基于符号数据与非负矩阵分解法的混合推荐算法北大核心CSSCI

针对现有推荐算法在处理海量数据时效率和精确度低下的问题,提出一种将基于内容的推荐算法与基于项目的协同过滤算法相结合的新的混合推荐算法。首先引入符号数据分析方法,使用模态符号数据对项目建模,同时针对评分矩阵的超高维及稀疏性问题加入非负矩阵分解算法,对项目的特征矩阵进行有效"平滑",以此为基础计算项目之间的相似性,进而完成混合推荐。基于MOVEILENS数据的实验结果表明,本文提出的混合推荐算法与传统的基于项目的协同过滤算法相比,在相似性计算上具有更高的效率,同时在应对数据稀疏性及新用户问题时,具有更高的推荐精度。     

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。     

基于PCA-SOM的混合协同过滤模型

针对推荐系统中协同过滤技术面临的数据稀疏性和推荐实时性难以保证的问题,提出一种基于主成分分析(Principle component analysis)和SOM(Self-organizing map)聚类的混合协同过滤模型.首先对原始评分数据进行全局降维,并在转换后的主成分空间上进行用户聚类,缩小了目标用户的最近邻搜索空间,减少了在线计算时间复杂度,最后对真实的电子政务门户网站Log日志数据进行了几种常用的推荐算法的比较,实验结果证明新的推荐模型具有较好的预测精度.     

一种基于符号数据的群体推荐算法

基于符号数据分析所具有的能够有效地对海量数据进行降维并从整体上把握样本属性的优势,设计了基于区间型和分布式符号数据的模型建立方法,分别建立符号数据描述的目标群体用户模型和目标项目模型,并将目标项目模型分解为积极子模型和消极子模型来表示.进而计算目标群体模型与目标项目积极子模型、消极子模型之间的相似度,最终产生推荐.选取为群体用户推荐美食作为实例,通过大众点评网收集用户评分数据,对文中算法进行评价,结果表明该算法能取得良好的推荐精度,且在群体较小及数据稀疏时,推荐质量明显优于传统基于点数据描述群体用户模型的协同过滤算法.     

众筹项目的个性化推荐:面向稀疏数据的二分图模型

二分图模型是一种全局优化算法,本文将二分图模型应用于直接推荐众筹项目,使用PersonalRank算法迭代计算网络节点的全局关联度,从而推荐那些基于余弦相似度的协同过滤不能有效推荐的项目,适用性更加广泛.更进一步,提出将二分图模型与协同过滤算法相结合,首先把网络结构划分为二分图,采用二分图算法得到的两类节点(用户节点,项目节点)之间的全局相似度,再结合协同过滤算法,得到基于二分图模型的协同过滤算法.实验表明,在众筹项目推荐中,由于数据极端稀疏,适宜采用二分图模型来进行相似度计算并进行推荐.     

面向场景的协同过滤推荐算法

推荐系统是电子商务系统中最重要的技术之一。用户相似性度量方法是影响推荐算法准确率高低的关键因素,针对传统相似性度量方法存在的不足,利用云模型在定性知识表示以及定性、定量知识转换时的桥梁作用,提出一种在知识层面比较用户相似度的方法,克服了传统基于向量的相似度比较方法严格匹配对象属性的不足。进而以该方法为核心,提出一种面向场景的协同过滤推荐算法,该算法能够充分利用项目的分类信息,避免了传统算法把用户的整体打分作为单个向量的弊端。实验结果表明,算法可以在用户评分数据极端稀疏的情况下,仍能取得较高的推荐质量。     

基于情境聚类和用户评级的协同过滤推荐模型

协同过滤是电子商务推荐系统中广泛应用的推荐技术, 但面临着严重的用户评分数据高维化和稀疏性问题. 同时, 传统协同过滤中的相似度度量方法没有考虑用户评分行为对其他用户的影响, 因而对评分预测的精度影响较大. 此外, 在移动环境下, 传统协同过滤未结合情境信息, 导致推荐质量下降. 对此, 提出一种基于情境聚类和用户评级的协同过滤模型. 首先, 根据情境信息对用户进行聚类, 降低用户评分数据维度和稀疏性; 然后, 引入社会网络理论分析用户间关系, 建立用户评级模型用于评价用户推荐能力, 并结合评级指标进行评分预测. 通过MovieLens和NetFlix数据集对基于该模型的SlopeOne算法和其它三种方法的比较验证结果表明: 本模型在所有数据集上都获得了最高的预测精度, 同时还具有最佳的推荐覆盖度, 可显著提高预测精度, 更适用于移动电子商务环境下的个性化推荐问题.     

