融合隐式信任与属性偏好的群组推荐算法

随着互联网和推荐系统的不断发展，推荐服务的对象由单一用户扩展为群组成员，获取并融合组内成员的偏好、提升群组推荐效果成为当前推荐领域研究的热点问题.利用用户提供的多属性评分矩阵，提出一种融合隐式信任与属性偏好的群组推荐算法.首先，基于用户共同评分项目数和多属性评分相似度计算用户间的直接隐式信任，并利用信任传递机制获取用户间的间接信任，降低数据稀疏性.然后，通过计算用户各属性评分与总体评分间的距离来挖掘用户的属性偏好，在此基础上，利用注意力机制学习组内用户权重，将用户偏好聚合为群组偏好，进而结合深度学习框架对候选项目进行预测，生成最终的推荐列表.最后，四个数据集上的实验验证了提出的算法的有效性和可行性，实验结果表明，该算法的准确率、nDCG等评价指标明显优于对比算法.     

基于隐式反馈的推荐研究综述

隐式反馈在推荐系统中可以有效地表达用户-项目之间丰富的交互信息.根据隐式反馈数据量大且易获取的特点,与推荐算法进行融合,不仅可以有效缓解用户偏好表达不完整的问题,还可以提高推荐准确度.因此,研究人员对隐式反馈推荐开展了大量研究,但缺少相关研究的综述分析.本文根据收集到的文献对隐式反馈推荐热点词汇进行了分析,按照研究问题-研究内容的思路重点对隐式反馈推荐研究进行了综述,并阐述了隐式反馈推荐的应用以及未来可能的研究方向.     

基于用户隐式兴趣模型的信息推荐

信息推荐技术能够帮助用户从海量网络信息中提取有用信息,因而得到研究者的广泛关注。通过建立用户隐式特征兴趣模型,即将用户-行为矩阵分解为用户-隐式兴趣-行为矩阵,在充分挖掘用户隐式兴趣的基础上,研究并实现了基于隐式特征兴趣模型的协同过滤算法。在Movielens语料集上进行测试的结果表明,隐式特征能够更加精准地表述用户兴趣,有效提升信息推荐性能。     

融合相似用户和信任关系的动态反馈协同过滤推荐算法

为了克服推荐算法的静态性缺点,提出融合相似用户和信任关系的动态反馈协同过滤推荐算法.该算法用动态因子融合相似用户和信任关系,动态因子初始取随机数,根据用户反馈和系统预测的误差建立正负反馈机制.按照反馈类型,选择增值或衰减函数适当调整动态因子,以便系统更好预测用户评分.在真实数据集Epinions上的实验表明,采用正负反馈的动态融合算法,不仅克服了静态性缺点,而且较基于相似用户或者信任关系的推荐进一步提高了推荐准确率.     

结合评分和信任的协同推荐算法

针对现有基于信任的推荐系统虽能缓解冷启动和虚假评价但较难获取用户之间的信任关系,难以建立用户彼此之间的偏好关系的问题,提出了基于评分-信任协同的推荐算法并给出了相关数学表达式和实现流程。该算法充分利用推荐系统中的共同评分,协同用户间的信任关系,有策略地选择用户评分的相似度和用户间信任值,建立用户之间的偏好关系,进而实现推荐。随着共同评分数目下限值的增加带来推荐准确度提高的同时将造成覆盖率的下降,因而关键是选取合适的下限值。实验结果表明,这种混合推荐的方法相比传统协作推荐方法与信任推荐方法,在精度损失极小的情况下,较大地提升了覆盖率。评分覆盖率指标分别提高了3%和32.1%,用户覆盖率指标分别提高了8.2%和15.1%,从而获得了精度与覆盖率的良好平衡。     

大数据场景下基于可信社团的服务推荐

为实现大数据场景下高效、可信的服务推荐,将社交网络理论和信任理论的研究成果有机融合,提出了大数据场景下基于可信社团的服务推荐方法.首先,利用现有的信任模型理论研究成果建立用户间的信任关系,计算用户对服务提供者的信任度;其次,在大数据场景下利用信任关系构建用户可信社团,确定社团中新用户的加入、甄别并删除恶意用户的方法;最后,在构建的可信社团基础上,利用MapReduce框架提出大数据场景下的基于可信社团的服务推荐方法.仿真实验结果表明:提出的方法适用于大数据场景,与传统的服务推荐方法相比,具有更好的性能.     

