一种基于协同过滤和混合相似性模型的推荐算法

针对推荐系统协同过滤方法中存在的数据稀疏和冷启动等问题,提出一种基于协同过滤和混合相似性模型的推荐算法。该算法首先计算用户在不同项目间的相似性,然后结合项目特性和标签信息权重来描述用户、项目、特性和标签之间的关系;其次,设定用户偏好因子和不对称因子调整不同用户间的评分偏好;最后,结合用户间相似性、项目综合权重,以及评分偏好构建混合相似性模型,并加入用户时间权重信息解决项目冷启动问题。在公开的MovieLens数据集上的实验表明,该算法在各种评估指标上比其他相关方法获得更显著的结果。     

一种改进的混合推荐算法

基于用户的近期行为能够更好地反映其潜在的兴趣偏好的思想,提出了一种基于有限时间窗口的改进混合推荐算法.在标准数据集Netflix上的实验结果表明,只采用大约31.11%的用户近期历史记录,所得到的推荐结果准确性可以平均提高4.22%,而推荐列表多样性可以提高13.74%.另外还发现新提出的算法适用于不同活跃程度的用户,这可以极大地降低大规模数据所引发的计算复杂性问题.     

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。     

一种多层混合的推荐模型研究

在全面分析研究邻域模型和隐语义模型的基础上,针对现有推荐模型的优缺点,首先建立了一种融合邻域模型和隐语义模型的混合 Top-N 推荐模型,有效利用了用户反馈的信息,并全局考虑了用户与项目的潜在关系。然后综合考虑用户反馈信息、自身特征信息及潜在信息等因素,提出了一种基于 SVD＋＋上的全新混合 Top-N 推荐模型 SHT（基于 SVD＋＋的混合Hybrid Top-N 推荐模型缩写）。通过将特征信息融入模型,可准确地表现用户与项目的属性特征,实现依照用户的喜好与习惯高效、快捷和精准地推荐。实验结果表明,每一层的模型都能够在不同程度上提高推荐结果的精度。     

一种基于Interest-Model的用户推荐算法

目前的社交网络用户推荐算法针对性较弱,用户兴趣不明显.针对这些问题,设计一种基于兴趣的潜在用户推荐算法.抽取用户的Tag标签,计算标签间的语义相似度,通过用户与其关注者之间的关系和兴趣程度对关注者进行打分,根据打分结果进行潜在用户的推荐.实验结果表明,基于兴趣的用户推荐算法对潜在用户的预测和推荐准确度有所提高.     

一种基于混合深度学习的推荐算法

为解决推荐算法中的冷启动和数据稀疏性问题,提高推荐的效率,提出一种基于混合深度学习的推荐算法。该算法将深度学习中的半自动编码器和多层感知机模型有效结合,通过半自动编码器模型解决稀疏数据,并融合相关辅助信息解决冷启动问题。它先用半自动编码器提取用户和项目的深层次特征,再将提取的潜在特征输入到多层感知机中进行非线性融合,完成评分预测。实验结果表明,相比于其他算法,该算法可以更好地处理稀疏数据和冷启动问题,使推荐准确性得到不同程度的提升。在给定数据集上,该算法比传统矩阵分解算法的均方根误差提升了约46%。     

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。     

基于万有引力的个性化推荐算法

本文把物理学中的万有引力定律引入推荐系统,提出一种个性化推荐算法,即基于万有引力的个性化推荐算法。算法把用户使用的标签看作用户喜欢物体的组成颗粒,标注项目的标签被看作项目物体的组成颗粒,社会标签的类型就是颗粒的类型,由此构建了用户喜好物体模型和项目物体模型。喜好物体和项目物体间存在着万有引力,并且引力大小遵循万有引力定律。计算喜好物体和项目物体间的万有引力,并把该引力大小作为二者的相似度度量,引力越大,二者的相似度就越高,对应的项目物体就越有可能被用户喜欢。实验结果证明本文提出的算法可以获得好的推荐性能。     