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.     

基于位置信息的协同过滤推荐算法

近年来O2O电子商务模式兴起并迅速发展。针对移动互联网领域的信息过载和个性化服务推荐问题,通过将移动用户的位置信息引入到协同过滤的推荐过程,提出一种基于位置信息改进的协同过滤推荐算法。该算法首先通过计算用户与项目的距离对项目集进行预过滤,以项目被评分用户的交集作为计算项目相似度的基础,对预过滤项目集进行偏好预测。实验表明,该算法能有效大幅减少推荐过程中的计算量以改善推荐的实时性,并能对新项目和新用户作出推荐。     

基于n序访问解析逻辑的协同过滤冷启动消除方法

协同过滤是目前个性化推荐系统中广泛使用和最成功的推荐算法,但在用户评分极端稀疏的情况下将面临冷启动问题, 具体包括新用户问题和新项目问题.针对新用户问题,提出了一种基于n序访问解析逻辑的冷启动消除方法, 首先通过Web日志来获取用户访问项序,进而定义了n序访问解析逻辑将其分解为用户访问子序集; 在此基础上设计了用户访问项序的相似性计算方法来搜寻新用户的最近邻集合, 进而提出了改进最频繁项提取算法IMIEA (improved most-frequent items extracting algorithm)来生成面向新用户的top-N推荐. 实验结果表明,本文提出的新方法能够有效实现面向新用户的个性化推荐,消除了协同过滤冷启动中的新用户问题.     

有向相似性对协同过滤推荐系统的影响研究

为研究用户的相似性对协同过滤个性化推荐算法的影响,认为用户的有向相似性应该由邻居用户指向目标用户,而非由目标用户指向邻居用户。基于该思想,提出了一类改进的协同过滤算法。通过对Movielens数据集的实验分析,结果发现改变用户相似性的方向可大幅提高推荐结果的准确度和推荐列表的多样性。进一步,强化相似度高的用户的推荐强度可大幅提高推荐效果,算法的准确性可提高17.94%,达到0.086 4,当推荐列表的长度为10时,推荐列表的多样性可达到0.892 9,提高20.9%。该工作表明用户相似性的方向是否合理对推荐算法具有非常大的影响。     

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.     

基于多维特征差异的个性化学习资源推荐方法

协同过滤算法和二进制粒子群算法是目前学习资源推荐领域研究热点.然而,协同过滤算法推荐的学习资源过于随机化,不能满足学习者进行整体知识建构的要求.而基于二进制粒子群算法构建的资源推荐模型,以推荐所有学习者完整的学习资源为目标,且模型数据较难预测,不符合在线智能化学习的趋势.针对以上问题,提出了基于多维特征差异的个性化学习资源推荐算法:首先根据学习者和学习资源多维特征差异建立学习资源推荐模型,并考虑了学习偏好;其次引入协同过滤技术对模型数据进行预测;最后针对推荐模型的多目标优化特征,将协同过滤算法和二进制粒子群算法结合,提出了对惯性权重和种群多样性进行动态协同调整的自适应二进制粒子群算法,实现了个性化学习资源推荐.实验证明,该算法具有较好的准确性,能够满足个性化学习资源推荐的需要.     

