基于时间加权标签的协同过滤推荐算法研究

传统的协同过滤推荐算法主要以评分数据为数据源来计算和反映用户的兴趣偏好和资源相似度,并决定是否对潜在用户进行推荐物品。而忽视了用户、资源本身的特征,用户在不同时间对资源的认识和感兴趣程度是会变的。基于这个问题,本研究对传统算法进行了改进,提出了基于时间加权标签的信息推荐算法。该算法的主要思想是标签可被用户依个人偏好进行资源标注,标签代表用户对资源的兴趣特征,以用户集、时间、标签集及物品资源等 4 个量形成的多维关系,可以计算出用户和资源之间的标签特征向量,计算在不同时间段,用户对资源的偏好以及资源相似度,并且依据用户的历史行为来预测用户的偏好,并进行推荐。实验结果显示本算法有效地提高了推荐的准确性,获得了更好的推荐效果。
     

基于时间加权标签的协同过滤推荐算法研究

传统的协同过滤推荐算法主要以评分数据为数据源来计算和反映用户的兴趣偏好和资源相似度,并决定是否对潜在用户进行推荐物品。而忽视了用户、资源本身的特征,用户在不同时间对资源的认识和感兴趣程度是会变的。基于这个问题,本研究对传统算法进行了改进,提出了基于时间加权标签的信息推荐算法。该算法的主要思想是标签可被用户依个人偏好进行资源标注,标签代表用户对资源的兴趣特征,以用户集、时间、标签集及物品资源等4个量形成的多维关系,可以计算出用户和资源之间的标签特征向量,计算在不同时间段,用户对资源的偏好以及资源相似度,并且依据用户的历史行为来预测用户的偏好,并进行推荐。实验结果显示本算法有效地提高了推荐的准确性,获得了更好的推荐效果。     

一种基于时间和标签上下文的协同过滤推荐算法

针对常规推荐算法数据单一、准确性和可靠性都比较低的问题,提出了将时间和标签上下文信息加入到推荐算法中,以丰富单个用户或商品的信息。利用时间信息挖掘用户间的影响关系,同时利用标签上下文来衡量物品间的关系,最后将用户关系向量和物品关系向量融合到概率矩阵分解模型中。实验结果表明,提出的协同过滤推荐算法能够提高推荐的准确性和精度。     

基于联合物品搭配度的推荐算法框架

针对现有推荐系统大多基于物品(用户)相似度进行计算,其推荐结果无法兼顾推荐对象的搭配性特征的问题,提出了一种基于联合搭配度的推荐算法框架.该算法框架中的联合搭配度模型,结合了用户交互反馈、物品的文本和结构化知识3方面的信息,分别计算目标物品与候选物品的搭配程度,然后利用逻辑回归算法进行搭配度融合,可以得到与目标物品最相搭配的物品推荐列表.通过在淘宝真实数据集上的实验,该推荐算法框架相比于传统基于相似性的推荐算法,显著提高了搭配推荐的性能,同时在用户交互记录较少的情况下也能有较好的精确度.     

一种基于图神经网络的社会化推荐算法

现有的社会化推荐算法大多着眼于用户购买或点击等单一的交互行为,并未同时考虑收藏、浏览等多种不同的交互行为.而且当前的社会化推荐算法重点只关注推荐的准确性,忽略了推荐结果的可解释性.针对以上问题,提出了一种基于图神经网络的社会化推荐算法SRGN,将用户的社交关系和物品间客观存在的语义联系以特定的方式注入到算法架构中,并且利用消息传递的方式实现交互的多行为联合编码,从而提升推荐的准确性.此外,设计了可解释模块为推荐结果提供推荐的理由.在两个真实数据集上与其他8种算法进行对比实验,结果表明提出的算法在推荐性能和用户友好性上具有明显的优势.     

基于协同过滤算法的电子商务推荐系统

为了解决购物网站信息量过大问题,对用户进行精准商品推荐,提出了一种基于协同过滤算法的电子商务推荐系统,根据网站收集的用户历史行为数据计算物品的相似度,进而预测用户对物品的偏好,根据兴趣度对用户进行物品推荐。在基于协同过滤算法的基础上,考虑了用户活跃度和时间上下文关系对用户兴趣的影响,设计了完整的推荐算法流程。实验证明该算法确实改善了推荐的精确性,说明用户活跃度和时间因素确实对用户行为有影响。     

改进的基于物品的协同过滤推荐算法

传统的基于物品的协同过滤推荐算法根据用户的历史行为,给用户推荐与用户之前行为相似的物品.这种传统的基于物品的协同过滤算法忽略了物品本身之间内在的联系,完全只是依赖于用户-物品矩阵,这无法避免由于用户主观上的偏见所导致推荐精度的偏差.针对上述的问题,本文重新定义了物品相似度的计算方法,该方法加入了对于物品内在之间联系的计算.实验结果证明:本文提出的改进的基于物品的协同过滤算法能在进一步提高了推荐的准确率.     

