基于深度学习的混合兴趣点推荐算法

针对现有兴趣点推荐的初始化和忽视评论信息语义上下文信息的问题,将深度学习融入推荐系统中已经成为兴趣点推荐研究的热点之一。该文提出一种基于深度学习的混合兴趣点推荐模型(MFM-HNN)。该模型基于神经网络融合评论信息与用户签到信息来提高兴趣点推荐的性能。具体地,利用卷积神经网络学习评论信息的特征表示,利用降噪自动编码对用户签到信息进行初始化。进而,基于扩展的矩阵分解模型融合评论信息特征和用户签到信息的初始值进行兴趣点推荐。在真实签到数据集上进行实验,结果表明所提MFM-HNN模型相比其他先进的兴趣点推荐具有更好的推荐性能。     

基于类别转移加权张量分解模型的兴趣点分区推荐

基于位置社交网络的兴趣点(POI)推荐是人们发现有趣位置的重要途径,然而,现实中用户在不同区域的地点偏好侧重的差异,加之高维度的历史签到信息,使得精准而又个性化的POI推荐极富挑战性.对此,该文提出一种新型的基于类别转移加权张量分解模型的兴趣点分区推荐算法(WTD-PR).通过结合用户连续行为和时间特征,来充分利用用户...     

位置社交网络的潜在好友推荐模型研究

为了提高位置社交网络的服务便捷性和用户感受度,与位置相关的推荐服务越来越具有重要意义和应用需求.提出的潜在好友推荐模型主要是根据签到位置的相似度及好友相似度进行潜在用户推荐.通过用户的好友关系、签到特性及签到历史记录,计算用户在各个位置兴趣点的位置权重,再分别利用位置权重及好友关系计算用户的位置相似度和好友相似度,最后根据用户位置和好友关系的综合相似度进行潜在用户推荐.实验结果表明,提出的潜在好友推荐模型是切实有效的.     

基于时空上下文信息的POI推荐模型研究

随着基于位置的社交网络(LBSN)技术的快速发展,为移动用户提供个性化服务的兴趣点(POI)推荐成为关注重点。由于POI推荐面临着数据稀疏、影响因素多和用户偏好复杂的挑战,因此传统的POI推荐往往只考虑签到频率以及签到时间和地点对用户的影响,而忽略了签到序列中用户前后行为的关联影响。为了解决上述问题,该文通过序列的表示考虑签到数据的时间影响和空间影响,建立了时空上下文信息的POI推荐模型(STCPR),为POI推荐提供了更精准的个性化偏好。该模型基于序列到序列的框架下,将用户信息、POI信息、类别信息和时空上下文信息进行向量化后嵌入GRU网络中,同时利用了时间注意力机制、全局和局部的空间注意力机制来综合考虑用户偏好与变化趋势,从而向用户推荐感兴趣的Top-N的POI。该文通过在两个真实的数据集上实验来验证模型的性能。实验的结果表明,该文所提出的方法在召回率(Recall)和归一化折损累计增益(NDCG)方面优于几种现有的方法。     

基于多兴趣度的图书借阅推荐系统研究与设计

针对数字图书馆图书借阅推荐系统中通常采用的协同过滤算法中存在的不足,分析了该算法存在在用户多兴趣情况下推荐时难免会产生偏差,从而降低预测推荐准确率问题,进而提出了一种基于用户多兴趣度的图书借阅推荐系统推荐算法的设计思路。该算法首先对待推荐图书进行分类,然后根据用户的借阅情况计算其对每类图书的兴趣度,将对每类图书兴趣度相似的用户聚为一类,在小范围内寻找最近邻居,最后根据用户对不同类别书目的兴趣度作为权重值来产生对该用户的每类图书的推荐数目。该算法不仅能够解决用户多兴趣度问题,同时也可减少计算工作量,提高推荐的准确率。     

基于小世界网络的用户位置行为兴趣模型

移动智能终端的快速发展为用户的位置服务提供了新的应用,以用户位置行为分析为核心的服务技术具有重要的商业应用价值。用户位置及其活动特点和趋势与其所在位置的实际状况及本人意愿密切联系,用户所在位置的资源和状况信息直接影响了用户的位置行为。本文引入小世界网络模型分析用户的位置行为特征,发现用户基于位置的行为属性和聚类。采用推荐度计算方法描述结点之间的相似性,通过将用户位置作为一个树根,把位置资源作为用户的兴趣结点,将兴趣搜索转换为最短路径计算问题。通过改进的最短路径算法计算根结点到各个结点的推荐度,分析用户最感兴趣的位置资源结点。实验结果表明,采用该方法建立的用户位置行为兴趣模型能够很好地描述用户基于位置的兴趣和意愿,算法在结果精度和计算时间上都具有良好的性能。     

