音乐个性化推荐算法RR-UBPMF的研究

大规模隐式反馈数据的使用是推荐系统中的研究热点和难点问题。针对隐式反馈数据高噪声和缺少负反馈的特点,以音乐推荐为背景,在研究概率矩阵分解模型(PMF)的基础上提出了一种直接优化排名倒数(RR)的概率矩阵分解模型(RR-PMF)。通过与User-based KNN算法相结合提出了RR-UBPMF算法,并利用交叉最小二乘法(ALS)进行优化学习。在last.fm数据集上的实验结果表明,该算法在准确率(Precision)、尤其是在标准化折算累加值(NDCG)等评价指标上表现出极大的优势,能够明显提高预测准确性,并且具有良好的可拓展性。     

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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。     

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...     

基于排序学习的连续兴趣点推荐

针对位置社交网络中连续兴趣点推荐系统面临的个性化偏好、数据稀疏性和签到行为的隐式反馈属性等挑战,提出一种基于排序学习的连续兴趣点推荐模型.本文使用三阶张量模型对用户的连续签到行为进行建模,并利用LBSNs中的地理信息定义用户访问兴趣点的地理距离偏好,最后使用基于排序学习的优化标准优化求解模型参数.在两个真实的LBSNs...     

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。     

基于上下文学习和张量分解的个性化推荐

针对目前推荐系统存在的用户评分稀疏性现象,该文提出了一种基于上下文学习和张量分解的个性化推荐算法,算法通过利用用户之间共同评价的项目的上下文信息与评价过项目的用户上下文信息分别构建两个三阶张量,并应用高阶奇异值分解充分挖掘上述两个三阶张量实体之间潜在的关联关系,并将张量分解后的两个三维张量进行组合进而得到最终的推荐列表,以响应用户个性化请求.实验结果表明,该算法可以有效地对上下文信息进行建模,可以显著提高在数据稀疏情况下的推荐质量.     

基于填充先验约束的矩阵分解算法

尽管现有的社会推荐方法,特别是基于矩阵分解的社会推荐方法,取得了一定的推荐效果,但这些方法使用评分数据空间的用户偏好去约束社交关系数据空间的用户偏好,而这两种用户偏好却处于不同的数据空间,这限制了推荐模型的准确性.为解决这个问题,提出一种使用填充数据的偏好来约束评分数据偏好的学习过程的方法 .该方法首先设计一个算法生成填充数据,然后,在概率矩阵分解的过程中约束填充数据偏好的先验分布服从评分数据偏好的先验分布.在四个真实数据集(TrustFilm,Ciao,MovieLens 1m和Jester)上测试的结果表明,提出方法的推荐效果比现有的代表性方法都要好,为概率矩阵分解模型中先验约束的研究提供了新思路.     

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。     

结合用户行为信息和信任传递的推荐算法

通过用户行为信息并结合信任传递推断用户隐式信任关系,提出了基于矩阵分解的PTtrustSVD算法,并在Filmtrust数据集上进行了实验.结果表明,加入隐式信任关系优于仅使用显式信任关系的推荐方法,证明了隐式信任关系对于改进推荐系统性能的有效性.     

基于双高斯先验的低秩矩阵分解模型

为了更好地拟合复杂噪声,增强低秩矩阵分解模型的鲁棒性,将双高斯先验引入到传统的高斯混合模型中,提出了基于双高斯先验的低秩矩阵分解(low-rank matrix factorization with double Gaussian prior, DGP-LRMF)模型,通过模型分解得到的2个矩阵均服从高斯先验,从而实现对噪声的有效建模,并在贝叶斯理论框架下利用EM算法实现模型参数的推断。实验结果验证了所提模型能够有效地处理含有复杂噪声的数据,取得了更优且更具稳定性的去噪效果。     

基于Bi-GRU和外部注意网络的会话推荐模型

基于会话的推荐系统(SRS)可以根据匿名用户的历史行为序列预测用户的下一个动作。现有推荐模型大都会忽略当前会话与其他会话的潜在相关性,不能捕捉用户的主要意图。为解决该问题,提出一种基于Bi-GRU和外部注意网络的会话推荐模型(SR-BGEAN)。该模型首次将外部注意机制引入会话推荐任务中,并结合Bi-GRU进行建模,同时捕获会话内物品双向顺序信息和会话样本间全局信息,形成最终的兴趣表示。在Diginetica和Yoochoose数据集上的实验结果表明,相对最优的基线模型,SR-BGEAN模型在推荐的前20个项目中的命中率更高,可达到71.50%。     

基于贝叶斯神经网络先验模型的图像去噪研究

基于小波系数先验模型的图像处理方法是现代图像处理技术的重要理论框架之一.针对传统的高斯型或拉普拉斯型先验模型的统计描述精度缺陷,本文提出利用贝叶斯(Bayesian)神经网络模型对图像小波系数的统计特性进行精确建模,结合现代粒子(或Montel Carlo:MC)采样技术--Gibbs采样进行模型参数的估计,并重点考察了各尺度下的正交小波系数先验信息的建模过程,最后利用先验模型图像处理框架,实现图像的噪声抑制.仿真模拟结果表明:一方面,基于贝叶斯神经网络的小波先验模型建模准确,较好地描述了各尺度小波系数的先验信息;另一方面,从图像去噪性能来看,基于建议先验模型的图像质量在客观指标和主观视觉上都有显著的提高.     

