音乐推荐系统中的用户冷启动问题

利用新用户使用音乐时的上下文环境信息来解决冷启动问题.当用户播放音乐时，提取用户当时场景的时间、天气、状态等信息，利用这些信息构建决策树分类模型.当新用户使用音乐推荐系统时，提取当前情景的上下文信息，根据决策树分支和上下文信息判断新用户的兴趣，向新用户推荐音乐.实验结果表明，当采用上下文相关音乐推荐算法，推荐数目不超过6项时，新用户对推荐结果的满意度超过TopN算法.     

活动社交网络EBSNs上冷启动推荐方法

活动社交网络(event-based social networks,EBSNs)为用户提供了方便的组织、参加和分享社交活动的平台,由于冷启动用户/活动缺少丰富的历史数据,EBSNs上冷启动用户/活动的推荐是难点问题.面向EBSNs给出了包含活动、主办方和用户的表示模型,提出了向冷启动用户推荐活动,以及将冷启动活动推荐给用户的模型和基于随机游走的节点重要度计算方法.在分析用户参加活动行为模式的基础上,使用真实的EBSNs平台-豆瓣同城验证所提方法的有效性.提出的向冷启动用户推荐活动方案与群组活动推荐相比,评价指标有了明显的提升.该研究构建的向冷启动用户推荐活动,以及将冷启动活动推荐给用户的模型能有效解决活动社交网络上冷启动用户/活动的推荐问题.     

基于n序访问解析逻辑的协同过滤冷启动消除方法

协同过滤是目前个性化推荐系统中广泛使用和最成功的推荐算法,但在用户评分极端稀疏的情况下将面临冷启动问题, 具体包括新用户问题和新项目问题.针对新用户问题,提出了一种基于n序访问解析逻辑的冷启动消除方法, 首先通过Web日志来获取用户访问项序,进而定义了n序访问解析逻辑将其分解为用户访问子序集; 在此基础上设计了用户访问项序的相似性计算方法来搜寻新用户的最近邻集合, 进而提出了改进最频繁项提取算法IMIEA (improved most-frequent items extracting algorithm)来生成面向新用户的top-N推荐. 实验结果表明,本文提出的新方法能够有效实现面向新用户的个性化推荐,消除了协同过滤冷启动中的新用户问题.     

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。     

轻型汽油车实际行驶排放试验中冷启动排放的评估

为更全面、真实反映轻型车的排放水平，在实际行驶排放（real driving emission, RDE）试验中考虑车辆冷启动排放有其必要性。为此，选择1辆符合国六排放标准的轻型汽油车完成8次RDE试验，并将其冷启动排放纳入市区总排放中评估。结果表明：冷启动行程的CO、NO_x和PN排放对市区总排放的平均贡献率分别高达28.3%,31.9%和39.8%。从冷启动全程来看，CO和CO₂排放与平均冷却液温度具有良好的相关性，而NO_x和PN排放则与平均车速明显相关。此外，8次试验冷启动排放结果差异较大，这与冷启动最开始50 s内动力学参数v·a_pos（速度与正向加速度乘积）密切相关。建议在完善考虑冷启动排放的RDE测试程序时对冷启动初始阶段（如冷启动的前50 s）的动力学参数进行严格限定。