子,改进兴趣感知算法和菜品偏好预测效果。实验结果表明,所设计算法较传统算法在准确性和推荐效率有明显改进,并得出了针对菜品推荐时引入时间因子有利提高推荐准确性的结论。     

基于改进遗传算法的片上网络低功耗映射方法

针对规模庞大的应用如何在NoC平台上低功耗地运行,本文提出了一种基于改进遗传算法的片上网络低功耗映射方法。该方法利用任务节点的通信权重和映射平台的结构特征,对任务节点进行优先级划分并根据任务节点优先级及其连接关系获取较优初始映射解集。在此基础上,在遗传操作中加入轮盘转赌、最优邻居选择、进化逆转等操作,同时每次迭代中都以一定的概率选择初始解,防止算法停滞。实验结果表明,在相同任务模型和映射平台下,改进遗传算法对比于传统遗传算法和随机映射方法,都大幅度降低了功耗。     

DTN中基于时间因素的拥塞感知路由算法

为了解决散发等待路由算法中,中继节点的选择存在盲目性的问题,提出一种基于时间因素的拥塞感知路由算法CARA。该算法考虑时间因素对转发概率的影响,改进Prophet算法中的转发概率。根据改进的转发概率选择中继节点,动态分配报文转发数目,并以拥塞感知自适应的方式实现拥塞控制的优化。仿真结果表明,CARA算法和网络投递率及延迟表现最好的CS-DTN算法相比,投递率提高了10.21%,延迟降低了7.05%,同网络开销表现最好的BSW算法相比,开销降低了8.16%。     

基于选择交叉烟花算法的无人车路径规划

在三维地形环境下,基本烟花算法进行路径规划时易陷入局部最优解且存在收敛速度慢的问题,为此,提出选择交叉烟花算法。利用栅格法构建三维地形环境并设置威胁区域,使无人车选择合适的节点进行路径探索,结合燃耗代价、平滑代价和威胁代价构建适应度函数,以约束路径节点的生成位置,确保规划出的路径平滑且远离威胁区域。通过基本烟花算法的爆炸、变异、映射和选择操作进行路径搜索,同时加入针对路径节点的轮盘选择操作,使偏离原始路径较远的节点具有更高的爆炸概率,以约束路径的搜索方向,从而加快算法的搜索速度。在此基础上,引入选择交叉火花,通过对轮盘选择后节点间的路径片段进行交叉,以增强种群中烟花之间信息的交互性,提高搜索全局最优解的性能。仿真结果表明,相比基本烟花算法,该算法在简单和复杂地形环境下的适应度值平均提高6%,且运行时间平均缩短13.5%。在各类地形环境下,无人车通过该算法能有效规避威胁区域,并在较短时间内寻找到更加平滑且燃耗更低的路径。     

结合时间加权和LDA聚类的混合推荐算法

针对协同过滤算法仅依赖评分矩阵产生预测,推荐准确度不高的问题，提出一种结合时间加权和LDA聚类的混合推荐算法。先构造时间柱模型，根据用户评分及时刻生成时间加权相似度，采用加权平均偏差法生成时间加权的预测评分；再对项目类型进行LDA聚类生成主题项目簇，经过概率转移生成LDA聚类的预测评分；最后通过调节因子确定两种评分的权重系数，从而线性加权生成最终评分。实验结果表明，新算法能够根据具体的近邻数目给出合理的推荐，提高推荐的准确度。