基于双层注意力机制的联合深度推荐模型

许多电子商务网站中存在用户编写的大量评论信息,大部分推荐系统虽然利用了评论信息,但仅从单词级别而不是评论级别来评估评论的重要性。如果只考虑评论中的重要单词,而忽略了真正有用的评论,则会降低推荐模型的性能。基于此,文中提出了一种基于双层注意力机制的联合深度推荐模型(DLALSTM)。该模型首先利用双向长短期记忆网络(BiLSTM)分别对用户和项目评论进行词以及评论级别联合建模,并通过两层注意力机制聚合为评论表示和用户/项目表示,然后把从评论中学习的用户和项目的潜在表示融入由评分矩阵得到的用户偏好和项目特征,实现评分预测。采用文中模型在Yelp和亚马逊的不同领域数据集上进行实验评估,并与常用的推荐方法进行比较,发现文中提出的模型性能超过目前常用的推荐方法,同时该模型能够缓解数据稀疏问题,且具有较好的可解释性。     

基于填充先验约束的矩阵分解算法

尽管现有的社会推荐方法,特别是基于矩阵分解的社会推荐方法,取得了一定的推荐效果,但这些方法使用评分数据空间的用户偏好去约束社交关系数据空间的用户偏好,而这两种用户偏好却处于不同的数据空间,这限制了推荐模型的准确性.为解决这个问题,提出一种使用填充数据的偏好来约束评分数据偏好的学习过程的方法 .该方法首先设计一个算法生成填充数据,然后,在概率矩阵分解的过程中约束填充数据偏好的先验分布服从评分数据偏好的先验分布.在四个真实数据集(TrustFilm,Ciao,MovieLens 1m和Jester)上测试的结果表明,提出方法的推荐效果比现有的代表性方法都要好,为概率矩阵分解模型中先验约束的研究提供了新思路.     

基于长短期记忆网络的协同过滤算法研究

协同过滤算法如今已经广泛地应用在推荐系统领域,但大多未考虑数据的时效特征,近期长短期记忆网络(LSTM)在用户短期偏好建模方面显示出了巨大的优势,它能描述数据随时间变化的动态特征.因此本文将LSTM与协同过滤算法相结合,提出基于LSTM的协同过滤算法模型LSMF,该模型应用循环神经网络结构来动态模拟会话上下文,建模短期行为偏好,并自适应融合长期行为偏好进行推荐.在Netflix数据集上与传统方法 BPRMF、LSTM和两种基于RNN的最新模型NARM、T-LSTM相比,用户行为预测有了显著的改进.试验结果表明,基于LSMF算法模型的推荐系统有较高的推荐准确度.     

基于评论特征提取和隐因子模型的评分预测推荐系统

评分预测是推荐系统研究的核心问题,通过用户的历史行为来预测用户对商品的评分,根据评分高低来推荐用户喜欢的商品.当前基于评论评分预测推荐系统普遍只使用卷积神经网络捕获局部特征或者循环神经网络捕获全局特征,忽略了将这两类特征的有效融合.针对现存问题,本文提出基于评论特征提取和隐因子模型的评分预测推荐模型,使用自适应感受野的卷积神经网络(CNN)提取局部特征,同时使用门控循环单元(GRU)提取全局特征,将不同特征融合为评论的嵌入表达.再结合隐因子模型(LFM)对用户的特征偏好和商品的特征属性进行建模.最后,通过对用户和商品的嵌入表达进行评分预测.实验结果表明,本文模型在5个数据集上均高于现有基线模型.     

融入用户风险偏好的三支协同过滤推荐模型

基于用户的不同风险偏好特征，提出一种融入用户风险偏好的三支协同过滤推荐模型来提高推荐规则的准确性.首先，考虑用户的不同风险偏好对项目评分的影响，基于用户-项目评分矩阵定义用户关于项目的偏好概率测度，建立用户-项目偏好概率模型，从理论上证明了该模型是现有模型的推广和拓展.其次，利用决策粗糙集，推导出用户在不同风险偏好下的三支推荐模型阈值表达.然后，以上述工作为基础，将推荐准确性和推荐成本作为优化目标，设计基于粒子群优化算法的用户偏好概率模型参数确定方法 .最后，在MovieLens数据集上的实验验证了提出模型的有效性.     

基于隐变量模型的多维用户偏好建模

从用户行为数据构建用户偏好模型,是解决个性化服务、评分预测和用户行为定向等问题的重要基础.本文从用户的评分数据出发,以多个隐变量分别描述用户在评分对象多个维度的偏好,以含有多个隐变量的贝叶斯网(简称隐变量模型)作为表示用户偏好的基本知识框架.首先根据用户偏好和隐变量的特定含义给出模型构建的约束条件,进而提出基于约束条件的模型构建方法,使用约束条件下的EM算法来计算模型参数,约束条件下的SEM算法来构建模型结构.针对多隐变量情形下模型构建过程中产生大量中间数据带来的计算复杂度急剧上升的问题,本文使用Spark计算框架实现模型构建的方法.建立在Movielens数据集上的实验表明,本文提出的方法是有效的.     

