基于地理近邻关系的微博系统朋友推荐

近年来,微博的蓬勃发展吸引了大量网络用户,用户所发海量微博呈现的大数据环境成为理解用户行为的重要资源。目前,大量在线朋友推荐研究通过对微博内容分析推断用户的兴趣和喜好以进行朋友推荐,但大多数已有研究忽略了用户位置和兴趣之间的潜在关系。事实上,多数情况下用户真正感兴趣的还是他周围的人。为此,提出了基于地理近邻关系的朋友推荐方法,通过把所处位置周围兴趣爱好相似的微博用户彼此推荐,为用户提供了与周围可能感兴趣的人联系的独特渠道。仿真分析证明,与传统朋友推荐方法相比,基于地理近邻的朋友推荐具有较高的推荐性能。     

基于加权动态兴趣度的微博个性化推荐

针对微博信息量大、用户兴趣随时间变化特征,提出一种基于加权动态兴趣度(WDDI)的微博个性化推荐模型。WDDI模型考虑微博转发特征,并引入时间因子,利用微博主题模型基于转发的狄利克雷分配(RT-LDA)对用户微博进行研究,建立用户对主题的个体动态兴趣模型。通过用户与其关注用户的相似度和交互频率获取用户的群体动态兴趣,将用户个体兴趣与群体兴趣加权结合得到加权动态主题兴趣模型。对用户接收的新微博按动态兴趣度降序排列,实现微博动态个性化推荐。实验表明,WDDI模型较之传统推荐模型,在微博服务中能够更准确地反映用户动态兴趣。     

结合信任和用户关系的微博关注推荐算法*

用户关注推荐在微博信息分享平台中扮演着非常重要的角色,现有的用户关注推荐模式多采取内容及背景相似性度量用户距离,且多数使用单一因素进行排序推荐,没有针对用户群体进行分类,推荐效果一般。因此提出了一种针对非名人用户的新型关注推荐算法RTLR,该算法同时使用用户关系和互动行为信息进行推荐,并结合多因素建立逻辑回归模型。从国内用户最多的新浪微博中采集真实数据进行实验,结果显示新型模型有效的提高了关注推荐的准确性。     

Ubiquitous recommendation systems

In many popular visions of ubiquitous computing, the environment proactively responds to individuals who inhabit the space. For example, a display magically presents a personalized advertisement, the most relevant video feed, or the desired page from a secret government document. Such capability requires more than an abundance of networked displays, devices, and sensors; it relies implicitly on recommendation systems that either directly serve the end user or provide critical services to some other application. As recommendation systems evolve to exploit new advances in ubiquitous computing technology, researchers and practitioners from technical and social science disciplines must collaborate to address the challenges to their effective implementation. Although it may be impossible to perfectly anticipate each individual's needs at any place or time, ubiquitous computing will enable such systems to help people cope with an expanding array of choices.     

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。     

电子商务推荐系统中推荐策略的自适应性

针对电子商务推荐系统中各种推荐技术的不足,提出推荐策略的自适应方法。用二元组《用户知识,推荐商品》代表推荐环境的根本特征．采用ART神经网络进行自学习,获取推荐环境的不同聚类。每个聚类代表了某种推荐环境,对推荐结果的反馈情况进行统计分析．确定每个聚类的最佳推荐技术。向用户推荐商品时,根据用户所在聚类采用具有最佳推荐质量的推荐技术向用户作出推荐。整个系统的工作过程不需要人工干预,具有自适应性。     

知识表示学习研究进展

新型深度学习推荐模型已广泛应用至现代推荐系统,其独有的特征——包含万亿嵌入参数的嵌入层,带来的大量不规则稀疏访问已成为模型预估的性能瓶颈. 然而,现有的推荐模型预估系统依赖CPU对内存、外存等存储资源上的嵌入参数进行访问,存在着CPU-GPU通信开销大和额外的内存拷贝2个问题,这增加了嵌入层的访存延迟,进而损害模型预估的性能. 提出了一种基于GPU直访存储架构的推荐模型预估系统GDRec.GDRec的核心思想是在嵌入参数的访问路径上移除CPU参与,由GPU通过零拷贝的方式高效直访内外存资源. 对于内存直访,GDRec利用统一计算设备架构（compute unified device architecture,CUDA）提供的统一虚拟地址特性,实现GPU 核心函数（kernel）对主机内存的细粒度访问,并引入访问合并与访问对齐2个机制充分优化访存性能;对于外存直访,GDRec实现了一个轻量的固态硬盘（solid state disk,SSD）驱动程序,允许GPU从SSD中直接读取数据至显存,避免内存上的额外拷贝,GDRec还利用GPU的并行性缩短提交I/O请求的时间. 在3个点击率预估数据集上的实验表明,GDRec在性能上优于高度优化后的基于CPU访存架构的系统NVIDIA HugeCTR,可以提升多达1.9倍的吞吐量.

