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。     

一种融合信任度和相似度的推荐算法

推荐系统是一种能够帮助用户在面对大量信息时,能快速?有效地获取有用资源的工具?协同过滤是目前广泛使用的一种推荐技术,该技术通过相似邻居对项目的评分为源用户产生推荐,但面临数据稀疏性和冷启动的问题?基于信任模型的推荐系统虽然在一定程度上缓解了上述问题,却仍然需要进一步提高?针对这些困难,提出了一种融合了信任度和相似度的算法?该算法利用用户间的信任信息,将源用户的信任邻居对项目的评分作为该用户的个人喜好,同时根据基于物质扩散的协同过滤算法找出源用户的相似邻居,利用信任邻居和相似邻居为该用户产生推荐?在2个真实数据集上的实验结果显示,融合算法对冷启动用户的准确性比协同过滤算法分别提高了19%和37%,覆盖率分别提高27%和42%?     

融合隐性社交网络社团划分和协同过滤的推荐算法

协同过滤算法是个性化推荐系统中广泛使用的经典算法。针对传统协同过滤算法存在的相似度计算不准确、可扩展性差等问题,设计了一种融合隐性社交网络社团划分和协同过滤的推荐算法ICDCF。该方法将用户对项目的共同兴趣视为社交关系。首先用考虑了用户隐性关系的改进的Jaccard相似系数衡量用户间的社交关系强弱,以用户为顶点、以用户相似度为连边的权值,构建无向加权的隐性社交网络;然后基于隐性社交网络,用谱聚类思想对用户进行社团划分;最后在社团内实施基于用户的协同过滤推荐。该方法可以避免协同过滤推荐阶段因共同评分项目少而导致的相似度计算不准确问题,同时可以减少搜索近邻的计算量,提高时间效率。在数据集MovieLens-100K和FilmTrust上的实验结果体现了ICDCF算法在推荐准确性和可扩展性方面的优势。     

基于微博的个性化社区推荐算法

随着互联网的发展,网络信息正飞速增长.社交网络如Facebook,Twitter,微博等相继出现,用户通过虚拟平台可以获得自己感兴趣的信息,找到爱好相投者.面对海量的内容信息,如何选择各自所需成了当下研究的话题,因此推荐系统应运而生.进一步地,如何更加个性化推荐信息也成为探讨热点.本文以微博社区为平台提出了一种基于微博的个性化社区推荐算法,通过对传统的Jaccrad相似度方法改进,从用户所关注博主以及所参与社区或话题两方面考虑用户之间相似性.继而通过改进的Page Rank算法筛选出具有影响力的对象作为待推荐集.与传统Jaccard和Page Rank算法相比,本算法在平均准确率的平均值MAP上分别提高了42.6%和34.3%.     

复杂网络上基于多维特征表示学习的推荐算法

网络表示学习可以有效解决推荐面临的数据稀疏问题.本文对网络表示学习中LINE算法和DeepWalk算法进行改进，提出混合推荐算法并应用于电影推荐场景.该算法通过学习用户喜好特征、厌恶特征和相似用户特征，生成三个低维特征向量.将三个低维特征向量线性组合拼接成用户表示向量，以余弦相似度作为相似性指标，将相似用户关联的电影推荐给目标用户，实现电影推荐.实验结果表明，所提出的推荐算法相较于次优算法，在MovieLens数据集上的准确率和F1指标分别提升12%和7%，在MovieTweetings数据集上的准确率和F1指标分别提升16%和18%.本文提出的基于多维特征表示学习的推荐算法在电影推荐类场景中，具有显著的优越性.     

基于用户相似度的随机游走社交网络事件推荐算法

针对基于社交网络的事件推荐覆盖性和准确性不够高的问题,提出了基于用户相似度Si-user Walker算法.该算法利用基于事件的社交网络特征,将线上用户群组数据抽象为图,以重启随机游走算法为基础,改变了传统的完全基于图的拓扑结构进行随机游走的策略.根据地理位置划分事件类型,提出了新的用户相似度计算方法,然后根据用户相似度矩阵作为随机游走的转移概率,既保留了图的传递性,又保证了图节点游走的真实性.与其他推荐算法在真实的数据集上实验表明,该算法在均方根误差、准确率及覆盖率上均得到提升.     

