结合相似度量和反馈调节的推荐算法

基于信任的推荐算法将社交网络中的信任关系融入到推荐中,但数据的稀疏性迫使基于信任的方法要去考虑间接邻居,有限相似的邻居带来的长尾噪音问题降低了推荐准确度;目前已有的算法都假设用户的评分数据完全客观真实,而忽略了异常评分的存在。为了解决上述问题,文章提出新的用户相似度量方法筛选用户的信任邻居,并通过一次预测结果反馈检测并修正评分数据中的异常评分,然后进行二次预测。在真实的大规模数据集Epinions上进行实验,结果表明相比于传统的基于物品的协同过滤算法,该算法在RMSE上提高了6.0%,在MAE上提高了12.4%,说明该算法能有效缓解数据稀疏带来的上述问题,并提高预测精度。     

融合隐式信任与属性偏好的群组推荐算法

随着互联网和推荐系统的不断发展，推荐服务的对象由单一用户扩展为群组成员，获取并融合组内成员的偏好、提升群组推荐效果成为当前推荐领域研究的热点问题.利用用户提供的多属性评分矩阵，提出一种融合隐式信任与属性偏好的群组推荐算法.首先，基于用户共同评分项目数和多属性评分相似度计算用户间的直接隐式信任，并利用信任传递机制获取用户间的间接信任，降低数据稀疏性.然后，通过计算用户各属性评分与总体评分间的距离来挖掘用户的属性偏好，在此基础上，利用注意力机制学习组内用户权重，将用户偏好聚合为群组偏好，进而结合深度学习框架对候选项目进行预测，生成最终的推荐列表.最后，四个数据集上的实验验证了提出的算法的有效性和可行性，实验结果表明，该算法的准确率、nDCG等评价指标明显优于对比算法.     

一种融合信任度和相似度的推荐算法

推荐系统是一种能够帮助用户在面对大量信息时,能快速?有效地获取有用资源的工具?协同过滤是目前广泛使用的一种推荐技术,该技术通过相似邻居对项目的评分为源用户产生推荐,但面临数据稀疏性和冷启动的问题?基于信任模型的推荐系统虽然在一定程度上缓解了上述问题,却仍然需要进一步提高?针对这些困难,提出了一种融合了信任度和相似度的算法?该算法利用用户间的信任信息,将源用户的信任邻居对项目的评分作为该用户的个人喜好,同时根据基于物质扩散的协同过滤算法找出源用户的相似邻居,利用信任邻居和相似邻居为该用户产生推荐?在2个真实数据集上的实验结果显示,融合算法对冷启动用户的准确性比协同过滤算法分别提高了19%和37%,覆盖率分别提高27%和42%?     

基于用户多维度信任的冷启动推荐模型

在传统协同过滤(collaborative filtering,CF)算法中存在着用户冷启动低效推荐问题,基于社交信息的社会化推荐算法通过引入用户的社交关系来缓解冷用户的数据稀疏问题,具有很好的研究应用前景。但该算法对用户间的信任度量较为片面单一而难以准确地对冷用户做出个性化推荐。针对此缺点,从不同维度量化分析了影响用户信任的因素,理论推导出用户多维度信任度量模型,将该模型计算得到的用户综合信任与传统协同过滤中的用户评分相似度值进行有效线性融合,提出了一种基于用户多维度信任的冷启动推荐模型。通过使用真实数据集Epinions并采用留一法进行实验对比分析。实验结果表明,提出的模型在对冷启动用户的推荐中,其平均绝对误差(mean absolute error,MAE)、覆盖率(rating coverage,RC)和F1值(F-measure)3个评估指标相比其他算法有了明显改善。     

定向信息推荐下多维信任数据协同推荐算法研究

随着通信用户数量的逐渐增加,当前多维信任数据协同推荐算法无法有效满足用户对资源多样性、准确性和发掘能力的要求。为此,提出一种新的定向信息推荐下多维信任数据协同推荐算法。通过矢量空间模型对用户兴趣进行描述,将具有代表性的用户看作该类用户的聚类中心,建立用户对资源的偏好矩阵,求出依据综合信任值的用户相似度;重复选择聚类中心,直至符合既定阈值。获取用户聚类结果后,选择待推荐用户所处聚类中和该用户相似的若干用户,依据上述近邻对目标资源的评分值实现目标用户对目标项目的预测。给出定向信息推荐下多维信任数据协同推荐算法的实现过程,输出Top-N多维信任数据推荐集合。实验结果表明,所提算法预测精度和资源多样性高,发掘能力强,推荐效果好。     

基于用户聚类和项目分类的电影推荐系统构建

针对推荐系统中普遍存在的数据稀疏性问题,提出了一种结合项目分类和用户聚类的推荐算法.通过聚类算法将相似的用户聚类在一起形成若干个用户子网,在各个用户子网之间和用户子网中通过信任机制加强子网之间和子网内部的相互关系,根据项目的种类将项目分类,再通过用户对项目的选择计算用户对每种类型项目的大众喜爱度,在每个用户子网中将项目分类和大众喜爱度加权求和得出最终的相似度,由此构造出推荐系统.实验验证了方法的有效性,减小了数据稀疏性对推荐结果的负面影响.     

