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.     

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.     

基于评分与文本融合的多注意力跨域推荐算法

为解决在目标领域推荐过程中用户与物品交互数据的稀疏性问题,提出一种新的跨域推荐模型。将辅助领域中的知识迁移到目标域中,基于前馈神经网络分别获得评分信息与评论文本信息的域独有特征;通过采用基于神经网络的特征提取器与基于向量嵌入的域鉴别器融合后的对抗模型,获得评分信息与评论文本信息的域共享特征;再基于多层注意力机制将域独有特征与域共享特征进行融合,从而获得用户对物品的兴趣度。研究结果表明：对于两种经典的推荐评价性能指标,所提出的模型在Amazon数据集上可以获得更好的推荐性能。     

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HMM与张量分解的两阶段个性化推荐模型与应用*

针对个性化推荐系统中用户偏好的进化学习与高维稀疏数据处理的问题。受隐马尔科夫模型(HMM)结构特征启发,提出了一种考虑上下文感知的两阶段用户偏好集推理策略的个性化推荐算法(HHRA算法)。通过对系统历史评分信息的处理,将用户偏好的提取过程抽象为一个HMM模型,来进行第一阶段的用户偏好集学习与推理。然后在此基础上,引入用户的实时上下文信息,构建了一种融入用户实时偏好的张量模型,并基于一种改进的高阶奇异值分解算法来处理高维稀疏的数据集,对模型进行优化求解,生成最优推荐集合。实验设计在3个具有不同特征的真实数据集上将HHRA算法与传统经典推荐算法进行对比分析,结果显示HHRA算法具有较好的适应性和推荐质量。     

一种基于产品方面的神经网络推荐模型

提出一种端到端的基于产品方面的神经网络推荐模型。该模型利用产品方面标签注意力机制,建模了用户偏好和项目特性之间的联系,并对用户和项目采用方面级别的表示,模拟用户与项目间的细粒度交互过程,从而获得更精确和更具解释性的推荐结果。在COAE中文汽车领域数据集和Yelp基准数据集上分别进行实验,结果表明,所提模型的性能明显优于ANR和NARRE模型。     

基于隐马尔科夫模型(HMM)与张量分解的两阶段个性化推荐模型与应用

针对个性化推荐系统中用户偏好的进化学习与高维稀疏数据处理的问题。受隐马尔科夫模型(HMM)结构特征启发,提出了一种考虑上下文感知的两阶段用户偏好集推理策略的个性化推荐算法(HHRA算法)。通过对系统历史评分信息的处理,将用户偏好的提取过程抽象为一个HMM模型,来进行第一阶段的用户偏好集学习与推理。然后在此基础上,引入用户的实时上下文信息,构建了一种融入用户实时偏好的张量模型,并基于一种改进的高阶奇异值分解算法来处理高维稀疏的数据集,对模型进行优化求解,生成最优推荐集合。实验设计在3个具有不同特征的真实数据集上将HHRA算法与传统经典推荐算法进行对比分析,结果显示HHRA算法具有较好的适应性和推荐质量。     

基于图注意力网络的多行为推荐算法

现有的多行为推荐系统未有效利用不同层次的图传播信息，难以捕获用户不同行为的影响。为解决此问题，文章提出了一种基于图注意力网络的多行为推荐模型(GABR):首先，采用小批量采样节点嵌入方法聚合同一行为类型交互的邻域节点，以提高特征表示效率；接着，采用注意力机制学习不同行为类型的影响系数，以进一步融合节点特征；然后，合并多层用户和项目表示，以有效利用不同层次的图传播信息；最后，将已交互的用户-项目对和随机采样未交互过的用户-项目对作为正负样本对来训练目标模型，以优化模型性能。为验证模型推荐性能，在3个真实数据集(Yelp、Scholat、Beibei)上与现有9种推荐模型进行对比。实验结果表明GABR模型能够有效利用融合了不同行为类型影响系数的多层图传播信息，更好地预测用户偏好：在3个真实数据集上，与目前最佳的基线模型(GNMR)相比，GABR模型的HR、NDCG平均提高了1.73%、2.43%。     

三支交互推荐

模拟现实电子商务推荐场景,设计三支交互推荐模型,提出结合流行度区间和M-distance k近邻的混合推荐算法.在"推荐""不推荐"基础上引入"促销"构成三支,以丰富系统行为、降低推荐代价;构造序贯三支人机交互,持续学习用户的消费习惯,并提供更精准的推荐;根据目标用户的消费记录,选择适当的推荐策略.在多个数据集上的实验结果表明,与其他粗糙集模型下的算法相比,该算法的平均代价更低.     

