基于HMM与张量分解的两阶段个性化推荐模型与应用*

针对个性化推荐系统中用户偏好的进化学习与高维稀疏数据处理的问题。受隐马尔科夫模型(HMM)结构特征启发,提出了一种考虑上下文感知的两阶段用户偏好集推理策略的个性化推荐算法(HHRA算法)。通过对系统历史评分信息的处理,将用户偏好的提取过程抽象为一个HMM模型,来进行第一阶段的用户偏好集学习与推理。然后在此基础上,引入用户的实时上下文信息,构建了一种融入用户实时偏好的张量模型,并基于一种改进的高阶奇异值分解算法来处理高维稀疏的数据集,对模型进行优化求解,生成最优推荐集合。实验设计在3个具有不同特征的真实数据集上将HHRA算法与传统经典推荐算法进行对比分析,结果显示HHRA算法具有较好的适应性和推荐质量。     

基于BP神经网络与隐马尔科夫模型的推荐算法

针对个性化推荐系统中用户偏好的学习与高维稀疏数据处理问题.受到隐马尔可夫模型(HMM)结构特征启发,采用一种考虑上下文的两阶段用户偏好收集推理策略的个性化推荐算法.选择MD算法对系统历史评分信息进行挖掘处理,提取用户偏好分布频繁三项集作为隐含状态,将用户评分项目序列看作观测状态,从而抽象为一个HMM模型,结合BP神经网络进行第一阶段的HMM模型的用户偏好学习与推理.然后根据第一阶段的学习训练生成最优推荐集合.实验结果表明基于HMM的推荐算法比传统推荐算法具有更好的适应性和推荐质量.     

基于动态时间的个性化推荐模型

在推荐系统中,往往会存在数据的非实时性、稀疏性和冷启动性等问题,文中通过引入遗忘曲线来跟踪用户对资源偏好程度随时间变化情况,利用提出一种改进的K-Means聚类算法对用户集进行聚类,根据改进的个性化推荐算法对用户进行推荐,建立了一种基于动态时间的个性化推荐模型. 通过实验验证,文中提出的个性化推荐模型能够获取准确的用户偏好信息,并缓解冷启动问题,降低算法计算的时间空间复杂度,提高个性化推荐算法的推荐质量.     

评论感知的异构变分自编码器推荐模型

随着推荐系统的研究与发展,人们越来越关注个性化服务信息的准确推送,而对于推荐中数据稀疏的问题,传统评分信息协同推荐的方法很大程度上不能解决.因此人们将一些上下文信息引入到推荐系统中,而蕴含用户偏好的评论文本信息也被广泛用于缓解数据稀疏和冷启动的问题.自编码器作为一种无监督学习方法,在异常检测、人脸识别、数据增强和数据生...     

基于上下文学习和张量分解的个性化推荐

针对目前推荐系统存在的用户评分稀疏性现象,该文提出了一种基于上下文学习和张量分解的个性化推荐算法,算法通过利用用户之间共同评价的项目的上下文信息与评价过项目的用户上下文信息分别构建两个三阶张量,并应用高阶奇异值分解充分挖掘上述两个三阶张量实体之间潜在的关联关系,并将张量分解后的两个三维张量进行组合进而得到最终的推荐列表,以响应用户个性化请求.实验结果表明,该算法可以有效地对上下文信息进行建模,可以显著提高在数据稀疏情况下的推荐质量.     

隐式反馈场景下基于Pairwise排序学习的因子分解机算法

针对隐式反馈场景下的推荐问题以及如何融入用户物品的上下文信息来进行推荐,提出了一种结合Pairwise排序学习与因子分解机的隐式反馈推荐模型。首先借鉴排序学习中Pairwise的方法解决隐式反馈负反馈缺失的问题,然后选择因子分解机作为排序函数来建模用户的上下文信息,从优化物品排序的角度出发建模用户偏好,进而针对不同用户进行个性化推荐。最终实验也表明,所提出模型在排序指标MAP和NDCG上都要优于其他3种对比算法,在解决隐式反馈下推荐问题的同时,可以利用用户的上下文信息进一步提高推荐的准确度。     

融合上下文感知计算的协同过滤算法

将上下文感知信息融合到项目的相似度计算中,提出了一种结合上下文感知计算的协同过滤算法.以个性化音乐推荐为例,对用户及音乐的上下文信息进行分析,为用户进行个性化推荐,在公开的音乐数据集上进行实验,结果显示该算法提升了推荐精度,验证了算法的有效性.     

