基于链路预测的推荐方法研究

推荐系统在数字化环境中能够提供有价值的服务,并且在图书、电影和音乐等在线产业中取得了巨大的商业成功。大多数推荐系统采用协同过滤算法,通过分析用户和物品之间的交互行为推理用户的兴趣和偏好。协同过滤算法的推荐效果受到数据稀疏性问题的影响很大。为了解决这个问题,文章使用一种基于图的方法探索用户和物品之间的交互。文章采用二分网络链路预测的方法对用户进行物品推荐,并与协同过滤方法进行了比较,通过在豆瓣数据集上的实验结果表明,基于链路预测的方法比标准的协同过滤方法要好。     

基于用户行为及知识传播的图神经网络推荐系统

协同过滤算法存在数据稀疏和冷启动问题,当前的推荐方法普遍引入知识图谱来缓解协同过滤算法的缺陷,但这些方法大都专注于利用知识图谱来构建用户及物品的特征表示,忽略了对用户交互信息的有效利用。本文提出了一种基于用户行为和知识图谱的推荐方法,该方法由交互传播以及知识传播两部分组成。前者通过图神经网络,利用用户-物品交互图来构建用户物品的高阶交互特征;后者利用知识图谱中传播得到相关实体来补充对物品的描述。在两个基准数据集上的大量实验表明,相对于基线模型,本文提出的基于用户行为及知识传播的图神经网络推荐系统具有较好的推荐效果以及泛化能力。     

基于MI聚类的个性化推荐算法研究

针对传统协同过滤推荐算法推荐效率低下,以及其在数据稀疏性和冷启动方面的不足,文中提出基于MI聚类的个性化推荐算法,该算法在协同过滤推荐的基础上,引入多示例形式的用户评分信息模型,用包来表示用户基本信息与历史行为数据,并通过相似度分层次加权对用户的未知项目评分进行预测,最终得出推荐项。实验仿真表明本文算法的准确度和召回率明显优于已有的算法,并且有效地缓解了冷启动和数据稀疏问题。     

基于用户多特征融合的个性化推荐模型

个性化推荐是提取特定信息的有效手段之一，针对传统推荐法中缺少用户特征问题，提出一种基于多特征融合的广义矩阵分解与深度长短期记忆网络混合推荐模型（hybrid recommendation model of generalized matrix factorization and deep long short-term memory network based on multi-features fusion,HMF）。该模型利用潜在特征向量维度表征年龄、职业对项目的选择性影响，凸显用户个性化；利用长短期记忆（long short-term memory,LSTM）获取用户与项目间的时序特征，再通过多层感知机挖掘其深层次的时序非线性高阶交互关系；将广义矩阵分解（generalizedmatrixfactorization,GMF）获得的简单非线性低阶交互关系与复杂时序非线性高阶交互关系融合，经全连接层得出最终预测评分。HMF有效地利用用户多特征和用户—项目交互信息，实现个性化动态精准推荐。为验证模型的有效性和可行性，在公开数据集MovieLens-1M上进行测试。仿真实验表明，当HMF...     

基于LDA主题模型的协同过滤推荐算法

传统的协同过滤推荐算法直接根据用户对物品的评分进行推荐,忽略了评论文本中隐含的重要信息,当用户对物品的评论较少时,由于数据的稀疏性会造成推荐效果的不准确和单一。本文提出了一种基于LDA主题模型的协同过滤推荐算法LDA-CF(Latent Dirichlet Allocation model-LDA-Collaborative Filtering),在传统的协同过滤算法基础上,通过LDA模型对评论文本中的主题进行分类,从各个主题层面挖掘用户的情感偏好,计算用户之间的相似度,进而向目标用户推荐商品。对京东平台牙膏的评论数据集的实验结果表明,该算法不仅可以缓解由于评分数据较少造成的稀疏性问题,推荐的精确度也有所提高。     

基于多层注意力表示的音乐推荐模型

目前的音乐推荐方法只能挖掘用户与歌曲之间的一般性关系,无法区分不同用户对同一首歌曲的差异性偏好.为此,本文提出了基于多层注意力表示的音乐推荐模型,利用用户属性信息和歌曲内容信息从多维度学习歌曲表征,挖掘用户与歌曲之间的偏好关系.为了区分用户对歌曲多域特征的差异性偏好,设计了用户特征依赖的注意力网络;为了区分不同历史行为对用户偏好的差异性,挖掘用户行为的时序依赖关系,设计了歌曲依赖的注意力网络.最后,利用Softmax函数计算用户对候选歌曲的偏好分布并产生推荐.在30Music和MIGU数据集上的实验结果表明,相比目前的推荐模型,本文提出的模型在Recall和MRR均得到了显著提升.     

基于用户兴趣变化的混合推荐算法分析

推荐算法被应用在商品购物、音乐推荐、书籍推荐等网站。如何根据这些已有的用户行为数据让用户快速做出抉择,推荐算法显得十分重要。传统的协同过滤算法没有考虑到用户的兴趣是随时间而变化的。文章首先在传统的协同过滤算法的基础上构建时间变化函数,对用户以往的评分数据,对数据做时间加权,提高预测用户兴趣的能力。针对当前推荐算法都会遇到的评分稀疏性问题,文章提出了把基于时间权重的协同过滤算法与基于关联规则的推荐算法进行混合推荐,提高了算法的准确率。     

一种改进的混合多因子推荐算法

在新闻网站、电子书城等应用中,为了提高计算用户间的相似性,在传统基于用户协同过滤和基于内容的混合推荐的基础上,引入人口统计信息和专家信任等因子,对混合推荐算法进行改进。最后,通过GroupLens提供的数据集对算法进行验证,与传统基于用户和基于项目的协同过滤算法相比,文中所提算法在准确率上有显著的提高。     

基于用户兴趣模型的个性推荐算法

协同过滤推荐技术和基于商品属性的推荐技术是比较流行的个性化推荐方法,但是前者存在数据稀少和新对象问题,后者也存在无法挖掘用户潜在兴趣的问题.本文采用基于区域用户的相邻用户进行数据评分的矩阵填充,并采用商品之间的关联规则应用和解释来向用户推荐产品.测试表明,本方法解决了新商品的问题,并且在推荐的准确度、新颖性和覆盖度上有了较好的效果.     

一种基于差分隐私和时序的推荐系统模型研究

推荐系统的建立依赖用户的个人隐私信息,攻击者可以通过推荐的结果对用户的状态和行为进行预测.目前,虽然有对基于协同过滤近邻隐私保护的研究,但是对基于模型的隐私保护的关注度并不够高.差分隐私理论定义了一个相当严格的防攻击模型,通过添加噪声使数据失真达到隐私保护的目的,而且用户的兴趣存在兴趣漂移问题,对推荐效果造成影响,因此,提出基于差分隐私理论和时序理论构建基于模型的推荐系统.首先,根据差分隐私理论,给用户的评分数据增加小波动的符合Laplace分布的噪声,增大待分解矩阵的安全系数;然后,在随机梯度下降模型的基础上,将时序因子建模为时间权重,提高模型的准确性.实验证明该算法的准确性,并且为增强隐私研究提供了新的思路.