基于用户关系网络表征学习的服务推荐方法

网络嵌入学习是深度学习的一个热门分支,它将网络节点映射到一个拓展的低维向量空间。针对用户共用标签网络和社交网络,利用表征学习方法得到用户标签标注关系和社交关系的向量表征,并提出一种新的服务推荐方法。该方法利用用户的向量表征得到相似用户集,由最终得到的用户特征信息返回Top-k个相似用户,并根据相似用户的偏好情况向目标用户推荐合适的服务。为验证方法的可行性,在公开数据集Delicious和Last.FM上进行了实验,结果表明:相比4种基准方法,文中方法准确率可提升13%,召回率提升18.6%,F-measure值可提升13.1%;在学习用户表征向量时,用户之间共用标签关系与社交关系同样重要;推荐过程中,为目标用户返回的相似用户值在[25,30]区间更为适宜。     

LBSN中结合相遇和拓扑结构的朋友推荐算法

利用基于位置的社交网络(LBSN)中的共享位置信息,提出一种结合相遇和拓扑结构的朋友推荐算法.该方法定义用户关系为相遇模型,通过考虑朋友间时间和空间的相遇特征,基于随机路点模型计算轨迹间在相同时间下的相遇频率作为用户相似度,结合拓扑相似度作为最终的推荐依据.实验结果表明,所提出的方法较传统基于拓扑的好友推荐算法准确率更高.     

基于分类算法的潜在好友推荐系统

提出了一种基于分类算法的潜在好友推荐系统. 该系统采用两步特征方法处理原始数据集,去除不相关特征项和冗余特征项,为分类器提供精简的特征集合;把学者潜在好友推荐问题转化为二分类问题,对比4个常用分类器在两步特征选择方法上的分类效果,并找出推荐效果最佳的分类器(决策树分类器),同时得出学术社交网络中区分度最大的6个用户特征信息. 使用来自学术社交网络学者网（SCHOLAT）的社交网络信息作为实验原始数据集进行测试,实验结果显示,相比传统方法,基于分类的推荐方法在准确率和F1值均有显著提升,体现了基于分类算法的潜在好友推荐系统的准确性和实用价值.     

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。     

基于中间商品兴趣度加权的内容推荐算法

内容推荐算法是在电子商务网站中应用比较广泛的推荐技术之一,主要针对商品之间属性相似度和用户对商品兴趣度建模.但传统的内容推荐算法不能及时反映用户对商品兴趣度的时间变化,基于这点提出一种基于中间商品兴趣度加权的内容推荐算法.改进算法增加了兴趣度时间权重函数和商品时间权重函数,可以提高商品推荐准确率,仿真试验结果证明该算法是有效的.     

融合社交网络信息的协同过滤方法

针对目前协同过滤方法存在的数据稀疏性、冷启动以及未能有效利用用户社交网络信息提高推荐质量等问题,提出一种融合用户社交网络信息的协同过滤方法,该方法以矩阵分解推荐模型为核心,可综合集成目标用户个人偏好以及社交网络中的关系用户偏好特征信息做出推荐.通过设计相应的推荐方法,并基于梯度下降法对用户以及商品特征矩阵的求解进行了优化运算.相关实验结果表明融合社交网络信息可在一定程度上提高协同过滤的推荐准确度以及缓解数据稀疏性、冷启动问题.     