基于标签的协同过滤推荐方法研究

传统基于物品的协同过滤算法由于物品相似度矩阵稀疏,推荐准确率不高.针对这一问题,提出一种基于标签和改进杰卡德系数的协同过滤算法,进行电视节目个性化推荐.首先,爬取相关信息对原始数据进行扩充,并利用统计学方法对时间特征进行归一化处理,计算用户偏好系数;然后,统计出现次数较高的类别作为推荐类别标签,并利用改进的杰卡德系数构造标签相似度矩阵;最后,根据推荐类别标签的用户偏好系数计算节目的推荐系数.实验结果表明,基于标签的协同过滤算法可以降低稀疏矩阵对推荐准确率的影响,相比基于物品的协同过滤算法,准确率提高了5％,召回率提高了3.1％.另外,使用改进的杰卡德系数计算相似度,减少了热门标签对推荐系统的影响,进一步将准确率提高了5％,召回率提高了2.3％.     

一种基于协同过滤的电动汽车充电推荐方法

 基于大量的充电行为数据,建立电动汽车用户的充电兴趣模型,将用户感兴趣但未发现的最佳充电选择推荐给用户,实现充电行为有序引导是一个重要问题。本文针对电动汽车充电提出一种基于协同过滤算法的推荐模型,得出最佳推荐模型参数指标,充电10次以下的新用户采用基于用户的协同过滤算法,充电10次以上的老用户采用基于物品的协同过滤算法;基于用户的协同过滤算法的最佳邻居数和推荐列表长度均为3;基于物品的协同过滤算法的最佳推荐列表长度为4。指出负荷聚合商可以结合参与需求响应计划的情况,对推荐列表进行再优化,将与需求响应冲突的推荐信息过滤掉,从而实现有序充电控制。     

基于社交网络的虚拟团队成员推荐模型

为研究如何帮助社交网络中虚拟团队从海量的用户中筛选更多行为相似的用户加入团队,建立了一种基于社交网络的团队成员推荐模型,为虚拟团队推荐一些行为特征相似的用户作为候选团队成员。通过对用户信息和团队信息进行分词处理,得到用户标签向量集和团队标签向量集;将基于遗传算法的聚类算法应用于团队标签向量集,得到团队聚类簇和团队聚类中心;在此基础上,将团队聚类中心作为用户集的初始聚类中心,聚类出行为特征与团队聚类中心相似的用户簇,将这些用户簇作为相应团队聚类簇的候选推荐用户;再应用协同过滤思想,筛选出团队推荐成员列表。实验结果表明,该算法有效地解决了虚拟团队成员推荐问题。     

基于标签相似度的协作者推荐研究

针对目前虚拟协作社区中重视交互行为研究,缺乏协作行为研究的问题,从项目和协作者的角度出发研究社区的标签关系,提出根据协作者与项目的发生关系和项目标签集合获取基于协作者的标签共生信息,并用该共生信息来计算标签之间相似度,然后提出一种新的协作者工作偏好模型。结合协作者工作偏好和标签相似度研究协作者之fg的关系,以及协作者与项目之间的关系,预测可能参与项目的协作者,提出协作者推荐算法。通过使用开源社区www.codeplex．com的数据进行实验,并与其他推荐算法进行比较,证明本文提出的推荐算法能较好地应用于协作者推荐。     

基于互信息的辅助变量筛选及在火电厂NOx软测量模型中的应用

辅助变量的选取是软测量建模中重要的一步;但由于待选变量数目多、与主导变量非线性相关、信息冗余大等因素导致辅助变量的选择不够合理。在信息熵和互信息理论基础上,改进IBF和MIFS变量筛选算法,综合考虑了辅助变量和主导变量之间的最大相关性,以及辅助变量之间的最小冗余性。作为算例使用改进后的算法,筛选了某燃煤机组运行历史数据,建立了省煤器出口NOx浓度的GA-BP软测量模型。实验证明这种基于互信息的变量筛选方法可以有效提高模型的输出精度和泛化能力。     

融合标签相似度的 k 近邻 Slope One 算法

Slope One 协同过滤算法被广泛应用于个性化推荐系统中。标签是一种描述项目特性的重要形式,针对Slope One 算法推荐精度不足的问题,将标签信息融合到 Slope One 算法当中。同时参考 k 近邻算法思想,选取阈值过滤后的 k 近邻项目参与平均评分偏差计算,提高计算效率的同时增加预测精度。使用评分相似度和标签相似度作为权重修正线性回归模型。通过线性加权融合预测结果,进一步提升推荐质量。将算法应用于 MovieLens 数据集,与传统加权 Slope One 算法相比,平均绝对偏差下降4．8％,召回率和准确率分别提高32．1％和26．3％。     