MOOC社区中基于移动情境感知的学伴推荐方法研究

在大规模学员参与的MOOC社区中智能推荐适配的学习伙伴,对促进学习投入和提升课程完成率具有重要意义.基于探究社区理论模型分析MOOC社区知识地图结构,梳理影响学伴推荐的用户情境(学习投入、评分、时间及位置)和社会情境(交互行为、强度及时效),相应地构建用户情境信任度和社会情境信任度;在社会情境信任度构建中,引入信任奖励因子和时间衰减因子,反映MOOC社交信任的动态性;最后融合用户情境和社会情境计算动态综合信任度,通过信任传播构建MOOC社区复杂信任网络,基于此为学员生成Top-N推荐列表.实验表明,融合用户情境和社会情境的学伴推荐方法,能充分挖掘学员兴趣偏好及交互行为变化所反映的动态信任关系,在高动态性和移动性的MOOC社区中具有较好的推荐效果;同时,可以通过调整多维情境的权重值实现在不同推荐场景的灵活应用.     

一种可扩展的反馈信任信息聚合算法

针对现有的动态信任聚合算法中利用基于信任链的广播方式进行反馈信任信息搜索而导致的系统运算收敛慢、可扩展性差等问题,建立了直接信任树(DTT)的概念,并基于DTT提出了一种新的可扩展的反馈信任信息聚合算法.根据节点之间的直接信任关系构建DTT,然后利用DTT进行反馈信任信息搜索,同时引入质量因子和距离因子两个参数来自动调节聚合计算的规模.仿真实验表明,算法能够显著提高反馈信任信息聚合计算的收敛性,具有较好的恶意反馈行为检测能力,在恶意节点比率增大时,算法也表现出较强的稳健性.     

结合评分和信任的协同推荐算法

针对现有基于信任的推荐系统虽能缓解冷启动和虚假评价但较难获取用户之间的信任关系,难以建立用户彼此之间的偏好关系的问题,提出了基于评分-信任协同的推荐算法并给出了相关数学表达式和实现流程。该算法充分利用推荐系统中的共同评分,协同用户间的信任关系,有策略地选择用户评分的相似度和用户间信任值,建立用户之间的偏好关系,进而实现推荐。随着共同评分数目下限值的增加带来推荐准确度提高的同时将造成覆盖率的下降,因而关键是选取合适的下限值。实验结果表明,这种混合推荐的方法相比传统协作推荐方法与信任推荐方法,在精度损失极小的情况下,较大地提升了覆盖率。评分覆盖率指标分别提高了3%和32.1%,用户覆盖率指标分别提高了8.2%和15.1%,从而获得了精度与覆盖率的良好平衡。     

基于LBSNs的地点推荐算法优化与实现

针对现有地点推荐算法中的两个最主要问题:多算法融合的算法权重选择及算法假设地理因素对所有用户的签到产生的影响都相同,提出了一种基于社交关系与签到记录的个性化地点推荐算法USGP.算法首先单独计算出社交关系和用户签到记录的相似度,然后通过各用户住宅的物理距离对相似度影响因子进行调节;同时采用非参数化方法对用户历史签到地点的分布规律进行统计,计算出地理因素对用户签到的影响.最后进行了算法验证实验,实验结果表明,基于社交关系与签到记录的个性化地点推荐算法USGP的召回率和准确率,都明显好于现在已有的地点推荐算法.     

基于Timed-HITS与协同过滤的混合推荐算法

用户间的信任关系、用户对商品的偏好兴趣及商品的时效性都会影响对商品的推荐效果.将这些因素引入到基本的HITS算法中,对HITS算法进行了改进.将用户对商品的偏好兴趣矩阵进行了改进,利用隐馈数据通过逻辑回归算法估计用户对商品的偏好兴趣,对评分为零的情况赋予了不同的偏好兴趣度,这样更符合实际.将改进的HITS算法和协同过滤算法相结合得到一个混合推荐算法,同时将用户分为活跃用户和非活跃用户分别进行推荐.将提出的算法在Movielens数据集上进行了试验,结果表明该算法在一定程度上缓解了数据稀疏和冷启动的问题,推荐效果优于基于用户的协同过滤算法.     

