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。     

二阶有向相似性对协同过滤算法的影响

考虑用户的二阶相似性信息,提出了一种改进的协同过滤个性化推荐算法.实证统计发现,经典的基于产品映射的用户相似性定义中包含很多流行产品的信息,因此,无法准确度量用户的兴趣关联,通过引入有向的二阶相似性,算法可以有效降低大众主流喜好对目标用户相似性定义的影响.Movielens数据集上的实验结果显示,算法的准确度可以达到0.080 8,相对于经典的协同过滤算法,其准确性提高了22.08%,且当推荐列表长度L=50时,推荐列表的多样性可以达到0.775,较经典的协同过滤算法提高了10.87%.研究表明,二阶有向相似性信息对个性化推荐算法有很大影响.     

基于成对交互张量分解的标签推荐

标签推荐系统是为目标用户推荐最可能用来标记某个资源的一系列标签.目前基于塔克分解模型,相比传统的FolkRank等算法具有更好的预测质量,但它本身的时间复杂度很高,很难适用于大中型数据集;而正则分解模型的时间复杂度虽然为线性,但预测质量并不高.针对上述问题,在改进塔克分解模型的基础上首先提出成对交互张量分解模型PITD.该模型仅考虑用户、资源和标签3个特征之间的部分两两交互关系,减少了无关信息对模型性能以及效率的影响.进而,利用贝叶斯个性化排序方法对PITD模型进行推导,并设计了相应的优化算法.最后,在真实数据集上的广泛实验表明,PITD模型比对比算法具有更好的推荐性能.     

一种建立在对客户端浏览历史进行LDA建模基础上的个性化查询推荐算法

现代搜索引擎普遍采用简单的关键词形式来表达查询,这为用户带来便利的同时也增加了准确获取信息的难度.搜索引擎很难基于少量的几个关键词准确捕捉用户的信息需求.查询推荐作为缓解上述问题的关键技术,已经开始应用于目前主流的搜索引擎.然而,绝大多数现有的查询推荐技术基于群体智慧,以搜索引擎日志为数据源,从中挖掘用户群体在构造查询方面的习性及查询之间的语义关联性,未考虑不同用户个性化的信息喜好,而且在搜索引擎服务器端进行查询推荐计算也会影响搜索引擎的响应效率和查询吞吐率.为此,本文提出一种运行于客户端的个性化查询推荐策略,该策略以用户浏览历史为数据源,采用LDA模型,并从中学习用户的信息喜好,在此基础上利用原始查询被主题模型生成的概率确定用户的查询意图,以词条与查询意图之间的关联来度量词条作为扩展查询被推荐的强度,最后选择Top N强度最强的词条作为查询推荐的结果.以人工标注的测试数据对本文所提出的算法进行了实验验证,结果表明,该算法在推荐扩展查询的准确率方面明显优于单纯基于词条与原始查询语义相关的方法     

一种基于协同推荐的网页排序算法

针对目前搜索结果个性化排序算法中的用户兴趣模型构建难、相关度计算不精确等问题,提出了一种结合用户兴趣模型和协同推荐算法的个性化排序方法.该方法从用户的搜索历史,包括提交查询、点击相关网页等反馈信息来训练用户的兴趣模型,然后采用协同推荐算法获取具有共同兴趣的邻居用户,根据这些邻居对网页的推荐程度和网页与用户的相关程度来排序搜索结果.实验结果表明:该排序算法的平均最小精确度比一般排序算法提高了约0.1,且随着用户邻居数目的增长,最小精确度随之增长.与其他排序算法相比,采用协同推荐算法有助于提高网页与用户兴趣关联程度计算的精确度,从而提高排序的效率,有助于改善用户的搜索体验.     

基于用户语义的个性化信息检索研究

本文针对传统个性化信息检索的盲目性问题,提出了基于用户语义的个性化信息推荐方法。在计算用户之间的相似性时,从用户自身所包含语义信息和历史评分数据两方面来进行,克服了传统协同过滤推荐算法仅利用历史评分数据的片面性。实验结果表明,该方法较传统的信息推荐方法具有较高的推荐精度。     

基于PLSA方法的用户兴趣聚类

为了在个性化搜索过程中能够准确地挖掘到用户的潜在兴趣并进行相应的聚类分析,提出采用潜语义空间的Zipf分布的特性,并结合PLSA(概率潜在语义分析)来获取全文的语义.即先通过Zipf分布原理找到文档的潜在语义空间,在此空间中对用户的兴趣进行聚类,并建立用户兴趣描述文件(user profile),即建立用户兴趣层次树.实验表明,所提出聚类算法的聚类效果明显优于传统的VSM(向量空间模型)的聚类效果,同时,在著名的CTI数据集上的个性化推荐实验结果也充分说明基于潜在语义空间构建的用户兴趣描述与用户真实兴趣相符合.     

