基于反向最远邻的商品推荐算法研究

有效的推荐算法可以最大限度地发掘商品的价值.通过研究用户的偏好,分析了从海量商品信息中为用户推荐感兴趣内容的方法.目前大多数推荐系统向用户推荐的是较为流行的商品,而忽略了那些当下不"热门",却有着巨大潜力的商品.以发掘小众中的大众商品为目的,提出了一种基于反向最远邻(Reverse Furthest Neighbor, RFN)查询的商品推荐算法:基于专家用户的信任协同过滤算法,替代传统用户相似匹配的协同过滤推荐算法;利用幂律对商品进行范围缩减,优化系统筛选的效率,实现了对有潜在价值商品的推荐,使小众商品属性的分布得到更深层次的挖掘.实验结果表明本文推荐算法输出结果质量较高,适用于解决部分"长尾问题".     

基于向量空间模型的在线拍卖商品推荐

随着在线拍卖的迅速发展，网站的用户数和商品数急剧增加，使得信息过载和如何提高客户忠诚度的问题凸现出来。为了解决这一问题，采用理论分析和实验的方法，对用户在拍卖网站的行为进行了详细分析，提出了偏好序的概念。在此基础上建立了基于向量空间的用户偏好模型和拍卖商品模型，然后利用内容过滤技术进行拍卖商品的个性化推荐。研究结果表明，买者偏好模型的权重矩阵形式很好地克服了传统的向量表示形式，全面地表示了买者的偏好。研究使得目前拍卖网站的推荐手段更加丰富，提高了推荐的个性化、智能化程度。     

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.     

基于时间加权标签的协同过滤推荐算法研究

传统的协同过滤推荐算法主要以评分数据为数据源来计算和反映用户的兴趣偏好和资源相似度,并决定是否对潜在用户进行推荐物品。而忽视了用户、资源本身的特征,用户在不同时间对资源的认识和感兴趣程度是会变的。基于这个问题,本研究对传统算法进行了改进,提出了基于时间加权标签的信息推荐算法。该算法的主要思想是标签可被用户依个人偏好进行资源标注,标签代表用户对资源的兴趣特征,以用户集、时间、标签集及物品资源等 4 个量形成的多维关系,可以计算出用户和资源之间的标签特征向量,计算在不同时间段,用户对资源的偏好以及资源相似度,并且依据用户的历史行为来预测用户的偏好,并进行推荐。实验结果显示本算法有效地提高了推荐的准确性,获得了更好的推荐效果。
     

基于时间加权标签的协同过滤推荐算法研究

传统的协同过滤推荐算法主要以评分数据为数据源来计算和反映用户的兴趣偏好和资源相似度,并决定是否对潜在用户进行推荐物品。而忽视了用户、资源本身的特征,用户在不同时间对资源的认识和感兴趣程度是会变的。基于这个问题,本研究对传统算法进行了改进,提出了基于时间加权标签的信息推荐算法。该算法的主要思想是标签可被用户依个人偏好进行资源标注,标签代表用户对资源的兴趣特征,以用户集、时间、标签集及物品资源等4个量形成的多维关系,可以计算出用户和资源之间的标签特征向量,计算在不同时间段,用户对资源的偏好以及资源相似度,并且依据用户的历史行为来预测用户的偏好,并进行推荐。实验结果显示本算法有效地提高了推荐的准确性,获得了更好的推荐效果。     

基于评论分析的评分预测与推荐

推荐系统广泛地应用在网络平台中,推荐模型需要预测用户的喜好,帮助用户找到适合的电影、书籍、音乐等商品.通过对用户评分和评论信息的分析,可以发现用户关注的商品特征,并根据商品的特征,推测用户对该商品的喜好程度.本文提出将评论中隐含的语义内容与评分相结合,设计并实现了一种新颖的商品推荐模型.首先利用主题模型挖掘评论文本中隐含的主题分布,用主题分布刻画用户偏好和商品画像,在逻辑回归模型上训练主题与打分的关系,最终评分可以被视为是对用户偏好和商品画像的相似程度的量化表示.最后,本文在真实数据上进行了大量对比实验,结果证明该模型比对比系统性能优越且稳定.     