     

Hybrid recommendation approaches for multi-criteria collaborative filtering

Recommender systems are software tools and techniques for suggesting items in an automated fashion to users tailored their preferences. Collaborative Filtering (CF) techniques, which attempt to predict what information will meet a user’s needs from the neighborhoods of like-minded people, are becoming increasingly popular as ways to overcome the information overload. The multi-criteria based CF presents a possibility to provide accurate recommendations by considering the user preferences in multiple aspects and several methods have been proposed for improving the accuracy of these systems. However, the problem of multi-criteria recommendations with a single and overall rating is still considered an optimization problem. In addition, increasing the accuracy in predicting the appropriate items tailored to the users’ preferences is on of the main challenges in these systems. Hence, in this research new recommendation methods using Adaptive Neuro-Fuzzy Inference Systems (ANFIS) and Self-Organizing Map (SOM) clustering are proposed to improve predictive accuracy of criteria CF. In this research, SOM enables us to generate high quality clusters of dataset and ANFIS is used for discovering knowledge (fuzzy rules) from users’ ratings in multi-criteria dataset, generating appropriate membership functions (MFs), overall rating prediction and input selection. Using exhaustive search method for input selection, the effective inputs are determined to build the ANFIS models in all generated clusters. Furthermore, new fuzzy-based algorithms, Weighted Fuzzy MC-CF (WFuMC-CF), Fuzzy Euclidean MC-CF (FuEucMC-CF) and Fuzzy Average MC-CF (FuAvgMC-CF), are presented for prediction task in multi-criteria CF. FuEucMC-CF and FuAvgMC-CF algorithms uses the fuzzy-based Euclidian distance and fuzzy-based average similarity, respectively, the WFuMC-CF algorithm uses fuzzy-based user- and item-based prediction in a weighted approach. Experimental results on real-world dataset demonstrate that the proposed hybrid methods remarkably improve the accuracy of multi-criteria CF in relation to the previous methods based on multi-criteria ratings.     

群体偏好增强的混合群推荐方法

为减少评分数据稀疏性造成的群推荐精度损失,借助用户生成的项目属性特征,提出一种增强群体偏好的混合群推荐方法。一方面,针对用户-项目评分信息,采用协同过滤手段产生群推荐项目候选子集。另一方面,利用群体生成的项目属性分布特征,挖掘群体对项目属性的偏好,并以项目属性权重的方式融入到项目相似性计算中。通过聚类,产生反映群体偏好的项目集,将群体喜好的集合扩充到用于推荐的项目候选集中,实现群推荐项目候选集中群体偏好的增强。最后,从项目候选集中生成群推荐结果。将该方法应用大众点评网上餐厅的推荐,验证了项目属性特征对群推荐结果的积极影响。实验结果表明该方法在准确率和召回率上较经典群推荐方法都有大幅度提高。     

结合用户偏好迁移的复合推荐方法

在研究了协同过滤和基于内容的预测这两种广泛应用的自动推荐方法之后,针对这两种方法的不足之处,提出了一种复合推荐方法.该推荐方法将协同过滤和基于内容的预测有效结合,并考虑了电子商务中用户偏好随时间迁移这一重要的实际因素.该推荐方法通用性较好,具有较广泛的适用领域,可以用于商品推荐、图书推荐,电影推荐等不同的应用环境.针对电影推荐进行了实验,实验结果表明了该方法推荐效果的有效性.     

基于增量学习的混合推荐算法

推荐系统是自适应信息系统中的个性化服务模块,可以根据目标用户的信息需求提供个性化的信息服务。针对传统协作过滤算法存在的用户兴趣描述粒度过大问题,以及稀疏评分矩阵造成相似度计算不准确的问题,提出了一种基于增量学习的混合推荐算法WHHR,该算法通过Widrow-Hoff增量学习构建基于内容的用户模型,并结合协作过滤推荐机制实现评分预测。实验验证了WHHR算法在收敛速度和推荐准确性方面较类似推荐算法有较大提高。     

