基于Logistic函数的贝叶斯概率矩阵分解算法

在协同过滤推荐系统中,矩阵分解是一种非常有效的工具。贝叶斯概率矩阵分解模型具有预测精度高的优点,但不能表示潜在因子之间的非线性关系。针对该问题,该文提出一种基于Logistic函数的改进贝叶斯概率矩阵分解模型,并使用马尔科夫链蒙特卡罗方法进行训练。在两组真实数据集合上的实验表明,基于Logistic函数的贝叶斯概率矩阵分解算法能够明显提高预测准确性,有效缓解数据稀疏性问题。     

基于Item-User网络的概率矩阵分解推荐算法

传统的矩阵分解算法过分依赖于用户-评分矩阵,导致推荐的准确性不高。为了进一步提高推荐的准确性,文中提出了一种基于Item-User网络的概率矩阵分解推荐算法。该算法不仅通过有向图和信任关系的传递性对用户信任矩阵进行改进,而且引入了物品相似矩阵,全面考虑用户与项目的关系,并对这三个矩阵建立联合概率分解模型。最后构建目标函数,通过最小二乘法求出误差值和预测评分。实验结果表明,该算法相对其他算法有较好的预测结果和解释机制。     

SBHCF:基于奇异值分解的混合协同过滤推荐算法

针对传统协同过滤中的最近邻查找不够合理导致推荐的准确率较低的困境。提出一个基于矩阵分解的混合相似度算法。该方法融合了基于模型的奇异值矩阵分解算法和基于近邻的协同过滤算法皮尔逊相关系数,并引入阈值和杰卡德系数对相似度进行修正。在公共有效数据集上的实验表明,所提出算法的平均绝对误差比传统的推荐算法至少降低了7.7%,有效提高了推荐准确率。     

基于融合文本与评分的多头注意力推荐算法

基于协同过滤模型一直被数据的稀疏性问题限制了推荐效果，诸多研究利用深度模型去挖掘评论文本中的抽象特征，但却忽略协同过滤中矩阵分解的隐向量特征。为解决上述问题，文中提出一种融合文本与评分的多头注意力推荐算法模型MTS,将矩阵分解的隐向量特征作为多头注意力的key与CNN抽取的评论特征相结合，并计算用户与物品的相似矩阵，提取用户物品间的相互关联，最终输入FM实现特征融合并预测评分。实验表明，该模型与多个代表模型相比MAE都有较大提升，MAE的误差最大降低了22.17%。     

一种基于RFM模型的新型协同过滤个性化推荐算法

摘要：为了提高个性化推荐效果及预测准确度,特别是针对传统算法中评分矩阵过于稀疏等问题提出一种新颖的协同过滤算法。该算法首先利用RFM模型合理地筛选用户信息,其次通过黏性客户的消费记录稠密化用户—项目评分矩阵,并改进了传统相似度计算公式。通过仿真实验证实了算法的准确性,最后将其应用于一套具有个性化商品推荐功能的系统原型中,证明了该推荐算法的有效性及实用性。     

融合地理影响的个性化位置推荐

位置推荐是近年来的研究热点,矩阵分解由于其在推荐算法中的良好表现而得到普遍应用。但是,传统的矩阵分解算法由于是直接对评分矩阵进行分解,没有考虑其他影响因素,因而容易造成推荐准确性偏低。本文研究了地理位置对于签到行为的影响,提出了结合地理因素的协同过滤推荐方法。实验结果表明,本文提出的方法能够有效地预测用户评分,提升推荐精度。     

结合关联规则填充的协同过滤改进算法

为了改善传统个性化推荐中协同过滤算法存在的诸如用户和项目评分矩阵稀疏、推荐准确度不高、冷启动等问题,提出一种结合关联规则填充对协同过滤推荐算法进行改进的方法。这种算法是在协同过滤算法的第一步前加入通过关联规则得到的结果,预测一些没有评分值的项目,将新得到的数据填充到原用户-项目评分矩阵中,降低评分矩阵的稀疏性,从而提供更多数据的相似性计算,在此基础上再结合基于传统项目的协同过滤算法对用户进行推荐。通过MovieLens数据集进行实验对比,结果显示文中提出的算法与传统算法相比,推荐系统的准确性和有效性显著提高。     

一种基于局部结构的改进奇异值分解推荐算法

基于奇异值分解(Singular Value Decomposition, SVD)的推荐算法,在预测准确性、稳定性上具有明显优势,但在用随机梯度下降法求解过程中误差下降速度逐渐变慢、迭代次数较多,这极大限制了其在实际项目中的应用.针对这个问题,该文利用评分矩阵的差分矩阵来表征局部结构信息,并作为新的目标函数来优化 SVD 推荐算法.在 MovieLens 和 Netflix 数据集合上的实验结果表明:与经典 SVD 算法相比,该优化算法能够用更少的迭代次数得到更准确的预测结果;与当前的其他算法相比,该优化算法在预测准确性上仅次于 SVD++,在训练时间上具有显著优势.     