基于软约束满足理论的用户偏好建模方法

用户建模是电子商务领域的重要研究问题之一,但是到目前为止还没有非常有效的方法能够建模用户的动态偏好等特征。在分析电子商务领域用户偏好特征获取一般特点的基础上,提出基于实例的两阶段递增式用户偏好特征获取方法。并采用基于半环的软约束满足问题表示用户的各类偏好特征,将用户建模看成是潜在方案空间上施加一系列偏好约束的过程。提出不同的偏好约束类型以及利用偏好约束建立用户模型的过程,实现电子商务领域复杂用户偏好的灵活建模。     

基于朴素贝叶斯降噪的协同过滤算法

协同过滤作为推荐系统中应用最为广泛的推荐算法,在如今信息时代的个性化推荐中占据了重要的地位。但是用来进行协同过滤推荐的初始评分数据集中,蕴含着大量的垃圾评分和无效信息。这些噪音数据始终影响着推荐结果的准确性。为了解决垃圾评分带来的推荐误差问题,提出用朴素贝叶斯算法来对数据集中的垃圾评分和无效信息进行数据降噪处理。朴素贝叶斯算法通过构建贝叶斯分类器的训练模型来计算待分类评论为垃圾评论的概率,和为正常评论的概率,并加以比较,来判断是否为垃圾评论。使用除去垃圾评论干扰的数据集进行基于项目的协同过滤推荐。实验结果证明这种方法能有效地满足不同用户、不同偏好的个性化推荐,同时具有更高的推荐精准度。     

基于个性化生成模板集聚的用户图像美感表征

通用的图像美感研究没有考虑用户之间的审美差异,不能表示用户的个性化审美偏好。为了更有效地表示用户的个性化审美偏好,本研究利用计数网格模型,提出了一种基于个性化生成模板集聚的用户美感表征建模方法,构建起了一个更紧致的用户图像美感表征向量,能更好地描述用户特征。实验结果表明,文中提出的方法构建的用户美感表征方式,在用户识别中可以获得更高的识别率,在用户推荐中也能得到更符合实际情况的推荐结果。     

基于评论分析的评分预测与推荐

推荐系统广泛地应用在网络平台中,推荐模型需要预测用户的喜好,帮助用户找到适合的电影、书籍、音乐等商品.通过对用户评分和评论信息的分析,可以发现用户关注的商品特征,并根据商品的特征,推测用户对该商品的喜好程度.本文提出将评论中隐含的语义内容与评分相结合,设计并实现了一种新颖的商品推荐模型.首先利用主题模型挖掘评论文本中隐含的主题分布,用主题分布刻画用户偏好和商品画像,在逻辑回归模型上训练主题与打分的关系,最终评分可以被视为是对用户偏好和商品画像的相似程度的量化表示.最后,本文在真实数据上进行了大量对比实验,结果证明该模型比对比系统性能优越且稳定.     

一种社团信任驱动的云服务选择方法研究

针对云环境中满足用户个性偏好的高质可信服务的选择问题,提出一种社团信任驱动的服务选择模型(CTDSS).基于服务选择的二分网络,结合云服务消费者的服务选择相似度与服务评价差异度形成用户偏好相似度,给出了可信推荐社团的聚类算法.利用互信用户社团,预测用户对未知服务的信任评价,指导用户的云服务选择.仿真实验和公开数据实验表明:所提方法能够有效地识别云计算环境下基于服务偏好的用户社团,利用社团信任驱动的服务选择机制为用户的服务选择提供了准确的决策依据.     

基于联合相似用户-项目的协同过滤推荐算法

由于用户评分的偏好性,及其稀疏的评分矩阵,导致对目标用户的近邻无法进行准确的搜索,使得推荐结果不尽如人意.本文提出了一种联合用户-项目的推荐算法,不仅考虑用户近邻的推荐作用,也考虑了项目近邻的推荐作用.首先,定义相似用户评分影响为用户偏好影响因子,定义相似项目影响为项目偏好影响因子.其次,联合用户偏好影响因子和项目偏好影响因子进行共同推荐.在此基础上,设计新的推荐模型.通过大量的实验证明,提出的新模型得到的推荐质量优于传统模型.     