基于协同过滤算法的电子商务推荐系统

为了解决购物网站信息量过大问题,对用户进行精准商品推荐,提出了一种基于协同过滤算法的电子商务推荐系统,根据网站收集的用户历史行为数据计算物品的相似度,进而预测用户对物品的偏好,根据兴趣度对用户进行物品推荐。在基于协同过滤算法的基础上,考虑了用户活跃度和时间上下文关系对用户兴趣的影响,设计了完整的推荐算法流程。实验证明该算法确实改善了推荐的精确性,说明用户活跃度和时间因素确实对用户行为有影响。     

结合地点类别和社交网络的兴趣点推荐

随着互联网和全球定位技术的高速发展,基于位置的社交网络(location-based social network)不断涌现,鼓励用户通过签到的形式发布个人动态并实时分享地理位置。海量的签到数据为挖掘用户偏好提供了机会,有利于提供基于位置的服务,如兴趣点(point of interest)推荐。兴趣点推荐旨在通过分析用户历史出行记录来得到用户的位置偏好,从而在未来为用户推荐新的地点,同时也能帮助广告商精准地投放用户感兴趣的广告。地点类别往往能够精准地提炼出位置的上下文语义,而现有的兴趣点研究大多都直接去计算用户对地点的偏好,没有有效地结合类别信息。通过对社交网站Yelp的公开数据集进行分析,发现相比访问共同的地点,朋友之间更容易访问相同的类别。因此,考虑朋友间地点类别偏好关系比直接考虑用户间项目偏好的关系更为合适。文中提出一种结合地点类别和社交网络的兴趣点推荐算法CSRS,先从用户历史签到记录获取用户地点类别偏好,然后考虑朋友间的类别偏好差异性。在Yelp数据集上的实验结果表明,与其他算法相比,文中提出的算法在准确率和召回率指标上都取得了更好的结果。     

基于大数据的人工智能跨境电商导购平台信息个性化推荐算法

传统算法计算与存储开销大,影响推荐结果准确性,不适于含大规模数据的人工智能跨境电商导购平台信息的个性化推荐的。为此,通过大数据技术研究人工智能跨境电商导购平台信息个性化算法,使得大数据技术在Hadoop平台实现,通过Map将任务分解成多个任务,采用Reduce将分解后多任务处理结果集合在一起,获取最终处理结果。通过两个MapReduce与一个map对平台中用户偏好获取算法进行并行化处理。针对用户偏好,通过关联规则挖掘获取和用户偏好相符的商品,推荐给用户。结果表明:所提算法推荐准确率、召回率和平均精度均高于其他算法;所提算法推荐商品符合用户偏好;所提算法推荐商品信息点击率与转换率最优。可见所提算法推荐精度高,推荐商品信息可满足用户偏好,应用性强。     

基于用户反馈的时序二部图推荐方法

推荐系统以用户购买行为相似性为基础,而用户购买不仅包括是与否的选择信息,还有其购买时间和购买后对产品的评价信息作为反馈结果.满意商品能正确反映用户兴趣偏好,而很久以前购买和负面评价的商品,则将误导用户兴趣的分析.因此,在传统二部图推荐的基础上加入用户评价和时间衰减因素,提出一种基于用户反馈的时序推荐方法,经过多个数据集上的实验证明,提出方法在不同推荐列表长度的命中率指标上均有较大幅度的提升.     

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.     

基于室内定位技术的图书馆推荐算法

为解决图书馆推荐系统存在的数据稀疏性问题,帮助读者选择感兴趣的图书,提出基于室内定位的图书馆推荐算法.该算法使用室内定位技术,以书架为定位单元,根据读者在图书馆的活动轨迹,获得读者兴趣偏好,将偏好信息引入基于用户的协同过滤算法,发现兴趣相似读者,进行推荐.实验结果表明,此算法能有效解决图书馆推荐系统中数据稀疏性问题,为读者提供位置相关的个性化图书推荐.     

