一种基于位置社交网络的地点推荐算法*

针对目前基于用户签到的地点推荐方法忽略了用户未评分的项集以及忽视了用户签到次数的差异,以及基于社交影响的地点推荐算法中缺乏对用户之间必要的相关性描述的情况,提出一种新的算法。该算法采用了一种线性的融合框架,有效地避免了单独考虑用户签到、社交因素进行地点推荐的弊端。实验结果表明,在距离限制变量、推荐地点个数相同的条件下,新算法的推荐准确率优于现有的推荐算法。与现有的算法相比,新算法有更好的推荐效果。     

融合地点影响力的兴趣点推荐算法

为解决兴趣点（POI）推荐不准确和效率低的问题,深入分析社交因素和地理位置因素的影响,提出了一种融合地点影响力的POI推荐算法。首先,为了解决签到数据稀疏的问题,将2-度好友引入协同过滤算法中构建了社交影响模型,通过计算经历和好友相似度获取2-度好友对用户的社交影响;其次,深入考虑地理位置因素对POI推荐影响,在对社交网络分析的基础上构造了地点影响力模型,通过PageRank算法发现用户影响力,结合POI被签到次数计算地点影响力,获取准确的整体位置偏好,并使用核密度估计方法对用户签到行为建模和获取个性化地理位置特征;最后,融合社交模型和地理位置模型提高推荐准确性,并通过构造POI推荐候选集来提高推荐效率。在Gowalla和Yelp签到数据集上实验,结果表明所提算法能够快速完成POI推荐,在准确率和召回率指标上明显优于融合时间因素的位置推荐（LRT）和融合地理社交因素的个性化位置推荐（iGSLR）算法。     

社交网络中基于分类属性的好友推荐

社交网络经常通过掌握的用户信息来对其进行好友推荐。这种好友推荐带来了技术挑战,现有的好友推荐技术并不能有效解决该问题。为了应对这种技术挑战,拟提出基于分类属性的好友推荐算法。通过机器学习的手段,分析出不同类型的属性对用户行为的贡献度不同,将其进行分类处理。基于该分类,提出的算法可以在掌握用户基本资料以及近期行为的基础上,搜索出与之相关性更强的好友或能够引发其兴趣点的商品,用来快速、准确、全面地得到用户与其好友之间亲疏程度排序及分类的结果。实验结果证明了所提出方法的有效性及高效率。     

融合时空网络和自注意力的兴趣点序列推荐

针对现有的序列推荐算法仅利用长短期顺序行为和用户交互行为进行推荐,没有充分考虑用户交互行为之间的时空间隔信息对用户推荐序列更深层影响的问题,提出一种融合时空网络和自注意力的兴趣点序列推荐模型。将用户签到之间的时间和空间间隔信息融入门控循环单元网络,使用用户的历史签到序列信息获取用户的偏好,通过自注意力机制对签到地点进行建模,获得用户对于模型的权重序列,通过签到地点与候选地点的时间间隔和空间间隔匹配兴趣点,为用户推荐一个兴趣点序列。在两个数据集上的实验结果表明,提出方法在召回率上优于之前先进的方法。     

一种面向获取空间信息的潜在好友推荐算法

随着社交网络的不断发展,朋友推荐已成为各大社交网络的青睐对象,在能够帮助用户拓宽社交圈的同时可以通过新朋友获取大量信息.由此朋友推荐应该着眼于拓宽社交圈和获取信息,然而传统的朋友推荐算法几乎没有考虑从获取信息的角度为用户推荐潜在好友,大多是依赖于用户在线的个人资料和共同的物理空间中的签到信息.而由于人们活动具有空间局部性,被推荐的好友分布在用户了解的地理空间,并不能够满足用户通过推荐的朋友获取更多地理信息的需求.本文采用用户在物理世界中的签到行为代替虚拟社交网络中的用户资料,挖掘真实世界中用户之间的签到行为的相似性,为用户推荐具有相似的签到行为且地理位置分布更广泛的陌生人,能够增加用户接受被推荐的陌生人成为朋友的可能性和在保证一定的推荐精度的基础上增加用户的信息获取量.本文采用核密度估计估算用户签到行为概率分布,用时间熵度量签到行为在时间上的集中程度,选择可以为用户带来更多新的地理信息的陌生人作为推荐的对象,通过大规模Foursquare的用户签到数据集验证本文的算法在精度上保证了与目前已有LBSN上陌生人推荐算法的相似性,在信息扩大程度上高于上述已有算法.     