基于六度分割理论的社交好友推荐算法研究

为了更好地拓宽用户社交圈并且通过新朋友获取更多的信息资源,好友推荐成为社交网络最为青睐的对象。该文在分析现有朋友推荐算法的基础上,提出基于六度分割理论的社交好友推荐算法。首先,该方法以好友分级思想为基础,根据用户的历史行为对用户进行评级,将评级相似的用户合并为一个群组,以减少进行大规模好友推荐时的时间代价;其次,考虑用户之间的共同关注关系,以及用户与好友交流的时间差额,计算用户与好友之间的相似程度。采用新浪微博数据集验证算法的性能,最终实验证明:该算法准确性和召回率都得到了提升。     

基于语义行为和社交关联的好友推荐模型

现今社交媒体是建立社交联系的重要媒介,好友推荐对于扩展人们的关系网络起到至关重要的作用,准确的用户特征提取和分析是社交网络中好友推荐的关键.传统的好友推荐方法一般都是根据部分用户属性信息或行为信息进行推荐,所以对用户特征的描述不完整,推荐的效率和准确率远非预期.提出基于用户语义行为和社交关联的推荐模型应用于社交媒体平台上的好友推荐.为了获得准确的预测,使用LDA(Latent Dirichlet Allocation)对语义信息进行主题建模,得到基于主题的用户语义行为特征表达;使用DeepWalk算法对用户社交关联网络图进行特征提取,得到准确的社交关联特征表达;使用反向传播神经网络来预测用户潜在的社交关联,为用户精准推荐好友.该模型实现了利用用户语义行为和社交关联预测用户潜在的社交关联,可以根据潜在社交关联进行精准的好友推荐.     

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％.     

基于用户社交网络的最短距离聚类算法

如何提高大数据环境下推荐系统的推荐效率是一个值得关注的课题.本文提出了一种基于用户社交网络的最短距离聚类算法.该算法在推荐之前预先对用户进行聚类,降低邻域搜索空间,提高推荐效率.本聚类算法将用户分为分簇用户和离群簇用户两大类,推荐时以簇为单位输入.离群簇用户可实现对社交网络的简单扩展.最后通过对真实社交网络的模拟,证明了算法的可行性与有效性.     

基于用户多种关联信息和项目聚类的推荐算法

基于用户背景信息的推荐算法中仅通过降低矩阵稀疏性来预测用户评分,造成算法的推荐准确率偏低。为解决上述问题,提出一种基于用户多种关联信息和项目聚类的推荐算法。首先通过加入用户与项目间的关联信息改进相似度计算方法来更加准确计算获取相似用户,将最相似的前K个用户作为目标用户的最近邻;然后根据目标用户最近邻对项目的评分预测目标用户未评分项目的预评分,并把预评分填充到用户项目评分矩阵;最后通过协同过滤算法得到最终预评分,在此基础上结合项目聚类产生推荐项目列表。通过MovieLens数据集上的实验结果表明,该算法有效降低了矩阵稀疏性、减小评分误差和提高准确率。     

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.     

融合儿童成长信息的协同过滤推荐算法

在互联网母婴领域中,由于育婴网络自身的特殊性,推荐算法不仅与用户以及项目的信息有关还与儿童的数据信息有关,而传统的用户相似度计算并未考虑儿童的数据信息.针对此问题,重新定义用户相似度计算方法,将儿童的数据信息通过加权融合的方法融入用户相似度计算中,并提出一种融合儿童成长信息的协同过滤算法,实验结果表明,该算法的准确率与召回率都优于传统算法,推荐系统的推荐质量也有所提高.     

邻域线性最小二乘拟合的推荐支持度模型

针对协同过滤推荐系统在稀疏数据集条件下推荐准确度低的问题,提出了推荐支持度模型以及用于该模型计算的邻域线性最小二乘拟合的推荐支持度评分算法(linear least squares fitting,LLSF)。该模型描述用户对被推荐项目更感兴趣的可能性,通过用高支持度的评分估计取代传统的期望估计法来找出用户更喜欢的项目,从而提高推荐的准确度,并从理论上论述了该算法在稀疏数据集条件下相对其他算法具有更强的抗干扰能力。该模型还易于与其他推荐模型融合,具有很好的可拓展性。实验结果表明:LLSF算法显著提升了推荐的准确性,在MovieLens数据集上,F1分数可达到传统的kNN算法的3倍多,对于越是稀疏的数据集,准确率提升幅度越大,在Book-Crossing数据集上,当稀疏度由91%增加到99%时,F1分数的改进由22%提高到125%。同时该方法不会牺牲推荐覆盖率,可以保证长尾项目的挖掘效果。