基于协同矩阵分解的评分与信任联合预测

信息评分预测和信任预测是社交评价网络中的两大基本问题.为应对在提高两类基本问题预测准确性过程中遇到的评分数据与信任关系数据稀疏问题,本文提出了一种基于协同矩阵分解的信息评分与信任预测联合模型.该模型在将评分矩阵与信任关系矩阵进行协同分解时,既能保证被分解的两个矩阵分解过程共享用户潜在变量,又能兼顾两个矩阵分解过程中能够各自获得反映本领域知识相关性的表达.使用分解得到的多个相关低维潜在变量矩阵乘积即可做出评分与信任两个问题的预测.两个真实网络数据集上的实验验证了提出模型有效性和先进性.     

基于项目属性和BP神经网络的协同过滤推荐

针对协同过滤推荐中存在的数据稀疏性问题,文中提出了一种基于项目特征属性和BP神经网络相结合的协同过滤推荐算法,并通过Movielens数据集验证了该模型的有效性。此方法首先将用户评分数据映射为用户对项目特征属性的偏好,然后使用BP神经网络训练得到目标用户的特征属性偏好模型并对新项目的评分进行预测,从而降低用户项目评分矩阵的数据稀疏性,最后使用协同过滤推荐算法,形成最近邻并生成推荐建议。     

松弛耦合非负矩阵分解的低分辨率人脸识别算法

针对实际监控场景中经常遇到的人脸图像分辨率较低的问题,本文提出了一种利用耦合非负矩阵分解并保持系数松弛的低分辨率人脸识别算法（Relaxed Coupled Nonnegative Matrix Factorization,后文简称RCNMF）。首先,对高低分辨率人脸图像进行非负矩阵矩阵分解（nonnegative matrix factorization,后文简称NMF）,在分解的同时保持组合系数近似一致,从而得到高低分辨率图像的基矩阵。然后,通过低分辨率图像的基矩阵提取训练和测试样本的特征。最后进行识别。实验结果验证了与其他几种基于耦合映射的低分辨率人脸识别方法相比,RCNMF算法的识别性能更好。同时通过实验验证了RCNMF算法的收敛性。      

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.     

基于t分布的概率矩阵三因式分解方法分析

阐述概率矩阵分解（PMF）广泛被应用于预测缺失值和数据聚类，它把观测数据看成是一个基矩阵和权重矩阵的乘积，这可能会降低模型的灵活性。目前常见的是高斯分布为先验的概率模型，但是高斯分布对于异常值比较敏感，而采用t分布先验的模型能减轻异常值的影响，具有更好地稳健性。为了提高模型的灵活性和稳健性，提出了t分布先验的概率矩阵三因式分解（TBMTF），将观测数据看成三个相互约束的潜在特征矩阵的乘积，假设噪声服从t分布，变分贝叶斯推断进行参数估计。相较于传统的PMF方法，TBMTF方法能更好地识别异常值并做出预测。基于人为数据和真实数据的实验表明，在人为数据的预测效果与真实数据中添加噪声后的预测效果，都表现优秀。     

一种融合群组特征的个性化图书推荐模型

“热门借阅”“热门检索”等无差别的非个性化推荐方式无法有效解决馆藏图书中的“暗书”问题。而个性化推荐通常需要获取大量用户交互信息。然而在实际图书流通服务中,用户的书目检索等操作往往处于非登录状态,数据采集有很大局限性。由此提出一种融合群组特征的个性化图书推荐模型,仅基于用户的历史借阅信息数据及基础信息,变换得到读者对书目的评分预测,然后利用矩阵分解分析主体阅读偏好,进行个性化推荐。在此基础上,通过聚类算法得到目标读者的群组画像特征,为目标读者生成离线推荐列表。该文采用信息工程大学图书馆2020年度流通数据集验证了推荐模型的有效性,并通过对比实验验证了模型的推荐准确率。     

直播电视推荐系统的评分预测算法研究

伴随电视频道的不断增加,推荐系统在直播电视领域应用成为研究热点.然而,直播电视独特的播放和收视方式使得传统的VOD（Video On Demand）推荐系统无法直接应用,已有的推荐频道的方法不关注正在播出的节目状态从而影响了推荐准确率,而推荐节目的方法难以应对节目冷启动.为此,本文提出了一种融合频道推荐和节目推荐的评分预测算法OFAP（Over the First by Adding Preference）.首先,利用聚类方法对每个用户实现差异性的收视时段划分,构建他们的频道-时段偏好矩阵和预推荐评分权重矩阵;其次,提出一个评分替代策略使得已有的推荐节目的算法能够应对节目冷启动,从而实现预推荐;最后,通过融合用户偏好、预推荐评分权重与预推荐结果,构建评分预测函数,将预推荐算法的评分预测结果作为评分预测函数的训练样本.实验表明,采用Precision@N和Recall@N作为评价标准,本文所提方法OFAP明显优于对比算法.     