一种基于用户聚类的协同过滤推荐算法

为解决传统协同过滤算法在生成推荐时的速度瓶颈问题,提出了一种基于用户聚类的协同过滤推荐算法。该算法将推荐过程分成了离线和在线两个部分。离线时,算法对基本用户数据进行预处理,并对基本用户聚类;在线时,算法利用已有的用户聚类寻找目标用户最近邻居,并产生推荐。实验表明,基于用户聚类的协同过滤推荐算法不仅加快了推荐生成速度,而且提高了推荐质量。     

稀疏混合数据的矢量聚类分析与应用

对稀疏混合数据进行分析,发现该类数据具有方向性聚集分布的特点。首先证明了可以采用方向性聚类方法对稀疏混合数据进行处理分离出原数据。即用方向性聚类算法对稀疏混合数据进行聚类分析可以估计出混和矩阵。然后证明采用方向性聚类算法分离出来的数据和原数据之间具有确定的尺度和次序变化关系。最后针对多通道混合数据的盲分离提出了基于中心矢量聚类的稀疏混合数据分离算法SMDDCVC(sparse mixing data decomposition based on center vector clustering),并将该算法用于稀疏混合图像的盲分离。实验结果表明基于SMDDCVC算法的稀疏混合数据盲分离算法是有效的。     

一种盲源分离初始化方法的研究与仿真

针对盲源分离的初始化问题,提出一种盲源分离初始化方法.该方法首先对接收到的混合信号进行小波稀疏分解,然后选取稀疏性最好的分解系数组,并在其星图中通过聚类方法寻求聚轴来估计混合矩阵.最后,采用这一混合矩阵估计值对FastICA算法进行初始化.仿真实验表明,该初始化方法能避免盲源分离算法收敛时陷入局部最小,加快算法收敛,同时使盲源分离算法的分离精度提高10～26dB.     

考虑用户兴趣和能力的众包任务推荐方法

众包平台的信息过载使工人面临任务选择的困难.针对众包特征,本研究提出一种考虑工人兴趣和能力的任务推荐方法.该方法基于协同过滤推荐思想,首先通过TF-IDF技术构建考虑兴趣偏好的工人模型,然后将基于胜任力理论分析构建的工人KSAO能力集合融入到模型中,构建新的工人模型;在此基础上,利用余弦相似性、Jaccard相似性和改进的余弦相似性公式,计算工人间融合兴趣和能力的综合相似度,依此来选取近邻集并最终生成推荐.利用猪八戒网采集的数据进行实验,结果表明该方法的有效性,并通过对比实验证实该方法比传统协同过滤方法推荐效果更佳.从推荐视角丰富众包任务选择的研究,对于众包中解决信息过载、增进个性化体验等具有一定的现实意义.     

基于稀疏矩阵技术的多体动力学仿真快速算法

在分析多体动力学仿真计算中广泛使用的增广法基础上,提出了一种基于稀疏矩阵技术的改进算法.算法首先修改了拉格朗日乘子的求解方程,并利用系数矩阵的稀疏性进行排序和符号分解,获得最佳计算数据结构,从而快速求解拉格朗日乘子;针对违约现象,建立直接违约修正方程,利用上述数据结构快速求解违约修正值.最后,通过一个算例验证了该算法的有效性,并与传统增广法进行比较,显示了该算法快速和高精度的特点.     

基于粒子群优化算法的稀疏信号盲分离

把粒子群优化算法应用于稀疏信号盲分离中,采用基于粒子群优化算法的聚类算法来估计混合矩阵;然后利用粒子群优化算法在求解具有线性约束优化问题时,只需在初始化时粒子满足线性约束条件,无须做其它处理的特点来求解稀疏源信号,从而给出了一种基于粒子群优化算法的稀疏信号盲分离算法。该算法计算量小,精度较高。仿真结果表明该算法是有效的,具有良好的分离性能。     

面向协同过滤的真实偏好高斯混合模型

针对协同过滤问题,提出了一种基于高斯混合的概率模型,称为真实偏好高斯混合模型.用户对项目的评分由三个因素决定:用户对项目主题和内容的真实偏好,用户的评分习惯,以及项目的公众评价.引入了两个隐含变量,分别用于描述用户类和项目类,用户和项目依概率可以同时属于多个类.模型包括离线建模过程和在线预测过程,在线预测可以在常数时间内完成.实验表明新模型的预测结果明显优于其他几种协同过滤算法.