一种基于条件相对平均熵的个性化推荐算法

为了提高现有推荐算法的准确性,提出一种基于条件相对平均熵的个性化推荐算法.首先,采用加权的CNM算法构建复杂网络,挖掘该网络的社团结构,作为商品待推荐域;其次,利用条件互信息和条件相对平均熵生成有效的节点次序,以提升贝叶斯网络构建的准确性;然后采用K2算法学习贝叶斯网络,分析出用户的消费性格,并判断待推荐域中商品与消费性格的联系,向用户提供感兴趣和合理的推荐;最后,基于电信运营商的实际数据进行实证分析,验证了该算法的有效性.     

基于评论特征提取和隐因子模型的评分预测推荐系统

评分预测是推荐系统研究的核心问题,通过用户的历史行为来预测用户对商品的评分,根据评分高低来推荐用户喜欢的商品.当前基于评论评分预测推荐系统普遍只使用卷积神经网络捕获局部特征或者循环神经网络捕获全局特征,忽略了将这两类特征的有效融合.针对现存问题,本文提出基于评论特征提取和隐因子模型的评分预测推荐模型,使用自适应感受野的卷积神经网络(CNN)提取局部特征,同时使用门控循环单元(GRU)提取全局特征,将不同特征融合为评论的嵌入表达.再结合隐因子模型(LFM)对用户的特征偏好和商品的特征属性进行建模.最后,通过对用户和商品的嵌入表达进行评分预测.实验结果表明,本文模型在5个数据集上均高于现有基线模型.     

基于用户偏好加权的混合网络推荐算法

基于热传导或物质扩散理论的推荐算法首先利用网络结构得到对象间推荐关系,然后根据对象间关系预测用户喜欢的对象,而忽略了用户偏好。为了弥补这个缺陷,根据用户已选择对象的标签,利用TF-IDF方法构建用户偏好模型,以用户在预测对象标签上的平均偏好作为对该对象的偏好程度,采用加权方法与现有基于网络推荐算法混合运算。经在基准数据集MovieLens上测试表明,通过与目前效果最好的几种基于网络推荐算法进行加权混合运算,推荐结果在推荐精度、个性化、多样化等多种评价指标方面均比原有算法有明显提高。     

基于联合相似用户-项目的协同过滤推荐算法

由于用户评分的偏好性,及其稀疏的评分矩阵,导致对目标用户的近邻无法进行准确的搜索,使得推荐结果不尽如人意.本文提出了一种联合用户-项目的推荐算法,不仅考虑用户近邻的推荐作用,也考虑了项目近邻的推荐作用.首先,定义相似用户评分影响为用户偏好影响因子,定义相似项目影响为项目偏好影响因子.其次,联合用户偏好影响因子和项目偏好影响因子进行共同推荐.在此基础上,设计新的推荐模型.通过大量的实验证明,提出的新模型得到的推荐质量优于传统模型.     

基于因子分解机的信任感知商品推荐

数据稀疏和运行速度慢是个性化推荐系统面临的难题。为了有效利用用户历史行为,基于用户的评分记录识别出用户感兴趣的内容,并结合用户间的信任关系,提出使用因子分解机(factorization machine,FM)模型进行评分预测。FM具有线性时间复杂度,并且对于稀疏的数据具有很好的学习能力,因而能进行快速推荐。试验结果表明,与传统方法相比,基于因子分解机的商品推荐方法的准确度有明显提高。     