隐式反馈场景下基于Pairwise排序学习的因子分解机算法

针对隐式反馈场景下的推荐问题以及如何融入用户物品的上下文信息来进行推荐,提出了一种结合Pairwise排序学习与因子分解机的隐式反馈推荐模型。首先借鉴排序学习中Pairwise的方法解决隐式反馈负反馈缺失的问题,然后选择因子分解机作为排序函数来建模用户的上下文信息,从优化物品排序的角度出发建模用户偏好,进而针对不同用户进行个性化推荐。最终实验也表明,所提出模型在排序指标MAP和NDCG上都要优于其他3种对比算法,在解决隐式反馈下推荐问题的同时,可以利用用户的上下文信息进一步提高推荐的准确度。     

基于用户隐式数据的个性化酒店推荐算法

在基于物品协同过滤的基础上,对隐式反馈数据进行挖掘建模,设计了隐式反馈偏好评分规则,并据此赋予了计算酒店相似度公式的新定义.考虑到用户的基本特征也会对用户个性化需求产生影响以及单一算法的局限性,进一步引入了XGBoost模型,利用XGBoost训练对改进后的推荐结果进行过滤,得到较好的个性化酒店推荐系统.文中采用真实的...     

基于Timed-HITS与协同过滤的混合推荐算法

用户间的信任关系、用户对商品的偏好兴趣及商品的时效性都会影响对商品的推荐效果.将这些因素引入到基本的HITS算法中,对HITS算法进行了改进.将用户对商品的偏好兴趣矩阵进行了改进,利用隐馈数据通过逻辑回归算法估计用户对商品的偏好兴趣,对评分为零的情况赋予了不同的偏好兴趣度,这样更符合实际.将改进的HITS算法和协同过滤算法相结合得到一个混合推荐算法,同时将用户分为活跃用户和非活跃用户分别进行推荐.将提出的算法在Movielens数据集上进行了试验,结果表明该算法在一定程度上缓解了数据稀疏和冷启动的问题,推荐效果优于基于用户的协同过滤算法.     

面向移动社交网络的动态信任评估

数百万用户每天在参与移动社交网络互动及相关资源获取,在没有直接联系的2个用户之间建立信任关系,对于提高移动社交网络服务质量和增强用户安全感方面具有重要的作用.在分析移动社交网络体系架构的基础上,设计了一种综合考虑直接信任、推荐信任、信任风险函数、激励机制等多个影响因子的动态信任评估模型,并对信任值计算方法、信任决策和信任更新等进行分析.基于真实社交网络数据集Epinions.com的实验表明,本模型的信任值计算准确可信,且能够有效抵御恶意节点的攻击.     

融合信任传播和混合相似性度量的推荐算法

针对传统推荐算法中存在的冷启动及稀疏性问题,提出一种融合信任传播和混合相似性度量的推荐算法TPHS。首先,在社交网络推荐算法的基础上,融入信任传播机制,计算用户之间的显性和隐性信任度,进一步挖掘用户之间的信任关系;其次,在衡量用户相似性时,采用混合相似性度量,更好地描述用户之间的相似性;最后,综合考虑用户之间的信任关系和相似性关系,采用Top-n方法和相似性阈值法进行预测评分,得出推荐列表。在Epinions数据集和Movielens数据集上的实验结果表明,该文提出的推荐算法在推荐精度和召回率方面具有更好的推荐性能。     

协同显式和隐式主题回归的论文推荐算法

针对传统论文推荐模型存在冷启动和推荐解释困难的问题,在协同主题回归的基础上,建立了一种协同显式和隐式主题回归的论文推荐模型。模型中显式主题能够表示用户对论文内容中包含显式内容的偏好程度,隐式主题能够覆盖论文内容中没有显式包含的内容,该算法能够对推荐结果给出一定的解释。在CiteULike数据集上的实验结果表明:在不同推荐列表长度下,协同显式和隐式主题回归模型的推荐精度和召回率优于协同过滤和主题回归模型。     

基于用户隐式数据的个性化酒店推荐算法Symbol`@@

在基于物品协同过滤的基础上,对隐式反馈数据进行挖掘建模,设计了隐式反馈偏好评分规则,并据此赋予了计算酒店相似度公式的新定义。考虑到用户的基本特征也会对用户个性化需求产生影响以及单一算法的局限性,进一步引入了XGBoost模型,利用XGBoost训练对改进后的推荐结果进行过滤,得到较好的个性化酒店推荐系统。文中采用真实的脱敏数据,证明利用层叠模型构建个性化酒店推荐系统的推荐效果更加精准,对于酒店在线平台的个性化服务具有较强的参考价值。     

混合因子矩阵分解推荐算法

针对矩阵分解推荐算法在潜在属性与已知属性之间不能建立对应关系的问题,提出了一种混合显式属性与隐式属性的矩阵分解算法。该算法使用显式属性的相关性对因子矩阵进行约束,能够抑制稀疏数据矩阵分解中过拟合的问题,提高推荐精度,由于因子矩阵中包含显式属性,所以混合因子矩阵分解算法可以实现对新用户和新产品推荐,部分地解决了冷启动问题,实现了从评分数据到显式属性的映射,并对推荐结果给出一定的解释。在MovieLens数据集上的实验结果表明:相同因子数下,混合因子矩阵分解算法的推荐精度均优于偏置概率矩阵分解算法,并能够基于显式属性实现对新产品的推荐。     