基于地理邻近性的自编码器在地点推荐中的应用

个性化地点推荐系统对于基于位置的社交网络（Locationbased Social Networks, LBSNs）的发展至关重要。它不仅能够帮助用户挖掘新的地点,同时也有利于服务商更好地提供个性化服务。现存关于这方面的研究,将所有的地点同等看待。但是在不同类别中,签到频率的数据规模却不可同等看待。本文基于TFIDF理论将签到频率转换成基于类别的偏好数据,提出一个基于地理邻近性的深度自编码器模型,利用签到数据中的地理信息构造推荐系统。在LBSNs真实数据集上进行实验分析,结果表明相对于对比算法,本文模型的实验结果更好,基于地理邻近性的深度自编码器模型适用于地点推荐任务。     

基于Location2vec的地点推荐算法

在地点推荐应用中,传统的协同过滤推荐算法由于签到数据稀疏导致推荐效果不佳。为提高推荐效果并克服传统协同过滤推荐算法受到热门地点影响的不足,提出一种新的地点推荐算法。将签到地点转换为向量,通过向量的余弦相似性计算签到地点的地点相似性。标记签到频次较低的地点为冷门地点,以计算签到地点的用户相似性,结合地理因素的影响,生成对用户的推荐列表。实验结果表明,相比传统协同过滤推荐算法,该算法F1值提升了0.009以上,推荐效果更好。     

LBSN中利用深度学习的POI推荐方法

提出一种基于位置的社交网络中利用深度学习的POI推荐方法。建立一个地理时空注意力网络,以发现总体序列依赖性和微妙的POI-POI关系;将签到序列中连续的地理距离和时间间隔信息加入到地理时空注意力网络中,建立用户个性化移动行为和挖掘用户个性化时空偏好;设计特定于上下文的共同注意力网络,通过从签到历史中自适应选择相关签到活动来学习更改用户偏好,使地理-时空门控循环单元网络(geographical-spatiotemporal gated recurrent unit network,GSGRUN)能够区分不同签到的用户偏好程度。在Foursquare和Gowalla数据集上的实验结果表明,所提算法能够显著提升POI推荐方法的推荐匹配度。     

融合时空感知GRU和注意力的下一个地点推荐

针对循环神经网络（RNN）的门控循环单元（GRU）在进行地点推荐时没有考虑地点的时间和空间信息的影响,提出了融合时空感知的GRU模型。另外,对于签到序列中不相关的签到数据会产生噪声的问题,提出了融合时空感知的GRU和注意力的下一个地点推荐模型（ST-GRU+Attention）。首先,通过计算两个地点之间时间间隙和距离间隙,在GRU模型的基础上增加时间门和空间门,设置权重矩阵,控制时间信息和空间信息对推荐下一个地点的影响;然后,引入注意力机制,通过计算用户偏好的注意力权重得分,得到用户的注意力权重系数,获取用户的个性化偏好;最后,通过贝叶斯个性化排序（BPR）算法构造目标函数并学习模型参数。实验结果表明,与个性化马尔可夫链和用户位置受限的推荐方法（FPMC-LR）、基于个性化排名度量嵌入的推荐方法（PRME）和融合时间和空间的循环神经网络（ST-RNN）的推荐方法相比,ST-GRU+Attention的准确度有了较大的提高,其准确率（Precision）和召回率（Recall）两项指标比较优的ST-RNN算法分别提高了15.4%和17.1%。ST-GRU+Attention推荐方法可以有效地改善地点推荐的结果。     

融合地理信息、种类信息与隐式社交关系的兴趣点推荐算法

针对现有大多数兴趣点推荐算法都存在签到数据稀疏、社交关系难以获取、用户个性难以考虑等问题,文中提出融合地理信息、种类信息与隐式社交关系的兴趣点推荐算法.首先考虑用户签到种类信息,同时分解用户签到地点矩阵和用户签到种类矩阵,减小签到数据稀疏带来的影响.再在显式社交关系的基础上,使用信息熵的方法度量用户的隐式社交关系,缓解社交网络稀疏的问题,并通过正则化的方法在矩阵分解模型中加入该隐式社交关系.最后,使用自适应核密度估计方法个性化建模地理信息对用户签到行为的影响,提高推荐的准确性.在Foursquare、Yelp数据集上的实验验证文中算法的有效性.     

