基于模态符号数据分析的混合推荐算法

传统混合推荐算法基于点数据来描述用户模型,存在信息丢失、难以统筹考虑用户所有偏好信息等问题,严重影响了推荐系统的质量和效率。针对该问题,以符号数据为基础,建立了基于模态符号数据分析的混合推荐算法。用模态符号数据对用户建模,引入模态符号数据的距离度量计算用户兴趣模型间的相似性,同时整合用户人口统计信息的相似性,形成用户的综合相似性,最终完成推荐。实验结果表明论文方法在应对数据稀疏性及新用户问题时,具有更高的推荐精度。     

用户行为驱动的在线社交网络建模

基于节点威望和节点相似性这两个驱动在线社交网络连接形成的潜在机制,从用户连接行为入手,本文提出一个在线社交网络生成模型.采用优先连接刻画网络无标度特性;从微博好友推荐机制建模节点趋同性.该网络模型考虑了社交网络形成的一些重要驱动因素,如同质性和聚类性.从网络连接的微观交互中寻求刻画网络宏观特性的连接机制是本文研究的出发点.模型有力刻画了在线社交网络的统计特性,如度分布、聚类系数、度相关性.结果表明节点威望吸引和节点相似性是在线社交网络结构形成的内在机理.     

基于在线评论的混合推荐算法

web2.0的快速发展使得网络数据剧增,全方位刻画用户特征、分析用户偏好信息并对用户进行产品推荐成为企业和客户的迫切需要,个性化产品推荐应运而生。目前的推荐算法大多以评分数据作为获取偏好的来源,主要根据用户偏好模型评估推荐效果的好坏。本文以产品在线评论为基础,通过特征属性的情感分析补充用户对产品的倾向性意见,基于内容推荐算法根据用户评分和在线评论构建用户偏好模型与产品特征模型。以协同过滤算法为框架,结合多种相似度算法构建了基于用户偏好与产品特征的混合推荐算法。采集携程网的数据进行实验,验证了模型良好的推荐精确度。     

协同过滤推荐算法研究: 考虑在线评论情感倾向

协同过滤推荐算法通常是基于兴趣相似的用户行为来实现个性化推荐, 其核心义用户之间的兴趣相似度. 本文在传统的协同过滤推荐算法基础上, 考虑在线评论对用似度识别的影响. 在混合商品推荐中, 粗粒度识别评论情感极性; 而在同类商品推荐中, 细粒别每个商品特征的情感极性. 如果用户对产品的某个特征评价次数大于平均次数, 表明用户对征较关注; 如果对产品的某个特征评价低于平均评价, 表明用户对该特征较挑剔. 进而根据用户评论来建立用户偏好模型, 用户在评论中反映出来的相似度越高, 表明用户之间的偏好越. 实验表明, 同传统的协同过滤算法相比, 基于在线评论情感分析的用户协同过滤算法在率和召回率指标上有显著提升.     

基于信任随机游走模型的微博粉丝推荐

利用微博关注关系和社交行为构建微博信任网络,通过引入基于信任的随机游走模型,结合用户间兴趣相似度,建立了微博粉丝推荐模型。为提高粉丝推荐系统的覆盖率,将用户间的社交行为引入信任的计算,实现了TopN推荐。利用KDD Cup 2012腾讯微博数据进行了实证研究。实验结果表明:在混合多种社交行为的信任网络中,推荐算法的整体性能最优;推荐长度对推荐结果影响较大,当长度为40时算法获得最好的推荐性能;与主流的推荐算法相比,改进后的基于信任的随机游走推荐模型在推荐准确率和覆盖率等多种评价指标上都取得了更好的结果。研究结论为微博粉丝推荐研究提供了新的方法,为微博网络社会化推荐提供了新的视角。     

面向用户偏好的属性值评分分布协同过滤算法

针对传统协同过滤算法存在的不足,本文充分考虑用户对项目相关属性特征的偏好,将用户对项目的评价转化为用户对项目属性偏好的评分分布;在此基础上,对传统的协同过滤算法的相似性度量方法进行改进,并采用修正的用户偏好数学期望预测模型,提出一种面向用户偏好的属性值评分分布协同过滤推荐算法.实验结果表明,该算法可有效解决传统过滤算法存在的问题,推荐精度显著提高,使推荐服务更好地满足用户的偏好需求.     