稀疏数据下基于用户偏好的协同过滤算法

协同过滤(collaborative filtering,CF)是推荐系统中最常用和最成功的推荐技术之一.现实中的数据往往比较稀疏,用户之间缺少共同评定项目,使一些传统的相似性度量无法进行计算;此外,传统的协同过滤算法忽视了用户偏好问题,这样会造成推荐精度的下降.针对这些问题,从用户全局项目和地方评级信息分析影响用户兴趣偏好的因素,通过计算用户评级信息在全局的概率分布和使用海明贴近度计算用户的兴趣偏好度,利用Jeffries-Matusita距离得出关于用户偏好的相似度算法,将相似度算法与加权的Jaccard相似度算法有效结合,提出了一种在稀疏数据下基于用户偏好的协同过滤算法模型.实验结果表明,提出的模型性能优于传统协同过滤算法,并且在更为稀疏的数据集上也有很高的准确率.     

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。     

一种基于协同过滤和混合相似性模型的推荐算法

针对推荐系统协同过滤方法中存在的数据稀疏和冷启动等问题,提出一种基于协同过滤和混合相似性模型的推荐算法。该算法首先计算用户在不同项目间的相似性,然后结合项目特性和标签信息权重来描述用户、项目、特性和标签之间的关系;其次,设定用户偏好因子和不对称因子调整不同用户间的评分偏好;最后,结合用户间相似性、项目综合权重,以及评分偏好构建混合相似性模型,并加入用户时间权重信息解决项目冷启动问题。在公开的MovieLens数据集上的实验表明,该算法在各种评估指标上比其他相关方法获得更显著的结果。     

基于偏好度特征构造的个性化推荐算法

随着在线旅游业酒店数量的日益增多,用户点评信息稀疏问题愈加严重,这不仅导致推荐准确度大幅下降,而且使传统推荐算法的计算负荷随之增加,难以满足实时性要求.基于此,从挖掘用户历史信息与待推荐物品之间潜在相关性的角度出发,对基于内容的推荐算法进行改进,提出了一种基于偏好度特征构造的个性化推荐算法.该算法通过计算偏好分来构造偏好度特征,并借助机器学习领域的分类算法得以实现.将该算法应用于线上旅游业的个性化子房型推荐,通过对真实数据集的实验与分析,验证了所提出个性化推荐算法的简便与有效性,且较传统推荐算法更具实时性和通用性.     

混合分层抽样统计与贝叶斯个性化排序的旅游景点推荐模型研究

传统协同过滤推荐模型仅处理稀疏的评分数据,未深入挖掘用户及对象的潜在语义,且用户喜好信息也未充分利用.围绕旅游景点推荐这一热点问题,提出全新的混合分层抽样统计与贝叶斯个性化排序的推荐模型：采用分层抽样统计及主观赋值评价法刻画用户旅游喜好;基于矩阵分解算法(Matrix Factorization,简称MF)分析用户及对象(景点)的潜在语义,运用贝叶斯个性化排序算法(Bayesian Personalized Ranking,简称BPR)对推荐模型进行优化;综合用户旅游喜好信息及BPR优化结果,生成混合推荐列表.在新的“Wisdom Tourism”数据集上进行仿真实验.实验表明：推荐模型的RMSE、MAE、F1值较最强基线分别提升16.59%、10.05%、5.04%;相比于分层抽样统计方法,BPR算法在推荐过程中发挥更显著的作用.     

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。     

基于边缘计算的融合多因素的个性化推荐算法

针对传统推荐算法使用单一上下文信息不能有效地解决信息过载、数据稀疏、冷启动的问题,提出了一种基于边缘计算的融合多因素的个性化推荐算法F-SVD和新的用户相似度计算方法 F-PEARSON（改进后的PEARSON相关系数）.在边缘服务器处理个性化用户数据以分散云服务器的压力,目前大多采用的集中式处理方式无法在爆炸性式增长的数据下提供准确的推荐,在云服务器融合多因素挖掘用户之间的潜在关系,从而构建预测F-SVD算法.实验结果表明：在公开数据集MovieLens上,与传统算法相比,所提出的算法在RMSE和MAE上的误差更小,精确度提升了2.2%.     