基于个性化特征的协同过滤推荐算法

针对相似度特征点推荐方法对用户个性化需求匹配度不高的问题,提出基于个性化特征的协同过滤推荐算法。以社会网络为结构模型构建用户信息的评分模型和项目属性模型,采用信任度条件概率分析方法构建可靠性推荐模型,进行个性化特征分析和提取,实现个性化特征需求与项目兴趣点的合理匹配,实现协同过滤推荐,最后通过仿真实验进行测试分析。结果表明,采用该方法进行社会网络项目协同过滤推荐的用户评分高,平均绝对误差和均方根误差小,提升了推荐质量。     

基于领域本体的个性化推荐在健康系统中的研究

协同过滤技术(Collaborative Filtering)成功应用于个性化推荐系统中,为了用户能更准确地获取信息,提出了利用领域知识进行相似度计算的协同过滤算法,利用用户兴趣与领域本体中概念的映射关系,构建用户兴趣本体,发掘用户兴趣模式,通过融合评分项目相似度和用户相似度的计算,使用户在评分的共同项目很少或为零的情况下也能找到最近邻进行协同推荐.将这一方法应用到某健康系统中进行实验分析,该方法不仅解决了传统的基于项目的协同过滤带来的问题,而且还提高了推荐系统的推荐质量.     

基于主题的用户兴趣域算法

针对用户兴趣偏好多变问题,提出一种兴趣特征权重随时间而变化的迭代计算方法。构造了用户兴趣特征与主题类间的二部图关系,并在此基础上提出了一种基于主题的用户兴趣聚类算法(TBC),改变了聚类对象"非此即彼"的硬划分方式。该算法所形成的基于主题的用户兴趣域结构,不仅充分表达了用户的多域兴趣特征和域间主题的联系,还能适应用户兴趣变化。实验表明,TBC算法比传统的K-Means算法以及属于软划分方式的FCM聚类具有更好的用户兴趣划分效果,并且在个性化推荐服务中表现出更高的推荐质量和效率。     

基于一跳信任模型的协同过滤推荐算法

基于社会信任网络的协同过滤推荐算法存在节点之间多下一跳带来的复杂路径选择和信任弱传递问题。针对这2个问题,给出基于项目的一跳信任模型,该模型通过用户对项目信任度的计算,定义用户的直接和间接社会信任属性,然后一步跳转计算用户之间的直接和间接信任距离,进而计算用户之间的信任度。基于此模型设计推荐算法,同时分析了信任度与传统相似度的理论关系并二维拟合。仿真实验表明,该算法提高了推荐准确度(约0.02 MAE),降低了训练时间(约50%)。     

Textual-geographical-social aware point-of-interest recommendation

The rapid development of location-based social networks (LBSNs) has provided an unprecedented opportunity for better location-based services through point-of-interest (POI) recommendation. POI recommendation is personalized, location-aware, and context depended. However, extreme sparsity of user-POI matrix creates a severe challenge. In this paper we propose a textual-geographical-social aware probabilistic matrix factorization method for POI recommendation. Our model is textual-geographical-social aware probabilistic matrix factorization called TGS-PMF, it exploits textual information, geographical information, social information, and incorporates these factors effectively. First, we exploit an aggregated latent Dirichlet allocation (LDA) model to learn the interest topics of users and infer the interest POIs by mining textual information associated with POIs and generate interest relevance score. Second, we propose a kernel estimation method with an adaptive bandwidth to model the geographical correlations and generate geographical relevance score. Third, we build social relevance through the power-law distribution of user social relations to generate social relevance score. Then, our exploit probabilistic matrix factorization model (PMF) to integrate the interest, geographical, social relevance scores for POI recommendation. Finally, we implement experiments on a real LBSN check-in dataset. Experimental results show that TGS-PMF achieves significantly superior recommendation quality compared to other state-of-the-art POI recommendation techniques.     