不完美信息博弈中对手模型的研究

针对传统的显式建模方法依赖大量数据样本的问题,提出了策略自扩展算法,通过样本数据的自扩展来提高建模效率。同时,为了提高对手模型的准确度,结合隐式建模和隐式子策略建模的方法,提出了子策略发现算法。以勒杜克(Leduc)扑克博弈为实验对象,对比研究了2种传统方法和本文提出的2种算法。实验结果表明:策略自扩展算法提高了显式建模的效率和模型准确性。在利用对手弱点获取收益方面,策略自扩展算法比显式建模方法提升了84.4%,子策略发现算法比隐式建模方法提升了128.6%。     

基于HMM-BIC的说话人日志系统

该文提出一种改进的基于隐Markov模型(HMM)和Bayes信息准则(BIC)的说话人日志系统。它用来检测会议语音数据中"谁在什么时候说话"。在对说话人模型进行Gauss混合模型(GMM)建模的时候,考虑到用来建模的数据通常会比较短,首先训练一个通用背景模型,然后用最大后验概率(MAP)准则得到相应片段的模型。在NIST 2004年举办的说话人日志评测任务数据集RT-04S上的实验结果表明:该系统与国际主流系统相比有一定的优势。     

根据用户隐式反馈建立和更新用户兴趣模型

提出一种通过获取用户的隐式反馈信息建立和更新用户兴趣模型的方法．这种方法不需要用户显式地提供兴趣信息，只要通过观察用户在浏览Web页面时所采取的动作来获取隐式的反馈信息，并利用这些信息建立与更新用户兴趣模型，从而减轻用户的负担．     

基于张量分解和深度学习的混合推荐算法

张量分解和深度学习已被应用于推荐系统,并取得了较好的效果.张量分解较好地从用户对推荐对象评分中提取用户、推荐对象以及其他影响因素的隐性的特征,将这些特征进行匹配,给出推荐策略,但这种方法忽略了用户、推荐对象以及其他影响因素现有辅助数据信息中的显性特征.深度学习是从辅助信息中提取用户、推荐对象以及其他影响因素的特征,并进行匹配给出推荐策略,却忽略了用户评分数据中用户、推荐对象以及其他影响因素的隐性特征.将张量分解和深度学习两种推荐方法相融合,提出一种基于张量分解和深度学习的混合推荐算法.使用张量分解算法和深度学习分别从三阶用户评分数据和多源异构辅助信息中提取用户特征和推荐对象特征,并将它们匹配得出用户对推荐对象的需求或喜爱的预测评分,再将两种算法的预测评分进行融合给出最终综合评分,从而提高个性化推荐的精准度.对比实验证明混合推荐算法与传统的协同过滤算法相比误差降低了34. 0%.     

不完美信息博弈中对手模型的研究

针对传统的显式建模方法依赖大量数据样本的问题,提出了策略自扩展算法,通过样本数据的自扩展来提高建模效率。同时,为了提高对手模型的准确度,结合隐式建模和隐式子策略建模的方法,提出了子策略发现算法。以勒杜克(Leduc)扑克博弈为实验对象,对比研究了2种传统方法和本文提出的2种算法。实验结果表明:策略自扩展算法提高了显式建模的效率和模型准确性。在利用对手弱点获取收益方面,策略自扩展算法比显式建模方法提升了84.4%,子策略发现算法比隐式建模方法提升了128.6%。     

不完美信息博弈中对手模型的研究

针对传统的显式建模方法依赖大量数据样本的问题,提出了策略自扩展算法,通过样本数据的自扩展来提高建模效率。同时,为了提高对手模型的准确度,结合隐式建模和隐式子策略建模的方法,提出了子策略发现算法。以勒杜克(Leduc)扑克博弈为实验对象,对比研究了2种传统方法和本文提出的2种算法。实验结果表明:策略自扩展算法提高了显式建模的效率和模型准确性。在利用对手弱点获取收益方面,策略自扩展算法比显式建模方法提升了84. 4%,子策略发现算法比隐式建模方法提升了128. 6%。