融合多关系的矩阵分解社会化推荐算法

在现实的社交网络中,用户之间往往存在多种关系,而现有的社会化推荐算法都只考虑一种关系对推荐结果的影响。基于多子网复合复杂网络模型,将用户间的多种社交关系引入用户特征矩阵,提出了基于多关系的矩阵分解社会化推荐算法。通过对2个真实数据集上的实验结果分析,发现加入多种社交关系的矩阵分解社会化推荐方法比传统的矩阵分解算法在推荐准确率方面有显著提高。     

基于用户兴趣变化和社会化标注信息的协同过滤推荐方法

随着Web 2.0技术的发展和推广,社会化标注系统为用户提供了有效表达自我和抒发感情的机会。针对社会化标签的特征,本文提出了一种考虑用户兴趣变化和用户标注信息的协同过滤推荐方法。首先,基于用户的历史记录信息构建了用户原始数据模型;然后将基于艾宾浩斯遗忘曲线的遗忘函数引入原始数据模型构建了用户兴趣模型,其中,利用融合时间权重的文本挖掘技术TF-IDF建立了基于项目类别标签的用户兴趣模型,综合标注标签加权频数和用户评分构建了基于标注标签的用户兴趣模型,融合时间权重和项目评分构建了基于评分的用户兴趣模型;进一步,基于用户兴趣模型并利用余弦相似性以及改进的Pcarson相关系数可计算融合用户评分和标签的用户兴趣相似度,根据用户兴趣相似度可为目标用户构建近邻集合从而生成推荐。实验结果表明,本文所提方法可以较好的考虑到用户的兴趣变化以及用户对标注标签的偏好,并通过对比实验证实该方法比传统的协同过滤方法推荐质量更高。     

基于情境化用户偏好的协同过滤推荐模型

协同过滤推荐是目前个性化推荐系统中使用最为广泛的方法.然而,传统协同过滤推荐一方面仅根据用户对项目的评分来判断用户之间是否存在共同喜好具有一定的片面性,因而降低了近邻搜索的质量;另一方面忽略了不同情境对用户偏好影响的差异性,进而影响了个性化推荐的效果.为此,提出一种基于情境化用户偏好的协同过滤推荐模型.首先,在模型中采用信息熵理论分析不同情境对用户偏好产生影响的重要程度,并结合用户-商品评分和用户对商品属性的偏好来搜索近邻用户;在此基础上,将情境重要度的权重引入到协同过滤推荐的生成过程中进而产生推荐结果.通过MovieLens数据集对该模型和其它两种协同过滤推荐进行比较的结果表明:本模型具有较低的平均误差,进而表明了考虑情境化用户偏好的协同过滤可明显改善个性化推荐的质量.     

基于信任和不信任关系的实值受限玻尔兹曼机推荐算法

在社交网络与电子商务快速融合的背景下,将基于信任关系的推荐技术应用于电子商务领域实现个性化推荐已得到广泛研究.现有推荐算法鲜有考虑用户间不信任效应,导致社交信任度量过于保守,较大地影响了推荐系统准确性.针对现有推荐算法忽视不信任关系导致的非对称效应缺陷,本文提出一种结合信任和不信任的实值受限玻尔兹曼机推荐算法(TDA-RBM),首先建立个人受限玻尔兹曼机,进而运用用户社交行为特征信息分析用户信任与不信任关系并进行度量,在此基础上构造信任-不信任监督机制并用于TDA-RBM方法的优化,同时对该方法的有效性进行分析.通过Epinions数据进行的对比实验表明了TDA-RBM方法的有效性以及不信任关系的引入能有效提高推荐准确性.     

基于多种社交关系的概率矩阵分解推荐算法

随着社交网络的发展,社会化推荐算法得到普遍应用,现有的推荐算法往往只是将一种社交关系引入到推荐系统,但在现实社交网络中用户之间往往存在多种社交关系。基于多子网复合复杂网络模型,利用共享用户特征矩阵,提出了基于多关系社交网络的矩阵分解推荐算法。通过在Epinions数据集上的实验结果分析,准确率评价指标MAE、RMSE和NMAE分别提高了34%、27%和7%,由此可以证明,多关系社交网络的矩阵分解推荐算法能有效提高推荐准确率。     

基于信息传播理论的微博协同过滤推荐模型

高速发展的微博带来信息富余,也带来了信息过载,不断新增的非结构化微博文本内容和复杂的社会网络关系导致个性化推荐难以实施.针对微博网站特征,提出一种基于信息传播模拟的协同过滤推荐模型并给出推荐框架图,解决推荐的数据稀疏性和冷启动问题.首先,通过自然语言处理技术处理非结构化文本内容,获取关键词为推荐对象,构建用户-关键词偏好模型;然后,采用一阶马尔可夫随机游走模拟用户偏好在社会网络中的传播过程,得到用户-关键词偏好矩阵.实验使用来自新浪微博的数据集,采用平均绝对误差、准确率和召回率三个指标评价推荐模型,并与基准模型进行对比.实验结果表明,因整合了社会网络结构信息,基于信息传播的协同过滤推荐模型的效率比基准模型有明显提高.     