基于资源特征的协同过滤算法的研究

以往的协同过滤推荐算法具有数据稀疏性问题,而对于新资源还具有"冷启动"问题。为此提出了一种基于资源特征的协同过滤推荐方法。通过收集和分析用户的行为,将用户对于资源的喜好转化为用户对于关键词的兴趣权重,将用户兴趣的改变表示为用户兴趣关键词权重的改变,以此来建立和更新用户兴趣模型。最后,通过发现用户兴趣模型与资源模型之间的联系从而达到资源推荐的目的。实验表明,该算法不仅可以跟踪用户的兴趣变迁,而且没有数据稀疏性问题和新资源的"冷启动"问题。     

在线问答社区——海川化工论坛的回答者推荐算法

推荐系统已经在开发者社区Stack Overflow以及知乎、百度知道等热门问答社区发挥了重要作用,也即将成为海川化工论坛提高问答效率的关键技术。海川化工论坛作为国内最大的化工问答社区,问题不能得到及时有效的解答主要由于2大难点：稀疏性和冷启动。本文提出一种融合DeepFM与矩阵分解的混合推荐方法。算法以DeepFM作为辅助算法,矩阵分解作为主算法,通过结合用户的个人特征与问题的自身特征为论坛中的新问题推荐合适的回答者,可有效解决社区中的问题冗余。通过计算测试集的均方根误差与平均绝对误差,进一步验证本文提出的方法在海川化工论坛的有效性和可行性。     

个性化新闻推荐技术研究综述

新闻每时每刻都在发生,阅读新闻已经成为很多人的习惯。新闻媒体众多,网络媒体凭其迅捷性和便利性成为很多人的首选。网络新闻众多导致新闻过载,这就迫切需要个性化的新闻推荐系统,帮助用户快速地找到感兴趣的新闻。伴随着新闻大数据的产生和移动互联网的蓬勃发展,个性化新闻推荐迎来了新的机遇和挑战。首先介绍了个性化新闻推荐的挑战性;然后提出了个性化新闻推荐系统的基本框架,该框架包含新闻建模、用户建模、推荐引擎和用户接口四个模块,并以该框架为基础,分别综述了每个模块的研究进展,列举了现有的个性化新闻推荐系统中四个模块所采用的技术;最后总结了常用数据集、实验方法、评测指标和未来的研究方向。     

融合推荐潜力的个性化趋势预测的混合推荐模型

预测用户对物品的行为中,准确的物品推荐是推荐系统的困难问题。为了提高推荐系统的推荐精度,引入物品的推荐潜力,提出一种新颖的融合物品推荐潜力的个性化混合推荐模型。首先根据最近短时间段和最近长时间段的物品访问率计算趋势动量,然后利用趋势动量计算出当前物品的推荐潜力值,最后将物品推荐潜力值融入到个性化推荐模型中得到混合推荐模型。实验证明,融合了物品推荐潜力值的个性化趋势预测,能较大地提高推荐系统的推荐精度。     

一种基于MFSP-DG的个性化推荐算法

提出一种基于最大频繁序列模式有向图的页面个性化推荐技术,由于考虑了用户会话的页面访问顺序,比一些不考虑页面访问顺序的推荐技术有更高的准确率。有向图结构压缩存储了所有最大频繁序列模式,推荐引擎依据截取的用户最近访问页面子序列,与有向图的部分路径进行匹配并进行横向推荐和纵向推荐,无需在整个模式库中搜索相同或相似的模式,从而加快了模式匹配的速度,更好地满足了页面推荐的特性和实时要求。实验证明,方法是有效的。     

基于项目和信任的协同过滤推荐算法

为解决冷启动用户的推荐问题,对TrustWalker算法在相似度计算、可能性项目选择和预测评分等方面进行改进,提出一种基于项目和信任的协同过滤推荐算法CoTrustWalker。采用云模型相似度方法计算项目间的相似度,通过选择最相似的若干个项目的聚合结果作为随机游走的返回结果,从而提高推荐结果的稳定性。实验结果表明,CoTrustWalker算法在小规模数据集上与TrustWalker算法相比,其推荐质量和推荐速度均有较大提高。     