面向本地和外地用户情感分析推荐模型

针对地理标签和评论信息的情感倾向对于推荐系统性能的影响,本文基于地理标签和用户评论情感分析提出有关兴趣点的推荐策略,并建立了一种基于内容的推荐模型.本系统首先对用户兴趣点信息进行有效的补充,并实现了用户兴趣点相似度度量.对无标签评论数据进行情感分析及挖掘,获取其情感倾向度.同时本系统结合了时间滑动窗口,更准确地把握用户评论和兴趣点的结合度.最终得到用户个性化推荐排名.本文方法涵盖了本地用户和外地用户的个性化推荐策略.通过实验数据表明,本文模型有效提高了推荐的准确度.     

基于灰色关联度和AHP的用户满意度综合评价模型

针对信息不明确、评价指标关系复杂的产品用户评论,难以对其可用性进行有效综合评价的问题,提出一种灰色关联度和AHP结合的评价模型,并应用到产品可用性研究.模型利用AHP方法确定评价指标的相对权重,增强灰色关联度分析的客观性,以此对产品的用户满意度进行综合评价.通过从不同价位的手机产品所获取的数据集进行对比实验,该模型所推导的满意度评价排名与实际产品销售排名基本一致.此外,实验也证明了灰色关联度分析能更清晰地区分产品间的满意度差异.实验结果证明,在评价信息不完备情况下,该模型也能有效地综合评价产品的用户满意度.     

一种综合用户和项目因素的协同过滤推荐算法

针对用户评分数据极端稀疏情况下传统协同过滤推荐算法的不足,提出了一种综合用户和项目因素的最近邻协同过滤推荐(HCFR)算法.该算法首先以一种改进的相似性度量方法(ISIM)为基础,根据当前评分数据的稀疏情况,动态调节相似度的计算值,真实地反映彼此之间的相似性.然后,在产生推荐时综合考虑用户和项目的影响因素,分别计算目标用户和目标项目的最近邻集合.最后,根据评分数据的稀疏情况,自适应地调节目标用户和目标项目的最近邻对最终推荐结果的影响权重,并给出推荐结果.实验结果表明,与传统的只基于用户或基于项目的推荐算法相比,HCFR算法在用户评分数据极端稀疏情况下仍能显著地提高推荐系统的推荐质量.     

基于移动数据的用户间影响力计算方法

为了准确获取用户的需求,提出了一种基于移动数据的用户间影响力度量方法.首先,根据移动用户的交互行为构建社会网络,利用网络的拓扑结构和移动用户行为计算用户自身影响力.然后,根据用户自身影响力、用户间的交互行为和用户偏好相似度计算用户间影响力.计算基于用户交互行为的用户间影响力时,考虑了相应的上下文信息;计算基于用户偏好相似度的用户间影响力时,考虑了上下文信息以及用户偏好发生的先后顺序.最后,通过真实数据集与现有方法相比,得出本方法获取的用户间影响力的准确率更高.     

基于用户及物品间差异的推荐算法研究

推荐系统是解决信息过载问题最有效的工具之一,协同过滤是目前推荐算法中广泛应用的技术,然而协同过滤算法存在着诸如数据稀疏、难以扩展等问题.在基于偏好算法的基础上,通过把用户评分按照用户评分偏好和物品得分趋势分类,在每类上进行线性回归,得到了基于用户及物品间差异的回归模型.该模型不仅能改善数据稀疏和可扩展性问题,而且能够降低计算复杂度和空间复杂度.实验结果表明改进后的算法在近似的计算复杂度情况下,预测精度比基于偏好算法平均提高了3.97%.     

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。     

基于社交网络的民航旅客偏好建模

从社会网络的视角,提出了一种旅客个体偏好与关系偏好相结合的建模方法.首先,从旅客的历史出行记录中,构建基于共同出行关系的旅客社会网络;然后,构建旅客个体偏好模型和旅客关系偏好模型;最后,基于旅客偏好模型给旅客推荐座位.在民航领域的一个真实的数据集上进行了实验,证明本文提出的偏好模型能够有机地将旅客个体偏好与关系偏好结合起来,较好地描述旅客对航班座位的偏好.     

基于出行偏好和路径长度的路径规划方法

针对基于最短路径的路径规划方法只关注路径长度, 而基于轨迹的路径规划方法过度依赖用户偏好的问题, 提出一种同时考虑用户出行偏好和路径长度的路径规划方法. 首先, 利用长短期记忆模型从历史出行轨迹中提取用户的出行偏好; 其次, 采用Markov链Monte Carlo采样技术将用户的出行偏好引入启发式搜索算法A*中, 在道路网络中搜索得到符合用户出行偏好且较短的路径; 最后, 以北京市路网和出租车轨迹数据作为测试数据, 将该方法与基于最短路径的规划方法和基于轨迹的路径规划方法进行实验对比. 实验结果表明, 该路径规划方法更稳定, 并且其规划的路径具有较高的准确度、 较短的行驶距离和行程时间.