关于偏好信息全序化的加权TOPSIS新方法

针对通过辨识矩阵无法求取偏序集,不能进行后续的偏好信息全序化算法的普遍问题,提出了基于粗糙集的加权TOPSIS偏好信息全序化方法。首先根据属性间差异程度计算各个属性的权值,然后再对信息系统进行加权TOPSIS排序分析。克服了原算法对信息表本身的过严限制,扩大了偏好信息全序化的粗糙集方法的应用范围。最后通过在球团厂中链蓖机-回转窑系统信息表的应用验证了该方法的有效性。     

考虑工人参与意愿影响因素的竞争式众包任务推荐方法

竞争式众包中,有效的任务推荐成为亟欲解决的问题.传统任务推荐仅依据工人对任务的投标记录构建任务推荐方法,但工人对任务的投标与否本质上是由工人的参与意愿决定.针对竞争式众包特性,本文提出一种考虑工人参与意愿影响因素的竞争式众包任务推荐方法.该方法基于工人参与意愿影响因素研究,从工人维度和发包方维度将工人的参与意愿影响因素表示为工人的收益偏好、素质能力以及对发包方的信任,并结合工人历史行为记录以及相关描述信息对各维度影响因素进行衡量.在此基础上构建工人模型,并综合各维度影响因素相似度借助协同过滤算法生成推荐列表.通过一品威客众包平台中真实数据的实验表明,本文提出的推荐方法能够更有效地对竞争式众包任务做出推荐.     

基于读者偏好变化的高校图书个性化推荐方法

提出了一种根据读者借阅行为记录和图书信息来观察高校读者阅读偏好随着时间变化的思路，并借助二分网络结构特性，提出了测量偏好变化特征的计算方式及其作为推荐客体结合传统图书推荐算法的混合推荐方式。同时，使用上海交通大学图书馆图书借阅历史数据展示了偏好变化计算结果和结合偏好变化的混合推荐方法相比传统推荐方法的优越性。     

基于高度残缺信息的分布式语言信任网络群决策方法

针对缺失的分布式语言信任社会矩阵以及高度残缺的评价信息, 提出一种新的分布式语言信任网络群决策方法。首先, 提出了一种分布式语言信任传递模型以填充分布式语言信任社会矩阵中的缺失值。其次, 定义了基于分布式语言信任社会矩阵的个体信任中心度和群体信任中心度, 并在此基础上提出了确定评价网络中专家权重的方法。再者, 鉴于决策矩阵中评价信息存在高度残缺的情形, 利用K-近邻算法评估残缺的评价信息, 并基于分布式语言信任函数的距离测度提出一种改进的逼近理想解排序(technique for order preference by similarity to an ideal solution, TOPSIS)法。最后, 通过外卖服务平台性价比的综合评估验证该群决策方法的可行性和有效性。     

基于概率犹豫-直觉模糊熵和证据推理的多属性决策方法

针对专家决策带有犹豫性和偏好性的多属性决策问题,提出一种基于概率犹豫-直觉模糊熵和证据推理的决策方法。在概率犹豫模糊集和犹豫直觉模糊集的基础上,考虑专家偏好,提出一种新的概率犹豫-直觉模糊集,对混合型属性的决策信息进行统一描述;基于犹豫熵和直觉模糊熵,提出概率犹豫-直觉模糊熵对决策信息的犹豫性和不确定性进行测度,并确定属性权重;采用证据推理算法进行属性信息的集结,并基于效用理论对方案进行排序。通过算例对比分析验证了所提方法得到的决策结果更为科学、准确。     

多粒度犹豫模糊语言信息下的群推荐方法

针对群推荐系统的偏好信息来自不同的网络平台,被推荐项目具有多粒度性、犹豫模糊性和多属性等问题.本文首先定义了多粒度犹豫模糊语言术语集的概念,定义了多粒度犹豫模糊语言术语集的广义距离公式、广义豪斯多夫距离公式和广义混合距离公式;其次,考虑被推荐项目属性的权值问题,定义了相应的广义加权距离公式距离、广义加权豪斯多夫距离公式和广义混合加权距离公式等.研究了这些公式的性质,讨论了公式之间的关系;最后,将这些距离公式结合满意度公式用于群体推荐问题,并进一步分析了公式的参数对满意度及电影排序的影响情况.     

对方案有偏好的三角模糊数型多属性决策方法研究

研究了这样一类多属性决策问题 :①决策者对方案有偏好 ;②属性值以三角模糊数形式给出 ;③属性的权重信息不能完全确知。提出了一种基于相似度的对方案有偏好的三角模糊数型多属性决策方法 ,该方法首先建立一个线性规划模型 ,通过求解该模型获得属性权重。然后 ,基于三角模糊数两两比较的可能度公式及互补判断矩阵的排序公式 ,对决策方案进行排序和择优。最后进行了算例分析。