基于潜在主题的混合上下文推荐算法

针对单个环境上下文中项目访问记录稀疏的问题,推荐系统难以获取与当前环境上下文关联的用户偏好。该文设计了一种新的上下文关联性推荐(CTRR)算法。CTRR算法通过CTRR_LDA模型求解推荐项目出现在特定环境上下文的概率,并结合上下文后过滤推荐算法,对用户进行推荐。CTRR_LDA模型是在(LDA)模型的基础上,结合环境上下文和项目特征上下文,提出的项目与环境上下文的关联概率模型。该模型将环境上下文划分为多个环境上下文因子,每个环境上下文因子表示为K维的主题分布,挖掘环境上下文因子中项目出现的潜在主题特征。利用LDOS-CoMoDa网站上真实的电影数据集进行实验,验证了算法的可靠性。     

自适应AP选择无线室内定位算法

针对接收信号强度的无线室内定位算法中无线接入点（AP）具有相关性和区域性问题,提出自适应AP选择无线室内定位算法。针对AP具有相关性,在线阶段提出基于互信息和信息熵的AP选择算法,联合衡量AP子集内所有AP间的相关性,搜索包含有效位置信息最多的AP子集。对于AP的区域性问题,离线阶段对参考点高斯邻域内原始RSS采样数据进行最小二乘高斯曲线拟合,并提出优先度函数衡量AP性能。最后,采用KL散度实现待定位节点位置估计。与WKNN、MLE算法相比,该算法有效地提高了无线室内定位精度。     

融入用户社会关系的协同主题回归模型

协同主题回归（CTR）将概率矩阵分解和主题模型结合应用于推荐系统,在许多推荐应用中取得了成功,但该模型没有考虑用户社会关系对用户兴趣的影响。针对该问题,引入概率链接函数来评估社会关系网络对用户兴趣的影响,并以此约束目标函数。在CTR的基础之上,提出一种融入用户社会关系的协同主题回归模型（USRCTR）,结合用户项目评分信息、项目内容和社会关系网络,构建一个基于分层贝叶斯模型的推荐引擎。在Lastfm数据集上实验表明,与其他几种CTR改进方法对比,该模型的训练时间更短,推荐精度更高。