基于用户评论文本情感分类的推荐算法ABFR

大数据时代,数据负载使得人们从互联网中获取有效信息的难度越来越大,单维度用户与系统的交互行为已经无法进行精确地推荐,而用户在系统中对物品的评论信息常常能够表达用户的情感倾向和兴趣偏好.利用自然语言处理的ALBERT模型结合BiLSTM神经网络来挖掘用户对物品评论文本中的情感倾向,将用户的情感倾向进行二分类并数值化代入到...     

基于排序学习的连续兴趣点推荐

针对位置社交网络中连续兴趣点推荐系统面临的个性化偏好、数据稀疏性和签到行为的隐式反馈属性等挑战,提出一种基于排序学习的连续兴趣点推荐模型。本文使用三阶张量模型对用户的连续签到行为进行建模,并利用LBSNs中的地理信息定义用户访问兴趣点的地理距离偏好,最后使用基于排序学习的优化标准优化求解模型参数。在两个真实的LBSNs数据集上的实验结果表明,本文提出的模型在推荐性能上优于当前流行的兴趣点推荐算法。     

融合多种影响因子的兴趣点推荐算法

为了解决兴趣点推荐任务中的数据稀疏性问题和充分利用位置社交网络中的多样信息提高个性化推荐质量,提出了一种融合多种影响因子的兴趣点推荐算法。分别对地理信息和社会信息进行地理影响力建模和社会影响力建模,并联合时间信息和地理信息进行时空影响力建模,然后以加权求和的方式整合3种影响力评分得到用户偏好分数,根据用户偏好分数为每个用户提供1个包含Top-N[WT]个兴趣点的推荐列表。实验结果显示,在2个公开数据集上,融合多种影响因子的兴趣点推荐模型的性能优于对比模型。地理-社会-时空影响是兴趣点推荐任务中的关键,对这3种影响建模可为融合关键信息的兴趣点推荐研究提供参考。     

基于聚类和分类的个性化文章自动推荐系统的研究

由于缺乏足够的反映用户兴趣的知识,以及巨大的在线计算量,导致互联网上现有文章自动推荐系统普遍存在盲目性和低效性的问题.针对以上问题,提出了一种基于聚类和分类的个性化文章自动推荐系统,利用机器学习的方法隐式地获取用户模型,并根据用户模型为用户提供个性化的文章自动推荐服务.该系统包括离线用户模型及用户群获取子系统和在线个性化文章推荐子系统两大部分,前者对文章进行聚类形成聚类兴趣点,构建基于聚类兴趣点的用户模型,并根据用户兴趣聚类形成各兴趣点的用户群;后者对待推荐文章进行分类,搜索到其所属的兴趣点,向该兴趣点的用户群进行主动推荐.理论分析和实验结果表明,该系统能够显著提高有效性和在线响应速度.所述的设计思想和技术也适用于其它互联网个性化信息自动推荐系统.     

基于社会化标注的用户兴趣挖掘

用户兴趣挖掘是实现个性化推荐与智能化服务的关键问题。Web2.0引入的社会化标注可以反映用户的潜在兴趣。该文提出一种基于用户标注行为的兴趣建模方法,根据用户与标签的交互模式反映用户的兴趣倾向。从用户对不同标签的"认同度"和"依赖度"两方面衡量用户的标签兴趣,并使用"标签基因"对用户的兴趣进行细粒度分解。来自真实用户数据的实验结果表明,该方法可以有效提高用户兴趣的预测准确度和覆盖率,创建的兴趣模型更加符合用户的真实情况。     

基于用户画像的高校图书馆个性化图书推荐研究

个性化推荐服务是高校智慧图书馆的建设重点，基于此，提出了图书推荐系统整体架构.首先从读者的属性、行为、兴趣等标签维度构建用户画像模型，其次考虑读者认知能力存在差异化的特点，将读者按照不同的身份类型划分，再结合基于协同过滤、内容及属性相似度的混合推荐算法进行图书推荐.最后，通过Hadoop大数据平台向目标读者推荐TOP-N图书，实验结果表明，基于该架构模型的图书推荐系统的推荐准确度高，并且有效缓解了推荐系统的冷启动问题.     

社交网络中基于用户投票的推荐机制

为了改善目前社交网络中热点信息推荐与个性化好友推荐的不足,提出基于用户投票的推荐机制.首先,根据众多用户对某条信息的投票情况评估信息的热度与价值,将用户对信息的浏览、评论、转发等操作以及时间因素与用户主动性投票相结合,提出基于用户投票的热点信息推荐算法.然后,根据某个用户对众多信息的投票情况评估用户的兴趣,从用户对网络信息的投票以及浏览情况中提取出用户的兴趣度特征,进而提出基于用户投票的个性化好友推荐算法.最后,针对2个算法进行仿真实验,评估各因素对推荐算法的影响和推荐的有效性.实验结果表明,基于用户投票的推荐机制可以有效地进行热点信息与个性化好友的推荐.     