基于系统动力学的资讯个性化推荐研究

手机等移动智能终端在全社会的普及,使得数字内容的生产能力下沉到社会各个层面,形成了多源、自主、原生的互联网媒体内容制造格局;而以社交媒体、自媒体为代表的各类新兴媒体的蓬勃发展,使得数字内容的传播能力极大增强,大量衍生内容在敏感、热点、重要事件的报道传播中产生。互联网资讯具有海量、内容质量参差不齐、观点多极等特点。如何将价值导向对正确的、信息披露准确的资讯进行精准推荐,维护和促进社会公平正义,成为司法领域的新问题和新挑战。推荐系统有效解决了用户在海量信息中难以高效获得信息的问题。基于内容的推荐技术通过分析用户以往感兴趣的项目,经计算得到相似的项目,再将相似度最高的若干项目推送给用户。推荐系统中应用最广泛的是协同过滤推荐算法(collaborative filtering,CF),该概念最早于1992年由GOLDBERG等在开发Tapestry邮件过滤系统时首次提出,其核心思想是运用算法对用户的历史行为数据进行分析,挖掘出用户的兴趣偏好,根据不同的兴趣偏好对用户进行类别划分并推荐相似偏好的物品。当前,个性化推荐已经在电子商务、影视作品、餐饮美食、新闻资讯等领域获得了较为广泛的应用。"京东"的推荐起步于2012年,当时的产品推荐是基于规则匹配进行的,整个推荐产品线组合就像一个个松散的原始部落,部落与部落之间没有任何工程、算法的交集。"淘宝"从2013年推出了"个性化推荐"即"千人千面"的推荐引擎,利用用户的一些行为,通过算法推测出用户可能喜欢的东西。"美团"构建了世界上最大的菜品知识库,为200多万商家、3亿多件商品绘制了知识图谱,并为2.5亿用户画像,构建了世界上用户规模最大的O2O智能推荐平台。"豆瓣"利用社交行为分析解决推荐问题,如基于用户相同行为的协同过滤技术、友邻推荐等,也是个性化推荐的一个补充。社交化推荐的引入,可以解决因单纯产品内容推荐导致推荐范围越来越窄的问题。"今日头条"的个性化推荐算法基于投票方法,其核心理念就是投票,每个用户一票,喜欢哪篇文章就把票投给哪篇文章,经过统计,最后得到的结果很可能是此类人群里最好的文章,并把这篇文章推荐给同类人群用户。该方法看起来似乎很简单,但实际上需要基于对海量用户行为的数据挖掘与分析。系统动力学是一门基于系统论、控制论与信息论,并借助计算机模拟技术的交叉学科,其通过系统的视角,进行结构化动态分析和模型模拟,擅长分析高阶、非线性时变和复杂系统,采用定性与定量相结合的方法,适合对资讯个性化推荐这种动态复杂过程进行分析。针对司法工作相关资讯的个性化推荐问题,应用系统动力学理论,对影响资讯推荐效果的重要因素在Vensim软件中进行建模仿真,构建包括用户量、文章量、标签数量和各子系统之间影响的因果反馈模型和存量流量模型,建立系统动力学方程模型,经仿真对相关因素进行敏感性分析。结果表明,文章量、设置的特征化标签和对文章的兴趣点因子等都对推荐效果有重要影响,这是在设计推荐系统时需要重点考虑的因素,也是解决推荐系统冷启动、实时性和"信息茧房"等关键问题的重要途径。基于系统动力学进行资讯个性化推荐研究,可以积极有效地应对司法领域资讯披露面临的挑战,提高精准推荐效果。     

基于策略记忆的深度强化学习序列推荐算法研究

推荐系统旨在从用户-项目的交互中进行建模,为用户推荐感兴趣的内容,从而提高用户体验.然而大多数用户-项目的序列并不总是顺序相关的,而是有更灵活的顺序甚至存在噪声.为解决这一问题,提出一种基于策略记忆的深度强化学习序列推荐算法,该算法将用户的历史交互存入记忆网络,使用一个策略网络将用户当前的行为模式更细致地划分为短期偏好...     

基于用户情境和时序多样性的协同过滤优化算法

目前针对协同过滤算法的主要研究工作集中在如何更准确地预测用户对未知商品的评分,然而衡量推荐质量的标准并不限于预测准确率,推荐列表的多样性也是诸多衡量因素之一。该文将用户情境引入到传统协同过滤推荐算法中,在评分预测阶段考虑用户所处的内部情境,对预测评分进行加权,以保证推荐结果符合用户偏好;在生成推荐阶段,基于外部情境对推荐候选项加权重排,提高推荐列表的时序多样性。实验结果表明,与其他多样性优化方法相比,基于用户情境的方法在保持推荐准确率的同时,能够有效提高系统推荐结果的时序多样性。