基于记忆的注意力图神经网络专家推荐方法

在问答社区专家推荐算法中,图神经网络主要利用问答社区中用户与问题的交互关系建模,其模型性能取决于交互数据的稠密度,难以对无交互信息的用户及问题进行有效表示学习.针对这一问题,提出了一个基于记忆的注意力图神经网络专家推荐方法.该方法首先设计了面向用户多维特征的联合表示子网络,然后构建了一个记忆网络,为每个问题保存用户回答...     

应用非负矩阵分解的社交网络好友推荐

现有好友推荐方法只利用用户关系或内容信息进行推荐,难以获得较好的推荐质量． 针对该问题,在利用非负矩阵分解模型适合数据聚类以及数据约简的基础上,提出一种基于非负矩阵分解的好友推荐方法:FRNMF． 该方法采用基于非负矩阵分解的用户聚类为核心的好友推荐框架,利用用户好友关系网络信息和内容信息分别进行用户聚类,然后基于聚类结果计算用户间的综合相似度并进行好友推荐;不仅可以综合集成利用用户关系和内容两类信息,而且具有线性时间复杂度,还可以解决数据稀疏引起的推荐质量下降问题． 实验开发了FRNMF的原型系统,并在真实的新浪微博和学者网社交网络数据集进行对比实验,结果表明FRNMF比传统的好友推荐方法具有更好的推荐质量． 此外,对用户关系和内容两类信息的权重参数设置进行实验分析,分析表明适当提高用户关系信息的权重对于提高好友推荐质量具有促进作用．     

COT:一种连续时间序列建模的社区发现算法

研究基于交互及内容数据发现交往密切的交互社区,以及这些社区如何随时间发展变化,对于网络营销、内容推荐等应用具有重要意义。已有的基于内容与链接分析的混合模型大都未能对交互行为中广泛存在、且显著影响社区结构的时序信息进行统一建模分析。基于贝叶斯图模型,提出了一种可综合考虑交互信息、网络结构以及交互行为时间信息的社区发现模型COT(community over time),可用于从在线社交网络的交互数据中发现具有特定主题倾向及周期性行为模式的动态交互社区。模型采用Gibbs采样进行贝叶斯统计推断,通过在新浪微博真实数据集上的实验验证,可以有效应用于在线社交网络中并取得较高的精细度和可解释性。     

基于标签辅助边优化的推荐算法

传统的二部图推荐模型只考虑了用户和物品的历史交互行为。为了提供更加准确、多样和可解释的推荐,需要在用户物品交互式建模的基础上充分考虑标签辅助信息及权值的计算方式。文中提出了基于自然语言处理的标签相似性辅助边优化的推荐算法（LWV）。该方法结合用户历史行为和标签辅助信息,通过word2vec在节点间生成新用于节点交互的边并构建边的权重,来更新基础推荐算法的推荐列表。最后,在公开数据集上对文中算法与基准算法在6个公共评测标准进行对比,实验结果表明,LWV更新过的推荐算法相比原算法在准确性、多样性和新颖性方面获得更好平衡。     

基于双塔隐语义与自注意力的跨域推荐模型

为缓解跨域推荐数据稀疏与冷启动问题,该文提出一种融和双塔隐语义与自注意力机制的跨域推荐模型(DLLFM-DA/Self atten CDR model, DLDASA),能够有效提升目标域推荐准确率.首先利用提出的双塔隐语义模型(DLLFM),借助源域和目标域用户的类别偏好和项目类别,生成高质量隐语义;其次,在隐语义特征迁移过程中引入域适应(domain adaptation),有效对齐源域与目标域的特征分布,最小化源域与目标域间数据分布差异,提供更高质量的隐语义特征迁移;然后利用多头自注意力机制捕捉两个域之间的差异性与相关性,对差异信息进行筛选与融合,缓解负迁移问题,以提升跨域推荐质量;最后,在Movielens-Netflix和一品威客(YPWK)-猪八戒网(ZBJW)真实数据集上,将DLDASA与基线单域和跨域推荐模型进行对比实验,结果表明,均方根误差(RMSE)和平均绝对误差(MAE)均有明显改善.该研究验证了DLDASA模型能够更充分地提取用户特征,有效缓解目标域信息不足的问题.     