基于兴趣度的聚类协同过滤推荐系统的设计

协同过滤技术被成功地应用于个性化推荐系统中.随着用户数目和网页数目的日益增加,整个用户矩阵数据极端稀疏并且实时性效果不理想.传统的推荐方法解决不了这些问题.本文结合兴趣度和聚类技术对客户的个人兴趣进行评价,提出了基于兴趣度的聚类协同过滤推荐系统,实验表明,该算法能够有效避免传统方法带来的弊端,提高系统的推荐质量.     

一种基于社会化媒体和社会网络结构的混合推荐模型

近年来,社交网络的迅速发展为在线用户之间的沟通和交流带来极大便利,为良好的信息推荐服务提供了丰富的资源,与此同时也为个性化推荐带来了更为复杂的技术挑战.本文通过自然语言处理技术获取用户在社会化媒体(新浪微博)中的个性化兴趣标签信息,应用到自行设计开发的社会化阅读应用牛赞网中.进一步地,利用用户在牛赞网中的阅读行为和社交信息,结合用户的社会化媒体兴趣,提出了一种混合推荐模型.实验基于牛赞网中的实际数据集,并与基于用户的经典协同推荐模型进行了对比,结果表明,提出的模型在推荐性能的几个指标(AUC、准确率、召回率、多样性和新颖性)上都有很大的提高.最后,通过对牛赞网中几个典型用户进行进一步的案例分析后得出,混合推荐模型的最优参数需要根据不同社会化行为的用户进行调节.     

基于决策树分类的个性化农产品移动信息服务系统

针对农产品移动信息服务的需求,结合分类算法和个性化推荐算法,提出了一种基于分类的推荐算法.利用决策树分类方法对农产品进行分类,获得分类后的数据,采用协同过滤算法分析分类数据,查找兴趣相似的用户,将感兴趣的农产品信息推荐给正在使用系统的用户.实验结果表明:与传统的推荐方法及相比,该系统向用户推荐了兴趣度更高的农产品移动信息.     

基于改进BP神经网络的个性化推荐算法研究

个性化推荐是根据用户的喜好向用户推荐个性化的产品、信息或服务等,在大数据时代能有效地解决信息过载的问题。提出基于改进BP神经网络的个性化推荐算法,研究了如何建立混合推荐模型,采用BP神经网络训练提高算法中用户相似度计算的准确性。在真实数据集上的实验结果表明,该算法能有效减小用户相识度计算偏差,提高用户个性化推荐的推荐质量。     

基于情感分析和情感遗忘的协同过滤推荐策略

【目的】探索弥补现有协同过滤推荐系统中存在的诸如无法有效地识别用户兴趣的迁移、数据稀疏情况下推荐准确率低等缺陷的方法。【方法】通过对网络用户在线评论信息进行基于方面级的情感分析，利用改进的DP算法提取出评论信息中用户潜在的情感倾向，并对它进行有效地量化，有效地将用户的情感因素引入到用户兴趣建模过程中。同时，引入艾宾浩斯遗忘曲线理论，解决因时间变化而导致的用户兴趣迁移的问题。【结果】模拟实验在所选的两套数据集上进行，分别针对平均绝对误差（MAE）和覆盖率（Coverage）两个常用的性能评价标准，与选定的对比算法进行了对比实验。实验结果显示提出的引入情感分析和遗忘的协同过滤推荐算法能够有效地降低MAE，并能有效地提升Coverage。【结论】提出的算法有效地弥补了兴趣迁移对推荐准确率的影响，提高了系统对商品长尾的发掘能力。     

基于评论主题的个性化评分预测模型

针对现有基于评论分析的推荐算法没有充分考虑个性化的问题, 通过对评论进行主题分析, 挖掘用户的喜好, 分别建立基于用户和物品的个性化评分预测模型。在真实数据集上进行实验验证, 结果表明该模型有效地提高了推荐系统的评分预测性能。     

基于综合用户信息的用户兴趣建模研究

为实现个性化服务,理解用户兴趣成为提供搜索服务的关键任务,因此针对传统的用户兴趣建模技术的一些不足,提出了基于浏览内容、浏览时间和操作时间的综合用户兴趣建模方法,将VSM和SVM引入用户兴趣模型的构建,并在此基础上给出了推荐系统的框架,实现了基于此模型的推荐系统.试验结果显示,系统较好的实现了用户感兴趣信息的推荐.     