基于深度神经网络和概率矩阵分解的混合推荐算法

针对个性化推荐中用户和项目描述信息未充分利用,用户评分矩阵数据集极端稀疏的情况,提出了基于深度神经网络和概率矩阵分解(PMF)的混合推荐算法.首先,对用户和项目描述信息进行预处理,形成包含用户偏好特征的用户和项目特征集,再将各特征输入深度神经网络模型中进行训练.同时,利用概率矩阵分解模型,根据用户评分矩阵通过最大后验估计优化得到潜在特征向量;然后,通过对概率矩阵分解模型的用户和项目潜在特征向量以及深度神经网络模型的真实特征向量进行迭代更新,收敛得到融合用户和项目真实信息的潜在特征向量;最后,利用该特征向量对用户进行个性化推荐.实验证明,本文算法较经典推荐算法以及前人算法在均方误差与平均绝对误差指标上均有改善,说明本文算法的有效性.     

基于矩阵分解的社会化推荐模型

该文提出一种经由定制关系网络改进的基于矩阵分解的社会化推荐模型来缓解数据稀疏性和冷启动问题,并进一步改善大数据集导致的可扩展性问题。在该模型中,关系网络的社交影响力被建模为矩阵分解模型的用户-物品(user-item)评分倾向,而同质性则被建模为动态正则项。为了获得更好的预测精度和可扩展性,设计了一个关系网络boosting-shrinking算法,在该算法中,基于用户在数据集中的数据密度,自适应地裁减每个用户的关系网络为其定制个性化的关系网络。在稀疏水平不同的不平衡数据集上的实验表明:相比其他的基于矩阵分解的社会化推荐模型,该模型可以显著提高稀疏数据集的预测精度,有效地缓解冷启动问题,并获得较好的可扩展性。     

基于决策欺骗自适应修正的情景感知推荐方法

受决策心理相关理论启发,提出了一种基于决策欺骗自适应修正的上下文情景感知偏好获取方法.首先基于同类中心点行为距离获取用户历史行为中的伪偏好行为,将上下文行为波动与偏好波动交叉验证,并结合模糊隶属函数以关联伪偏好行为与其所属决策欺骗类,最后分别融合相应的行为补偿策略来获取上下文环境下的用户偏好.在大规模真实数据集上的实验结果表明:与经典的协同过滤算法及上下文感知算法相比,推荐精度平均提高2.5%以上,推荐多样性平均提升近3%.     

新闻事件的分布式混合推荐算法

针对新闻的个性化服务差及推荐效率低的问题,提出了一种新闻事件的分布式混合推荐算法.该算法改进了传统的层次聚类算法用于新闻事件发现,通过协调簇中心距离和簇间最远距离的权重解决了传统层次聚类中的大簇问题;使用混合推荐算法进行事件推荐,引入了事件的多重特征来计算用户兴趣模型,更准确地表示用户的兴趣偏好;采用Spark分布式计算平台实现该算法,可处理大数据的个性化推荐问题.在公开数据集上的实验结果表明本文方法有效.      

融合用户偏好和信任关系的混合群组餐厅推荐

在推荐系统领域,群组推荐可以有效解决传统个性化推荐存在的仅对单用户推荐、数据稀疏、计算量大等问题,已成为该领域研究的热点。在传统的推荐算法中,仅使用用户的评分数据,没有考虑用户的信任关系。本文提出的算法通过引用用户偏好模型,获取用户-餐厅偏好评分矩阵,代替原始的用户-餐厅评分矩阵,降低了数据的稀疏性;在计算用户信任度时,从公平性、准确性、影响力考虑了不同因素对用户信任度的影响;通过K-means算法对同城的用户进行聚类,使用改进的比重偏好融合策略预测群组偏好进行推荐。通过实验可知,该方法有更好的推荐结果。     

基于多任务权重参数学习的兴趣点推荐算法研究

基于位置的社交网络的快速发展,通过借助社交网络来分享用户位置信息,其中包含了丰富的上下文信息,比如用户签到、兴趣点地理位置、用户社交关系等,从而对兴趣点推荐的发展提供了很大的机遇.但是,如何有效地利用这些上下文信息,解决数据稀疏和隐式反馈等问题,是很大的挑战.针对这一问题,提出了一种能够动态融合不同上下文因素的推荐算法,该推荐算法可以融合不同类型的上下文因素,比如地理信息、类别信息、时间信息等,通过一种类似梯度下降的动态权重参数学习的方法,动态地学习每个因素的权重,适应不同类型用户特点,从而改善兴趣点推荐效果.