基于Web2．0用户个性化推荐系统分析

为实现用户个性化服务,理解用户兴趣爱好．通过建立用户兴趣模型和推荐库．采用用户兴趣行为描述、重排序算法以及用户反馈算法,分析基于Web2．0用户个性化推荐系统．以提高推荐结果的准确性。     

一种考虑双重相似度的协同过滤推荐算法

协同过滤算法为推荐系统提供了一种方法,但传统的协同过滤方法推荐精度低.提出一种考虑用户评分相似性的协同过滤算法,通过在皮尔逊相关系数中加入项目数量相似度和用户评分相似度两个因素来计算用户间的相似度,以产生更合理的邻居用户,提高推荐精度,完成对用户的推荐,同时邻居用户的选取采用动态阈值设定方法.实验结果表明,所提出的算法相比传统方法选择出的邻居更为精确,推荐质量更高.     

云计算平台下恶意软件动态自适应自主防护算法设计研究

云计算平台较为复杂,当前恶意软件防护算法容易受到复杂环境的影响,导致误防护或防护效果不佳。为此,提出一种新的云计算平台下恶意软件动态自适应自主防护算法,引入时间衰减因子确定信任评价权重,依据云计算平台软件的多个属性对软件的直接信任值进行计算。利用用户评价相似度对推荐者的推荐权重进行计算,从而实现软件推荐信任云计算。通过直接信任云与推荐信任云获取综合信任云,比较综合信任云和不同标准信任云,求出相应信任综合评判结果。将信任值低于阈值的软件看作恶意软件,列入恶意软件列表中。令云计算平台中所有用户共同维护恶意软件列表,在恶意软件执行前将其删除,从而实现自主防护。实验结果表明,所提算法能有效防护恶意软件,且耗电量少。     

结合项目类别信息的协同过滤推荐算法

针对个性化推荐系统中协同过滤算法面临的数据稀疏问题以及用户相似性度量的不准确,提出了一种结合类别信息的协同过滤推荐算法。该算法利用用户评分数据计算用户之间对类别关注的相似性,并将用户对类别关注的相似性和用户评分相似性进行组合,得到用户综合相似性,从而提高了最近邻居搜索的准确度,缓解了数据稀疏性问题。实验结果表明,该方法能够有效地避免传统相似性度量方法存在的问题,使得数据稀疏性对最终推荐结果的负面影响变小,在一定程度上提高系统的推荐精度。     

基于用户非对称相似性的协同过滤推荐算法

针对传统协同过滤推荐算法的数据稀疏以及用户关系衡量不准确的问题,提出了基于用户非对称相似关系的推荐算法.利用用户的潜在特征的样本数量,结合奇异值矩阵分解,计算用户之间非对称的相似度,明确用户间关系.仿真结果表明,随着邻居数量的增加,该算法的平均绝对误差始终优于传统算法,误差值在邻居数量为40~60之间值为最小,约为0.682,传统算法平均绝对误差值约为0.758,可以看出该算法判断用户关系较为准确,预测评分比传统算法更接近实际评分.     

基于信任关系的潜在好友推荐方法

如何有效地帮助用户挖掘平台潜在好友成为电子商务中一项非常重要的服务需求。提出了一种综合考虑用户间兴趣因素和信任因素的好友推荐方法,设计并构建了一个包括用户声望信任和局部信任的混合信任网络,将网络中信任评价度与协同过滤中兴趣评分相似度进行组合来衡量用户间好友相似关联,以实现好友推荐。在Epinions数据集上以准确率、召回率和F值作为实验评价指标,对所提方法进行验证,相比其他同类应用准确率在10％-15％、召回率在10％～20％的性能,本文方法的准确率和召回率的最佳性能分别达到22．47％和21．15％,实验证明本文方法有效提高了推荐性能。     

复杂网络上基于多维特征表示学习的推荐算法

网络表示学习可以有效解决推荐面临的数据稀疏问题.本文对网络表示学习中LINE算法和DeepWalk算法进行改进，提出混合推荐算法并应用于电影推荐场景.该算法通过学习用户喜好特征、厌恶特征和相似用户特征，生成三个低维特征向量.将三个低维特征向量线性组合拼接成用户表示向量，以余弦相似度作为相似性指标，将相似用户关联的电影推荐给目标用户，实现电影推荐.实验结果表明，所提出的推荐算法相较于次优算法，在MovieLens数据集上的准确率和F1指标分别提升12%和7%，在MovieTweetings数据集上的准确率和F1指标分别提升16%和18%.本文提出的基于多维特征表示学习的推荐算法在电影推荐类场景中，具有显著的优越性.