基于共享知识模型的跨领域推荐算法

互联网的普及使得大量信息不断累积,推荐系统作为解决信息过载的有效手段,能够帮助人们迅速准确地筛选出感兴趣的内容.但是由于用户项目评分数据过于稀疏,新用户或新商品存在"冷启动"问题,使得传统的推荐算法计算复杂性过高、准确性较低.考虑到用户会在互联网不同领域使用各类应用,在不同领域积累了大量行为数据和评价信息.而从用户群体的角度来说,在不同领域间存在着用户群体的偏好相似性,因此如果通过在不同领域中共享代表偏好的知识模型,将有助于提升在新领域推荐的准确性,解决冷启动问题.本文提出了基于共享知识模型的跨领域推荐算法SKP （Sharing Knowledge Pattern）,通过对各个领域中用户-项目的评分矩阵分解,得到用户的潜在特征矩阵和项目的潜在特征矩阵,对用户和项目的潜在特征分别聚类,得到了用户分组对项目分组的评分知识模型,最终利用目标领域的个性知识模型和各个领域的共性知识模型来得出推荐结果.本文对三个不同领域的数据集进行了分析和划分,并在物理集群环境下进行了实验.结果表明,通过利用数据稠密的辅助领域数据,本文提出的SKP算法与已有的单领域算法、跨领域算法相比,具有更高的准确率和更低的RMSE值.     

基于PR模型的教育数据矩阵加权正负模式研究

提出一种新的基于PR（Probability Ratio,简称PR）模型的教育信息化数据矩阵加权正负关联模式挖掘算法.算法从教育信息化数据中挖掘矩阵加权频繁项集和负项集,采用PR模型作为正负关联模式评价标准,对频繁项集和负项集挖掘教育数据矩阵加权正负关联模式,发现有趣的教育信息矩阵加权正负关联模式.通过模式分析,发现教育领域信息化数据中潜在的、有用的教育信息、教学规律和教育发展趋势.以真实的教育信息化数据作为实验数据,实验结果表明,该算法更有效、合理.     

基于图神经网络的推荐算法研究

推荐系统中较为经典的协同过滤算法存在数据稀疏性和冷启动的问题,直接影响着评分预测的准确性。针对其存在的问题,文章提出一种端到端的基于图神经网络的推荐算法,该模型通过将原始的评分矩阵以用户项目二部图的形式作为输入,通过图卷积编码器来迭代聚合邻居节点信息得到用户及项目的潜在向量表示,经过非线性变换层传给解码器来重构邻接矩阵,缓解了数据的稀疏性对评分预测的影响。在MovieLens公开数据集上的实验结果表明,该模型的预测精度较经典的协同过滤模型有了明显的提升。     

一种融合用户偏好和社交活跃度的推荐算法

为有效解决传统推荐算法精度低的问题,提出了一种融合用户偏好和社交活跃度的概率矩阵分解推荐算法(Probabilistic Matrix Factorization Recommendation Algorithm Combining User Prefer-ence and Social Activity,UPSA-PMF),通过用户评分数据计算用户间的偏好信任度时,使用了共同项目平衡因子和热门项目惩罚因子进行改进;计算社交网络中的信任度时,考虑了社交活跃度与用户信任度的关系,并将社交活跃度作为惩罚因子,修正用户信任度.将偏好信任度和社交网络中的信任度以动态组合的方式得到最终的信任度,将最终的信任度与概率矩阵模型相结合,实现推荐.实验证明,改进的算法均优于现有的推荐算法,有效提高了推荐质量.     

双平行线阵的快速一维DOA估计

针对传统子空间算法需要进行特征值分解或奇异值分解等复杂计算的问题,提出一种双平行线阵（Double Parallel Linear Array,DPLA）的快速一维波达方向（Direction of Arrival,DOA）估计算法。算法通过处理互协方差矩阵的第一列元素构造出等效的噪声子空间,再通过求根MUSIC（Multiple Signal Classification）算法得到DOA估计,有效避开了特征值分解或奇异值分解,降低了计算复杂度,提高了运算速度。仿真结果表明,该算法在提高了估计精度的同时减少了估计时间。