一种基于异质信息网络的多维度语义融合推荐算法研究

为解决目前互联网信息过载问题,推荐系统已经广泛应用于电子商务、新闻资讯和影视音乐网站等。推荐算法目标就是挖掘用户的潜在兴趣,为他们提供个性化的信息推送,最终解决信息过载的问题,从而为用户解决该分类问题,选择合适推荐算法就显得尤为重要,同时也是解决数据挖掘领域的重要方法。但当前推荐模型缺乏对多源头异质数据的有效利用,同时在聚合语义信息的过程中存在信息损失问题。为解决上述问题,提出了一种基于异质信息网络的多维度语义融合推荐算法模型。首先,通过元路径和异质图描述推荐任务内复杂的语义结构,然后,对于元路径所引导的邻域进行划分,并通过基于多层邻域交互捕获多尺度语义信息,最后,通过在低阶、高阶维度下引导多尺度语义信息融合。实验结果表明,该方法具有较高的准确度。     

一种多层混合的推荐模型研究

在全面分析研究邻域模型和隐语义模型的基础上,针对现有推荐模型的优缺点,首先建立了一种融合邻域模型和隐语义模型的混合 Top-N 推荐模型,有效利用了用户反馈的信息,并全局考虑了用户与项目的潜在关系。然后综合考虑用户反馈信息、自身特征信息及潜在信息等因素,提出了一种基于 SVD＋＋上的全新混合 Top-N 推荐模型 SHT（基于 SVD＋＋的混合Hybrid Top-N 推荐模型缩写）。通过将特征信息融入模型,可准确地表现用户与项目的属性特征,实现依照用户的喜好与习惯高效、快捷和精准地推荐。实验结果表明,每一层的模型都能够在不同程度上提高推荐结果的精度。     

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。     

Personalized Recommendation Algorithm Based on Preference Features

A hybrid collaborative filtering algorithm based on the user preferences and item features is proposed.A thorough investigation of Collaborative Filtering （CF） techniques preceded the development of this algorithm.The proposed algorithm improved the user-item similarity approach by extracting the item feature and applying various item features＇ weight to the item to confirm different item features.User preferences for different item features were obtained by employing user evaluations of the items.It is expected that providing better recommendations according to preferences and features would improve the accuracy and efficiency of recommendations and also make it easier to deal with the data sparsity.In addition,it is expected that the potential semantics of the user evaluation model would be revealed.This would explain the recommendation results and increase accuracy.A portion of the MovieLens database was used to conduct a comparative experiment among the proposed algorithms,i.e.,the collaborative filtering algorithm based on the item and the collaborative filtering algorithm based on the item feature.The Mean Absolute Error （MAE） was utilized to conduct performance testing.The experimental results show that employing the proposed personalized recommendation algorithm based on the preference-feature would significantly improve the accuracy of evaluation predictions compared to two previous approaches.     

基于观点传播的改进相似性计算评分预测方法

通过研究网络结构上的观点传播与协同过滤算法,基于对观点传播算法的优化,提出了基于用户相似和物品相似推荐系统评分预测算法.设计的算法修正了现有相似研究中在目标比较相似时,相似性结果为零的问题,将用户(或物品)的相似度定义为用户(或物品)间的观点数目和差异在相应复杂网络中的传播结果,并提出了相应的推荐算法.在MovieLens数据集上的实验结果证明,提出的算法与几种典型的现有方法相比较,具有更高的准确性,并且优于观点传播算法.     

基于自监督学习的序列推荐算法

针对现有序列推荐算法易受数据稀疏影响以及对用户短期动态偏好建模不充分的问题,提出基于自监督学习的序列推荐算法。针对短期序列中的原始项目关系更易受到随机数据增强破坏的问题,对长短期序列使用不同的数据增强方法来构建更有效的自监督信号;利用对比式自监督学习框架对用户长期偏好和短期偏好进行多任务联合建模;针对现有自注意力机制无法建模序列中项目相对位置关系的问题,将自然语言处理领域中的解耦注意力机制引入到用户短期偏好学习过程中,充分捕获用户短期序列中项目的相对位置信息。实验结果证明了所提算法的有效性。     

一种新的基于认知用户通信效用的频谱共享算法

摘要：本文提出了一种新的基于认知用户通信效用的频谱共享算法,研究传输功率和比特误码率受限情况下的频谱分配问题。详细分析了瑞利衰落模型下的认知用户效用函数及其优化问题,在此基础上给出了一种基于注水线不断调整的功率分配机制,进而获得了认知用户的最优通信效用,并将该机制应用到频谱分配中,提出了一种基于“二分法”的频谱分配算法。研究中分别考虑了三种不同的优化模型,理论和仿真分析表明,“最大化比例公平”模型在保证用户之间频谱分配公平性的同时能够获得接近“最大化系统总效用”模型的通信总效用。     

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Agent的个性化推荐系统的研究

本文提出了一种基于Agent技术的个性化推荐系统的设计方法。认知Agent（Cognitive Agent）可以根据每个用户个人偏好并综合全体用户的普遍偏好情况为用户提供个性化的推荐服务,此外认知Agent还能根据每个用户的消费行为动态修正偏好设定,从而达到良好的推荐效果。本文还通过一个图书推荐系统的实例给出了基于Agent的个性化推荐系统在JACK平台下的具体设计和实现方法。     

基于万有引力的个性化推荐算法

本文把物理学中的万有引力定律引入推荐系统,提出一种个性化推荐算法,即基于万有引力的个性化推荐算法。算法把用户使用的标签看作用户喜欢物体的组成颗粒,标注项目的标签被看作项目物体的组成颗粒,社会标签的类型就是颗粒的类型,由此构建了用户喜好物体模型和项目物体模型。喜好物体和项目物体间存在着万有引力,并且引力大小遵循万有引力定律。计算喜好物体和项目物体间的万有引力,并把该引力大小作为二者的相似度度量,引力越大,二者的相似度就越高,对应的项目物体就越有可能被用户喜欢。实验结果证明本文提出的算法可以获得好的推荐性能。     

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.