融合用户兴趣度的基于自注意力的序列推荐模型

序列推荐试图利用用户的连续行为、用户偏好、物品流行度以及用户和项目之间的交互动作进行建模,传统的马尔科夫链(MC)、递归神经网络(RNN)和基于自注意力的模型已被大量应用于序列推荐,但它们只是将交互历史假设成有序序列,忽略各个交互之间的时间间隔,也不考虑序列中项目之间交互的可能性存在大小关系以及用户对项目的兴趣度可能随着时间推移而发生变化。文中对基于时间间隔感知自注意力的序列推荐模型TiSASRec进行优化,提出了考虑到用户对项目的兴趣度会发生变化的改进模型TiSeqRec,该模型基于TiSASRec,进一步捕获用户整体偏好和局部偏好,并使用一致性感知门控网络将两种偏好智能结合,预测下一项的内容。通过大量的实验验证了TiSeqRec模型在稀疏、密集数据集和不同的评价指标上都优于已有的最新的序列推荐模型。     

一种基于旁信息增强的协同过滤自动编码器模型

针对用户评分预测不准确的问题,提出了一种基于旁信息(side-information)对用户兴趣进行预测的协同过滤自动编码器推荐模型,给出了模型的设计原理、损失函数以及具体结构.模型使用单隐藏层自动编码器实现,用户评分与旁信息同为模型的输入/输出数据,旁信息也直接参加模型的训练,这种设计不仅降低了模型的规模和复杂度,而且旁信息可以直接对用户兴趣进行修正.同时,通过对训练数据集合的合理划分与扩充,使得训练的网络模型增加了表达能力.在真实数据集上的对比实验表明,本文提出的方法提高了评分预测的准确度,具有一定的实用价值.     

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.     

一种基于社会化媒体和社会网络结构的混合推荐模型

近年来,社交网络的迅速发展为在线用户之间的沟通和交流带来极大便利,为良好的信息推荐服务提供了丰富的资源,与此同时也为个性化推荐带来了更为复杂的技术挑战.本文通过自然语言处理技术获取用户在社会化媒体(新浪微博)中的个性化兴趣标签信息,应用到自行设计开发的社会化阅读应用牛赞网中.进一步地,利用用户在牛赞网中的阅读行为和社交信息,结合用户的社会化媒体兴趣,提出了一种混合推荐模型.实验基于牛赞网中的实际数据集,并与基于用户的经典协同推荐模型进行了对比,结果表明,提出的模型在推荐性能的几个指标(AUC、准确率、召回率、多样性和新颖性)上都有很大的提高.最后,通过对牛赞网中几个典型用户进行进一步的案例分析后得出,混合推荐模型的最优参数需要根据不同社会化行为的用户进行调节.     

基于电影属性和交互信息的电影推荐算法

为了缓解电影推荐系统准确率低、可解释性差和数据稀疏等问题,该文同时考虑电影属性信息和用户与电影的交互信息,融合知识图谱和协同过滤算法提出了基于电影属性和交互信息的电影推荐算法,简称为RippleNet协同过滤(RippleNet collaborative filtering, RippleNet-CF)。该模型一方面利用电影与电影属性之间的相互关系构建电影知识图谱,提取电影与电影之间的关系,通过RippleNet模型计算用户偏好。另一方面使用电影和用户间的交互信息,通过协同过滤算法计算出用户偏好。最后结合上述2个方面得出推荐列表,并根据推荐列表进行Top-K推荐。试验结果表明,该文提出的方法在推荐效果的准确率方面有显著提升,同时具有更好的解释性并缓解了数据稀疏问题。     

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.