基于协同训练的分布式深度协同过滤模型

为解决数据分布式存储下实现较高精度和安全性的个性化推荐,提出了一种全新的分布式半监督推荐系统框架。尝试将半监督学习方法中的协同训练(Co-training)与基于深度学习的深度协同过滤模型结合为Co-NCF模型,并使用基于consensus算法的分布式梯度下降法来训练Co-NCF模型,以此构建了Co-NCF模型的分布式版本。该模型在MovieLens数据集上的测试中,表现显著强于现有的分布式NCF模型。     

基于异质图神经网络的推荐算法研究

基于图神经网络的推荐算法通过从图中获取知识,提高了推荐的可解释性.然而随着推荐系统网络数据规模的不断扩大,用户-项目评分矩阵呈现出稀疏性问题,图神经网络难以学习到高质量的网络节点特征,导致推荐质量下降.本文将图神经网络与异质信息网络相结合,提出一种基于异质图神经网络的推荐算法.该算法使用异质信息网络对多源异质数据进行联合解码,将注意力机制引入用户-项目交互网络和用户社交网络的用户、项目聚合表示过程,从而实现用户-项目交互和用户社交两类网络间的节点及拓扑结构特征的有效融合.两个公开数据集上的对比实验结果表明,本文提出的算法在不断稀疏化的数据集上的推荐误差比基线方法少40％.     

基于图神经网络特征交叉的协同过滤算法

学习用户和项目有效的向量表示是推荐系统的核心目标,现有的推荐模型大多通过深度神经网络或专门设计的特征交叉,来学习用户-项目间的特征交叉生成用户(项目)向量表示,但并未将用户(项目)特征间的交叉信息编码到嵌入向量中充分利用特征交叉信息,且多个特征交叉信息对于生成最终的用户(项目)向量表示的影响不同.基于此,构建两个图神经网络模块,学习用户(项目)特征间的交叉信息、用户-项目之间的特征交叉信息,并通过计算注意力分数对特征交叉信息进行加权,得到用户(项目)的特征信息;然后通过门控循环神经网络(GRU)聚合原始的特征信息和网络层学习到的特征交叉信息,得到最终的用户(项目)向量表达;最后通过用户向量与项目向量的元素积得到最终的推荐结果.在数据集MovieLens 1M、Book-Crossing和Taobao上验证了模型的有效性.     

基于协同过滤的电子农务推荐系统模型研究

通过阐述传统的协同过滤算法,分析其特点以及存在的不足,提出了一种改进的协同过滤算法.建立了推荐系统模型,并将这个模型应用到一个电子农务平台中.     

基于融合自注意力的图神经协同过滤模型研究

针对协同过滤算法中协同过滤信号交互编码数据量过大,难以有效提取所需的协作信号问题,本文采用深度学习方法,提出融合自注意力的图神经协同过滤模型(UAGNCF).首先将自注意力机制运用到用户与项目之间的消息构建中,然后将处理后的消息运用高阶连通性嵌入到图神经网络层,最终将获得的消息聚合后再输出.在3个数据集上进行实验分析,...     

基于会话的图卷积递归神经网络推荐模型

基于会话的推荐是为了解决匿名用户的推荐问题,是推荐系统中的一个重要分支.现有的采用图神经网络的研究方法尽管已经取得了不错的效果,但是它们无法捕获更准确的用户会话间的潜在信息.针对上述问题,论文提出了基于会话的图卷积递归神经网络(GCRNN)推荐模型,通过图卷积网络层捕捉用户会话图的结构信息,利用递归神经网络层来获得会话的时序信息和会话之间的依赖关系,以此捕获更丰富更准确的用户会话间潜在信息,从而提升推荐效果.模型在两个公开数据集上进行广泛的实验,结果表明GCRNN优于现有的研究方法.     

改进的协同过滤算法

针对传统的CF(Collaborative Filtering)算法和基于项目评分的CF算法中存在的数据稀疏、扩展性及计算效率低的问题,通过引用评价系数,对其相似性计算和推荐集的选取方法进行了改进,提出了一种改进的基于相关相似性的CF算法,产生更为准确的用户兴趣度预测,从而提高系统推荐的质量与推荐效率.对改进算法进行实验和性能对比与评价的结果表明,改进算法与传统算法相比,能显著提高推荐精度,平均绝对误差(MAE:Mean Absolute Error)为0.53-0.77.     

基于图框架变换的动态图神经网络模型

为了有效地挖掘并利用动态图的低频和高频信息并捕捉其时空演变规律，提出了一种基于图小波的兼顾低通、高通滤波的多尺度图卷积，并将该卷积运算融入长短期记忆网络中，构建了一类基于图框架变换的动态图神经网络模型.在离散动态图的3个基准数据集中采用2种不同的训练方式进行实验，对比了11种动态图表示学习方法.实验结果表明：所提模型通常能取得最优效果且稳定性更好，同时也验证了模型能够更好地捕获动态图的演变规律.     

感知用户的Item-based协同过滤算法

传统的Item-based协同过滤算法中,项目相似度与目标用户是无关的,这可能导致计算出来的项目相似度,对于目标用户来说是不准确的.针对这个缺陷,提出了一种感知用户的Item-based协同过滤算法.该算法综合考虑到目标用户对项目相似度的影响,为不同的用户建立了不同的目标相似度.采用MovieLens数据集作为测试数据,平均绝对误差作为评价指标,实验结果表明,该算法可以有效地提高准确率.     