基于自训练的蛋白质相互作用关系抽取方法

基于有监督机器学习算法的蛋白质相互作用关系抽取方法仍然面临一个问题:标注数据集有限,导致算法无法得到充分学习。该文首先构造了一个丰富的特征空间,包括句法、词汇、词性等特征;然后,该文对不同数据集数据分布的不一致性进行了分析,在此基础上提出了一种基于自训练的数据添加算法,通过不断从未标注数据集中选择置信度高的样本加入到已标注数据集中,扩大数据集规模,提高算法效率。实验结果表明:在5个常用的蛋白质相互作用关系数据集上,该方法均有助于提高抽取性能。     

基于共同属性和标签共现的标签消歧算法

为了提高基于标签的个性化推荐技术的准确率,提出了一种基于共同属性和标签共现的标签消歧模型,对已有的基于聚类的标签消歧算法进行改进,针对不同的标签语义问题分别采用不同的方法,缓解了原算法不能识别不同语义的问题。对于多义词语义问题,使用同义词模型进行消歧;对于近义词、同义词语义问题,使用近、同义词模型进行消歧,并将该模型应用于个性化推荐算法。利用公共数据集MovieLens Latest Datasets进行了个性化推荐实验。实验表明,当用户推荐项目数量递增时,推荐算法的准确率和召回率都有提高,能有效消除标签中存在的歧义。     

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。     

一种基于混合深度学习的推荐算法

为解决推荐算法中的冷启动和数据稀疏性问题,提高推荐的效率,提出一种基于混合深度学习的推荐算法。该算法将深度学习中的半自动编码器和多层感知机模型有效结合,通过半自动编码器模型解决稀疏数据,并融合相关辅助信息解决冷启动问题。它先用半自动编码器提取用户和项目的深层次特征,再将提取的潜在特征输入到多层感知机中进行非线性融合,完成评分预测。实验结果表明,相比于其他算法,该算法可以更好地处理稀疏数据和冷启动问题,使推荐准确性得到不同程度的提升。在给定数据集上,该算法比传统矩阵分解算法的均方根误差提升了约46%。     

基于网络信息的混合推荐算法研究

为解决因网络信息严重过载而导致用户获取有效信息困难的问题,笔者提出一种混合式网络信息推荐算法。首先为每个用户建立主题模型,同时应用该算法结合牛顿冷却定率平衡时间因素对用户偏好所产生的影响进行分析,再分别通过改进的协同过滤方法和基于内容的推荐方法满足用户对信息的多样性和个性化的需求。通过 实 践 证 明,该 算 法 在 推 荐 的 准 确 率 和 召 回 率 方 面 表 现 良 好,对 用 户 偏 好 的 预 测 效 果 良好,是有效的推荐方法。     

基于人工智能的社交网络用户行为数据周期推荐算法

为提高社交网络个性化服务质量,研究数据周期推荐算法的重大意义,针对传统推荐算法相似度计算准确率不高,导致推荐结果精度低、召回率低和耗时长等问题,提出一种基于人工智能的社交网络用户行为数据周期推荐算法。首先依据用户行为建立评分矩阵,利用皮尔逊相关系数计算评分矩阵评分值与网络行为数据相似度,依据计算得出的相似度以协同过滤为核心来检出需要推荐的社交网络用户数据内容,其次利用Top-N法生成用户邻居集,最后实现社交网络用户行为数据内容周期推荐。实验测试结果表明,所提算法的相似度计算准确率较高,网络用户行为数据周期推荐结果精度可高达97.2%,且推荐结果召回率高、耗时低,提高了社交网络个性化服务质量。     

基于角色信息引导的多轮事件论元抽取

针对通用领域的事件论元抽取研究中角色信息利用不足和论元间缺少交互两个问题,提出角色信息引导的多轮事件论元抽取模型,用于增强文本的语义信息和论元之间的交互能力,提升事件论元抽取的性能。首先,为了更好地利用角色知识来引导论元的抽取,该模型根据角色定义构造角色知识,对角色信息和文本独立编码,并采用基于注意力机制的方法获取标签知识增强的文本表示,进而采用增强嵌入来预测各角色论元的起始和结束位置。同时,为了在抽取过程中充分利用事件论元之间的交互,受多轮对话模型的启发,设计一种多轮事件论元抽取算法。该算法参照“先易后难”的自然逻辑,每次选择预测概率最大,也是最容易确定的角色进行抽取。在论元抽取过程中,为了对论元之间的交互进行建模,模型引入历史嵌入,并在每一次预测结束后更新历史嵌入,帮助下一轮事件论元的抽取。实验结果表明,角色信息的引导和多轮抽取算法均有效地提升了论元抽取的性能,使得该模型的表现优于其他基线模型。