一种基于混合相似度的用户多兴趣推荐算法

针对传统协同过滤推荐数据稀疏会影响推荐质量,以及项目最近邻居集的计算忽略用户多兴趣及提高推荐的准确度问题,该文采用混合模型改进了相似性度量计算,综合Pearson相关系数与修正余弦相似性,提出了一种基于混合相似度的用户多兴趣推荐算法.实验表明:该推荐方法的相似度计算更高效,不仅提高推荐准确率,而且使用户有更好的推荐体验.     

社会网络上的谣言传播模型

在经典谣言传播模型的基础上,研究了社会网络上的谣言传播,并建立了数学模型。目标是研究初始集合对谣言传播的影响。对给定的初始集合,随着时步增加,分析被谣言传播影响的节点的概率值,并得出了有关最终集合AS的期望值的一些结论。     

一种基于商品基因的个性化推荐模型

个性化推荐技术在电子商务系统中得到了广泛应用．但现有的个性化推荐模型不能反映出商品的某些特殊属性对用户购买行为的影响及用户购买某商品的真正原因．引入生物界中基因的概念,提出了基于商品基因的个性化推荐模型,发现用户钟爱商品基因,并将钟爱商品基因遗传到用户选择的商品．该模型能更好地发现用户的购买动机,从而进一步提高个性化推荐精度和用户满意度．     

新闻事件的分布式混合推荐算法

针对新闻的个性化服务差及推荐效率低的问题,提出了一种新闻事件的分布式混合推荐算法.该算法改进了传统的层次聚类算法用于新闻事件发现,通过协调簇中心距离和簇间最远距离的权重解决了传统层次聚类中的大簇问题;使用混合推荐算法进行事件推荐,引入了事件的多重特征来计算用户兴趣模型,更准确地表示用户的兴趣偏好;采用Spark分布式计算平台实现该算法,可处理大数据的个性化推荐问题.在公开数据集上的实验结果表明本文方法有效.      

基于RFM模型和协同过滤技术的酒店房型推荐算法

为了提升酒店房型个性化推荐效果,将RFM模型与协同过滤技术相结合,设计了一种酒店房型推荐算法,并通过实验验证了该算法的准确性和有效性优于传统的协同过滤推荐算法.     

配电网潮流的混合模型降规模计算

为了减少大规模配电网潮流分析的计算量,在分析了等效电压降落模型法(VDM)和等效线损模型法(LLM)的基础上,提出了二者相混合的配电网潮流算法.该方法的计算精度比较高,可大大减少参与迭代计算的节点数,而且各负荷点的电压以及配电网的线损不需迭代就可以直接计算得到,从而精确得到整个配电网的线损.经过对IEEE中30节点的实际配电网的计算,验证了该方法的有效性.     

基于二分网络社团划分的推荐算法

传统的基于用户的协同过滤(User-based CF)推荐算法的推荐效率随着数据的不断增加而降低.本文在User-based CF算法中引入二分网络社团发现理论,提出一种基于二分网络社团划分的推荐算法(RACD).首先通过用户与项目之间的关系建立用户-项目二分网络,然后通过RACD对该网络进行社团划分,得到用户的社团信息,最后通过同一社团中的其他用户对目标用户进行项目的推荐.在经典网络数据集上的实验结果表明,RACD能够有效提高推荐系统实时推荐效率.     

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.     

基于MFCC和GMM的个性音乐推荐模型

提出一种基于Mel频率倒谱系数(MFCC)和高斯混合模型(GMM)的个性音乐推荐模型的建立方法.该方法采用MFCC技术提取歌曲的语音特征,并利用GMM算法生成该歌曲的模板,然后利用音乐模板库对音乐文件进行相似度计算.实验结果表明,利用该模型为用户推荐的歌曲平均准确率为90%.