基于上下文相似度和社会网络的移动服务推荐方法

针对传统的基于协同过滤的移动服务推荐方法存在的数据稀疏性和用户冷启动问题,提出一种基于上下文相似度和社会网络的移动服务推荐方法(Context-similarity and Social-network based Mobile Service Recommendation,CSMSR).该方法将基于用户的上下文相似度引入个性化服务推荐过程,并挖掘由移动用户虚拟交互构成的社会关系网络,按照信任度选取信任用户;然后结合基于用户评分相似度计算发现的近邻,分别从相似用户和信任用户中选择相应的邻居用户,对目标用户进行偏好预测和推荐.实验表明,与已有的服务推荐方法TNCF、SRMTC及CF-DNC相比,CSMSR方法有效地缓解数据稀疏性并提高推荐准确率,有利于发现用户感兴趣的服务,提升用户个性化服务体验.     

一种基于用户动态兴趣和社交网络的微博推荐方法

针对为微博用户推荐符合其兴趣取向的个性化微博信息的问题,结合LDA主题模型,提出了一种基于用户动态兴趣和社交网络（DISN）的微博推荐方法.DISN方法首先引入时间函数,推断出用户的兴趣向量,通过对新发布的微博数据内容进行聚类分组,以用户兴趣向量筛选与用户最匹配的分组,随后以网格索引的形式对选定的分组中微博进行查询,计算微博发布者被目标用户关注的可能性并进行排序,最终形成推荐列表.实验验证了DISN方法较之传统方法更具有效性和高效性.     

User‐Centric Conflict Management for Media Services Using Personal Companions

In this paper, we propose a user‐centric conflict management method for media services which exploits personal companions for the harmonious detection and resolution of service conflicts. To detect conflicts based on the varying characteristics of individual users, the proposed method exploits the unified context describing all users attempting to access media services. It recommends and mediates users' preferred media contents through a shared screen and personal companions to resolve the detected conflicts. During the recommendation, a list of preferred media contents is displayed on the shared screen, and a personally preferred content list is shown on the user's personal companion comprising the selection of media contents. Mediation assists the selection of a consensual service by gathering the users' selections and highlighting the common media contents. In experiments carried out in a ubiHome, we observed that recommendations and mediation are useful in harmoniously resolving conflicts by encouraging user participation in conflict situations.     

融合多维语义表示的概率矩阵分解模型

协同过滤作为推荐系统核心技术,面临严重的评分数据稀疏性问题.融合物品文本信息可以有效的解决数据稀疏性问题,然而,目前的方法侧重于提取文本的单维特征,忽略了物品语义表示的多维特性.深度挖掘物品内容的多维特性可以更加精细化描述物品的语义信息,有助于提升推荐效果.为此,本文提出基于胶囊网络的概率生成模型.模型利用胶囊网络挖掘文本的多维语义特征,并以正则化方式融入概率矩阵分解框架,建立用户与物品之间的内在关系.实验结果表明本文提出的模型具有更高的评分预测精度.     

Behavior predictability and consistency of mobile users' traffic usage between different years based on entropy theory

Predicting mobile users' future traffic usage plays an important role for mobile operators to optimize their services. Although a variety of prediction methods have been proposed and applied to this issue, none of them could answer whether the users' traffic behaviors can be predicted. By employing the entropy theory, this paper analyzes the predictability of users' behaviors on traffic types and accounts. Moreover, the mobile network traffic data collected from a major city in China is utilized to test the entropy theory and reveal the accuracy levels. Furthermore, by comparing the prediction results between the years 2012 and 2014, a conclusion is drawn that a large portion of users' behaviors can be predicted, but their traffic usage habits become more difficult to predict in 2014 than in 2012. The results also imply that different entropies achieve more similar predictability in 2014 than in 2012, which indicates the consistency of users' behaviors. Overall, this study reveals the predictability and consistency of users' behavior, which is of great significance for mobile operators.     

基于受限信任关系和概率分解矩阵的推荐

现有的推荐算法很难对没有任何记录的冷启动用户或者历史记录稀疏的用户给出准确的推荐,即用户的冷启动问题.本文提出一种基于受限信任关系和概率分解矩阵的推荐方法,由不信任关系约束信任关系的传播,得到准确且覆盖全面的用户信任关系矩阵,并通过对用户信任关系矩阵和用户商品矩阵的概率分解联合用户信任关系和用户商品矩阵信息,为用户给出推荐.实验表明该方法对冷启动用户和历史记录稀疏的用户的推荐效果有较大幅度的提升,有效地解决了用户的冷启动问题.