个性化推荐系统用户偏好获取及兴趣建模

本文选取基于内容（过滤）的个性化推荐技术,通过结合个性化推荐的相关理论,从用户资源特征项提取、用户兴趣模型建立、资源文本相似度计算等方面进行研究和分析,最终推荐给系统用户最合适、最个性化的网络资源。     

基于信任社区的个性化推荐策略研究

针对传统的协同过滤算法推荐准确率较低的问题,提出一种基于信任社区的个性化推荐策略.首先利用社区发现算法,从用户网络中挖掘出具备类似兴趣喜好的信任社区,然后实施基于社区的个性化推荐.为及时发现用户的兴趣迁移及恶意攻击节点,引入一种信任度的反馈评价机制,将交易后的评价数据与预期值进行比较,以实现信任度的自适应更新.实验数据显示,该算法使得系统推荐准确率得到有效提高,从而提高了用户对系统的信任度.     

一种基于位置和时间信息的兴趣点推荐方法

在社交网络中,人们往往会访问自己比较感兴趣和离自己比较近的地方,而兴趣点推荐就是根据用户的兴趣偏好能够有效地帮助用户选择自己比较感兴趣的地点。笔者提出一种基于位置和时间信息的兴趣点推荐方法。该方法从兴趣点的角度出发分为3个步骤,首先使用用户历史访问的兴趣点的位置信息计算用户历史访问兴趣点和用户未曾访问过的兴趣点的相似度;然后使用时间信息,将一天划分为不同的时间段,统计所有兴趣点在一天中不同时间段被签到的次数,计算用户历史访问兴趣点和用户未曾访问过的兴趣点的相似度;最后根据兴趣点的位置和时间信息综合计算用户历史访问兴趣点与用户未曾访问兴趣点的相似度,根据Top-N策略向用户推荐用户未曾访问过的兴趣点。在现实社会中的真实数据集上进行实验验证,实验结果表明笔者提出的方法是有效的。     

基于时间加权标签的协同过滤推荐算法研究

传统的协同过滤推荐算法主要以评分数据为数据源来计算和反映用户的兴趣偏好和资源相似度,并决定是否对潜在用户进行推荐物品。而忽视了用户、资源本身的特征,用户在不同时间对资源的认识和感兴趣程度是会变的。基于这个问题,本研究对传统算法进行了改进,提出了基于时间加权标签的信息推荐算法。该算法的主要思想是标签可被用户依个人偏好进行资源标注,标签代表用户对资源的兴趣特征,以用户集、时间、标签集及物品资源等 4 个量形成的多维关系,可以计算出用户和资源之间的标签特征向量,计算在不同时间段,用户对资源的偏好以及资源相似度,并且依据用户的历史行为来预测用户的偏好,并进行推荐。实验结果显示本算法有效地提高了推荐的准确性,获得了更好的推荐效果。
     

一种基于用户行为反馈的兴趣度模型更新算法

个性化推荐技术在电子商务系统中得到了广泛应用.针对现有的用户模型不能及时根据用户自身兴趣偏移进行更新的问题,提出了一种基于用户行为反馈的兴趣度模型的更新算法,在创建好模型的基础上,分析用户的购买记录和用户的浏览行为,结合用户的兴趣内容,实现用户兴趣的自动更新,得到的针对新的用户兴趣的推荐商品列表,在此基础上结合用户的购买商品记录,实现推荐商品的个性化排序,从而向用户进行个性化推荐.实验对比结果表明,该算法能更好地发现用户当前的购买兴趣,从而进一步提高个性化推荐精度和用户满意度.     

PORSC:融合用户个性化特征的在线评论情感分类模型

针对传统在线评论情感分类忽视了用户个性化的问题,提出了一种融合用户个性化特征的在线评论情感分类(PORSC)方法,该方法为每一类型用户构建一个在线评论情感分类器.PORSC模型由2部分构成:一部分是具有学习评论中常见情感信息的全局情感分类模型;另一部分是能捕捉每种类型用户的个性化特征的特定用户类型分类模型.为解决PORSC模型在训练中的数据稀疏问题,引入多任务学习方法,以协同方式训练分类器,以并行方式解决了PORSC模型中参数的优化问题.通过在2个实际中文产品评论数据集和一个公开的英文评论数据集上实验,并与已有基线方法进行比较与综合分析,结果表明PORSC模型在一定程度上提高了在线评论情感分类的精度.