MOOC社区中基于移动情境感知的学伴推荐方法研究

在大规模学员参与的MOOC社区中智能推荐适配的学习伙伴,对促进学习投入和提升课程完成率具有重要意义.基于探究社区理论模型分析MOOC社区知识地图结构,梳理影响学伴推荐的用户情境(学习投入、评分、时间及位置)和社会情境(交互行为、强度及时效),相应地构建用户情境信任度和社会情境信任度;在社会情境信任度构建中,引入信任奖励因子和时间衰减因子,反映MOOC社交信任的动态性;最后融合用户情境和社会情境计算动态综合信任度,通过信任传播构建MOOC社区复杂信任网络,基于此为学员生成Top-N推荐列表.实验表明,融合用户情境和社会情境的学伴推荐方法,能充分挖掘学员兴趣偏好及交互行为变化所反映的动态信任关系,在高动态性和移动性的MOOC社区中具有较好的推荐效果;同时,可以通过调整多维情境的权重值实现在不同推荐场景的灵活应用.     

基于用户多维度信任的冷启动推荐模型

在传统协同过滤(collaborative filtering,CF)算法中存在着用户冷启动低效推荐问题,基于社交信息的社会化推荐算法通过引入用户的社交关系来缓解冷用户的数据稀疏问题,具有很好的研究应用前景。但该算法对用户间的信任度量较为片面单一而难以准确地对冷用户做出个性化推荐。针对此缺点,从不同维度量化分析了影响用户信任的因素,理论推导出用户多维度信任度量模型,将该模型计算得到的用户综合信任与传统协同过滤中的用户评分相似度值进行有效线性融合,提出了一种基于用户多维度信任的冷启动推荐模型。通过使用真实数据集Epinions并采用留一法进行实验对比分析。实验结果表明,提出的模型在对冷启动用户的推荐中,其平均绝对误差(mean absolute error,MAE)、覆盖率(rating coverage,RC)和F1值(F-measure)3个评估指标相比其他算法有了明显改善。     

社会网络中基于信任的LDA主题模型领域专家推荐

随着Web 2.0技术的发展,社会网络为人们进行交流和协作提供了新的便捷平台。面对网络信息过载问题,在海量的信息中找到自己感兴趣并信任的领域专家,参考专家意见做抉择,变得十分困难。本文提出一种基于信任的LDA(latent Dirichlet allocation)主题模型社会网络中领域专家推荐方法,实现了基于用户信任的领域专家个性化推荐。该方法以LDA主题模型为基础,综合考虑社会网络结构、用户间的信任关系及社会影响力,弥补了传统专家推荐方法只考虑专家特征,导致专家推荐精度不高及推荐结果模式化的不足。最后通过实验验证了该方法的可行性和有效性。     

结合相似度量和反馈调节的推荐算法

基于信任的推荐算法将社交网络中的信任关系融入到推荐中,但数据的稀疏性迫使基于信任的方法要去考虑间接邻居,有限相似的邻居带来的长尾噪音问题降低了推荐准确度;目前已有的算法都假设用户的评分数据完全客观真实,而忽略了异常评分的存在。为了解决上述问题,文章提出新的用户相似度量方法筛选用户的信任邻居,并通过一次预测结果反馈检测并修正评分数据中的异常评分,然后进行二次预测。在真实的大规模数据集Epinions上进行实验,结果表明相比于传统的基于物品的协同过滤算法,该算法在RMSE上提高了6.0%,在MAE上提高了12.4%,说明该算法能有效缓解数据稀疏带来的上述问题,并提高预测精度。     

基于贝叶斯网络和行为日志挖掘的行为信任控制

目前评估网络用户行为的方法成本高且缺乏可操作性,为了便捷有效地对用户行为信任进行预测与评价,文中首先提出了基于贝叶斯网络的用户行为信任预测和控制算法,算法利用聚类和分布密度函数设置算法参数,建立可量化的证据与信任等级之间的对应关系.接着实现基于IIS和.Net底层架构的可配置式信任管理插件,形成用户行为日志,为预测和控制算法提供证据,免除了一般Web日志的清洗工作.实验结果表明,文中算法可预测多属性下的行为信任等级,提高服务器的安全性和可靠性,并约束了用户的商业行为.     

融合用户相似度和信任传播重组信任矩阵算法

针对协同过滤面临的一些本质问题,如数据稀疏和冷启动,本文提出了融合用户相似度和加权的信任传播来重组信任矩阵的方法。首先,将原始信任矩阵中用户相似度低于某一阈值的信任关系去掉;其次,将评分矩阵中用户相似度高于某一阈值的用户对添加到信任矩阵中;最后,考虑加权的信任传播,以此找到更多的信任邻居并对不同距离的信任邻居进行区分。在Epinions和Film Trust数据集上进行的对比实验结果表明,重组信任矩阵的方法能够有效地提高推荐精度,并在一定程度上解决了冷启动问题。