基于推荐质量的信任感知推荐系统

推荐系统在解决信息过载方面已经取得了很大的成功,同时也存在数据稀疏、冷启动等问题。如何在评分数据稀疏的情况下获得满意的推荐成为推荐系统亟待解决的问题。将信任引入推荐系统成为解决上述问题的有效方法之一。已有的信任感知推荐系统大多基于布尔型信任关系,且没有考虑信任的领域相关性。在服务选择领域,服务请求者依据QoS(quality of service)选择服务。联想到在服务推荐领域推荐请求者可以依据推荐质量(quality of recommendation,QoR)选择推荐用户,提出了推荐质量(QoR)的概念和基于推荐质量的信任感知推荐系统。QoR的属性包含评价相似度、领域信任值、领域相关度和亲密程度,利用信息熵方法可确定各属性的权重。仿真表明该方法提高了推荐系统在数据稀疏情况下的精确度和评分覆盖率,有效提高了冷启动用户的召回率,在一定程度上解决了冷启动问题。     

LaSER: Language-specific event recommendation

While societal events often impact people worldwide, a significant fraction of events has a local focus that primarily affects specific language communities. Examples include national elections, the development of the Coronavirus pandemic in different countries, and local film festivals such as the César Awards in France and the Moscow International Film Festival in Russia. However, existing entity recommendation approaches do not sufficiently address the language context of recommendation. This article introduces the novel task of language-specific event recommendation, which aims to recommend events relevant to the user query in the language-specific context. This task can support essential information retrieval activities, including web navigation and exploratory search, considering the language context of user information needs. We propose LaSER, a novel approach toward language-specific event recommendation. LaSER blends the language-specific latent representations (embeddings) of entities and events and spatio-temporal event features in a learning to rank model. This model is trained on publicly available Wikipedia Clickstream data. The results of our user study demonstrate that LaSER outperforms state-of-the-art recommendation baselines by up to 33 percentage points in MAP@5 concerning the language-specific relevance of recommended events.     

基于高斯分布建模的序列推荐算法

目前大多数序列推荐系统(SRS)都假设需要预测的下一项与用户的上一项输入有关,然而真实场景中,用户可能会在浏览过程中误点击与自身兴趣偏好不一致的项目(不可靠实例)。针对此问题,提出了一种基于高斯分布建模的序列推荐算法。该算法首先通过一个含有多头自注意力的不确定性感知图集合网络(uncertainty-aware graph ensemble network,UAN),通过降低输入项的不确定性来提取输入的序列模式;其次将提取的输入序列模式建模为一个高斯分布,得到序列信息中的动态用户偏好以及偏好的不确定性;再将传统的推荐目标函数拓展为一个采样损失函数和一个不确定性正则化器,赋予每个训练实例适当的不确定性;最后将高损失且低不确定性的不可靠实例去除,增强序列推荐的准确性。该算法在三个公开的数据集Book-Crossing、MovieLens-1M和Steam上进行实验测试,结果表明,该算法相对于效果较好的基线取得了5.3%左右的提升,得到了更优的序列推荐结果,并能通过有效降低输入序列信息的不确定性,从而提升推荐准确率。     

动态融合社交信息的社会化推荐

针对推荐算法中的数据稀疏问题,通常引入社交数据作为辅助信息进行社会化推荐。传统的社会化推荐算法忽略用户的兴趣迁移,导致模型无法描述用户兴趣的动态变化特征,也忽略了社交影响的动态特性,导致模型将很久以前的社交行为与近期社交行为同等对待。针对这两点提出一种社交信息动态融合的社会化推荐模型SLSRec。首先,利用自注意力机制构建用户交互物品的序列模型,以实现对用户兴趣的动态描述;然后,设计具有时间遗忘的注意力机制对社交短期兴趣进行建模,并设计具有协同特性的注意力机制对社交长期兴趣进行建模;最后,融合社交的长短期兴趣与用户的短期兴趣来获得用户的最终兴趣并产生下一项推荐。利用归一化折损累计增益（NDCG）和命中率（HR）指标在稀疏数据集brightkite和稠密数据集Last.FM上把所提模型与序列推荐模型（自注意力序列推荐（SASRec）模型）和社会化推荐模型（社会推荐的神经影响扩散（DiffNet）模型）进行对比验证。实验结果显示,SLSRec模型与DiffNet模型相比,在稀疏数据集上的HR指标提升了8.5%;与SASRec模型相比,在稠密数据集上的NDCG指标提升了2.1%,表明考虑社交信息的动态特性使推荐结果更加准确。