结合时间上下文和兴趣模型协同过滤推荐算法

针对传统协同过滤UserCF推荐算法,用户相似度计算数据维度单一、精确率低、用户兴趣动态漂移等问题,提出一种结合时间上下文和用户兴趣动态衰减模型的协同过滤推荐算法.在传统协同过滤算法中结合时间上下文优化用户相似度的计算,引入用户收敛兴趣衰减模型,动态评估用户兴趣变化.算法通过MovieLends-1M数据集进行实验验证,按照F_β值、准确率、召回率与传统UserCF、UserCF-IIF算法进行对比分析.实验结果表明：本文算法精确率最高可达25.6%、召回率最高可达12.2%,相比UserCF、UserCF-IIF算法,在F_β值方面本文算法具有明显提升.     

融合图卷积神经网络的文本情感分类

文档级别情感分类旨在预测用户对评论文本的情感极性标签。最近研究发现,利用用户和产品信息能有效地提升情感分类性能,然而,现有大多数研究只关注用户与评论、产品与评论的信息,忽略了用户与用户、产品与产品之间的内在关联,因此,本文提出一种融合图卷积神经网络的文本情感分类模型。首先,根据数据集构建了用户与用户关系图、用户与产品关系图;然后,融合两种关系图形成异质图,并使用图卷积神经网络学习用户与用户、产品与产品之间的内在联系,获得更好的用户和产品表示;最后,使用融合CNN的用户注意力和产品注意力机制的分层网络进行情感分类。实验结果表明,在公开数据集IMDB、Yelp2013和Yelp2014上,本文提出的模型能取得较好的分类效果。     

推荐系统中协同过滤技术的研究

目前推荐系统中应用最为成熟的技术为协同过滤推荐技术,但是随着用户和资源数量的日益增多,协同过滤推荐技术的问题愈发明显。数据稀疏性是实尚未解决的问题,本文通过在计算相似性时考虑到项目的重复因素,提出了一种优化后的协作推荐算法。最后通过实验证明了优化后算法的有效性。     

结合协同过滤与隐语义模型的视频推荐策略

观看视频已逐渐成为人们休闲娱乐方式之一,但视频网站却面临着如何从用户的需求出发更好地推荐视频资源的困惑.传统的协同过滤算法仅通过用户之间的相似度来建立对物品的兴趣关系,忽略了用户行为所带来的隐含信息以及物品之间的分类信息.因此本文在传统协同过滤算法的基础上融合了隐语义模型进行推荐,借助隐语义模型增加推荐结果的多样性,并借助协同过滤算法保证推荐的及时性,通过两种算法的融合能够有效地提高推荐的多样性并保证推荐的性能.     

基于双向主题模型的协同过滤算法*

主题模型可以学习用户和推荐项目的潜在主题分布。提出了一种基于双向主题模型的协同过滤算法,分别学习用户和推荐项目的潜在主题分布用于推荐服务。在真实的数据集上实验验证,该算法的性能均优于几个经典的协同过滤算法。     

协同过滤算法的优化研究

对协同过滤算法中用户相似性计算方面进行优化,在计算用户相似性的公式中添加用户兴趣偏差度作为权重,以提高相似性计算的准确性.通过实验对改进的算法进行了验证,结果表明改进的算法提高了推荐系统的准确度.     

基于近邻用户和近邻项目的协同过滤改进算法

协同过滤算法研究正面临两大挑战:一是提高推荐系统的质量,尤其是高维稀疏数据系统的推荐质量;二是提高算法的可伸缩性。为了解决该问题,笔者提出了一个基于用户近邻和项目近邻的协同过滤改进算法。为了提高系统在线推荐性能,该算法分2步:1)线下的相似度计算和近邻计算;2)在线预测。通过对N个用户近邻和N个项目近邻的有效结合,该算法在线计算的空间复杂度为O(N)且具有较好的可伸缩性。实验表明,与经典的Pearson协同过滤算法相比,该算法不仅提高了推荐性能,而且也适用于高维稀疏数据系统。     

基于改进的协同过滤算法的练习测试推荐系统

在传统的协同过滤推荐算法的基础上,设计了一个基于改进的协同过滤算法的练习测试推荐系统。首先,根据学科、试题和学生的特点,有效的解决了矩阵稀疏和"冷启动"的问题;其次,使用机器学习中的K-means聚类算法对用户进行聚类,且初始聚类中心由Prim最小生成树算法确定,增加了聚类的稳定性;然后在每个聚类中搜索用户的最近邻居,缩小了计算用户之间相似度问题的规模;最后,通过实验将改进的算法与传统的算法进行了比较。实验结果表明,改进的算法提高了推荐系统的质量和准确度。     

基于用户协同过滤的图书推荐系统的设计与实现

协同过滤挖掘是利用具有相似喜好的读者或相似的物品来实现相关推荐的信息挖掘。通过深入挖掘图书馆书籍借阅中记录的信息，提出了一个基于用户协同过滤技术的图书推荐系统的设计与实现方案。实验结果表明该系统具有较为准确的预测功能，对图书推荐工作具有较好的参考价值。     

融合负采样和消息传递的GCN推荐算法

近年来,图卷积神经网络(Graph Convolutional Networks, GCN)在推荐领域有广泛的应用,LightGCN通过对传统GCN的简化,省略特征变换和非线性激活的过程,对GCN的研究提供了新思路。为了解决推荐算法负采样问题和消息传递对GCN收敛的影响,提出了SNGCN模型,改变了直接从数据中采样原始负样本的采样策略,利用正例混合和样本混合两个步骤合成硬负样本;其次,SNGCN利用约束损失逼近多层图卷积的极限。最终该模型在4个公开基准数据集上得出的实验结果表明,其Recall和NDCG两项指标均比对比的推荐算法有所提升。