基于深度学习的混合推荐算法

针对传统的推荐系统存在推荐精度较低且冷启动较严重的问题,综合考虑评论文本与评分而提出改进的稀疏边缘降噪自动编码与近邻项目影响力的矩阵分解模型相结合的混合推荐方法。通过改进的稀疏边缘降噪自动编码模型从商品评论文本中来提取商品特征,将用户评论与评分联合,同时综合考虑了近邻用户对于目标用户的影响,将近邻项目影响力整合到矩阵分解算法之中,与传统的协同深度学习模型(CDL)和混合SDAE模型相比,最高可提升8. 370%。     

微博污染检测模型

信息传播的高速性加剧了谣言等网络污染在微博网络中的扩散。微博网络的用户量和信息量极为庞大。因此,对微博污染传播机制和污染检测手段的研究显得尤为重要。根据基于用户影响力建立的微博谣言传播模型,利用蚁群算法逆推污染传播路径,搜索受染用户,并分别以Twitter和新浪微博为实验平台,通过对比分析验证了模型的可行性。实验结果表明：模型通过对受染个体的搜索,缩小了污染的检测范围,提高了微博污染的治理效率和准确性。     

推荐系统中的新颖性问题研究

准确性推荐中存在商品类型单一、流行商品多、缺乏新意的问题,因而新颖性推荐得到重视。但已有研究在设计算法时未考虑项的特征,无法针对不同用户帮其区分和挑选具备较高新颖度的项。为提高推荐系统的性能,对基于随机游走的方法进行改进,提出融合新颖性特征的推荐算法。从兴趣扩展和预测角度分析项的特征,给出完善的新颖度定义,并结合用户需求构建新的转移概率,产生个性化的推荐列表,提高了列表内容的新意。实验结果表明,提出的算法较现有算法对准确率影响较小,同时在新颖性指标上有明显提升,并得出通过融合新颖性特征能够在兼顾准确性的情况下有效改善推荐内容的结论。     

结合概率矩阵分解的混合型推荐算法

针对社交网络推荐系统中存在的数据稀疏、冷启动等问题,提出了一种结合特征传递和概率矩阵分解（TPMF）的社交网络混合型推荐算法。以概率矩阵因式分解（PMF）方法作为推荐框架,不仅考虑了用户信任网络,还结合推荐项目之间的关联关系、用户项目评分矩阵和自适应权重来权衡个人潜在特征和社交潜在特征对用户的影响程度。将社交网络中用户间的信任特征传递引入推荐系统中作为推荐的有效依据。实验结果表明,与基于用户的协同过滤（UBCF）、TidalTrust、PMF和SoRec算法相比,TPMF的平均绝对误差（MAE）直接相减后降低了4.1%到20.8%,均方根误差（RMSE）降低了3.3%到18.5%。在冷启动问题中,与上述四种算法相比,TPMF的平均绝对误差相减后降低了1.6%到14.7%,均方根误差降低了约1.2%到9.7%,能有效缓解冷启动问题,提高算法的鲁棒性。     

基于网络和标签的混合推荐算法

基于网络结构的推荐算法利用用户与项目间的结构关系进行推荐,忽略了用户偏好,而项目的标签隐含了项目的内容及用户的偏好,提出一种基于网络结构和标签的混合推荐方法。算法根据用户选择项目的标签统计信息,分别采用TF-IDF和用户对标签的支持度两种方法构建用户偏好模型,与基于网络的推荐模型进行线性组合推荐。通过在基准数据集MovieLens上测试证明,该算法在推荐结果命中率、个性化程度、多样性等方面均优于基于网络的推荐算法。     

基于知识的推荐系统综述

基于知识的推荐算法在弥补过滤式传统推荐算法冷启动、数据缺失、"信息茧房"等问题上发挥着重要的作用.对基于知识的推荐算法相关研究进行评述,探讨其研究现状及研究进展.通过梳理CNKI相关文献和WOS中2017-2020的论文,采用内容分析法对国内外学术界基于知识的推荐算法的研究进展进行分析,对实际进展包括会话过程的优化、领...     

基于异构信息网络的混合推荐模型

个性化推荐平台具有数据来源广泛且数据类型丰富的特点,而其中的数据稀疏是影响推荐系统性能的重要原因.如何挖掘推荐平台结构化数据和非结构化数据以发现更多特征,在数据稀疏场景中提高推荐的准确率,缓解冷启动问题,并且使得推荐具有可解释性,是推荐系统面临的重大挑战.因此,针对为User推荐Item的个性化场景,利用异构信息网络(...     

A survey on personality-aware recommendation systems

With the emergence of personality computing as a new research field related to artificial intelligence and personality psychology, we have witnessed an unprecedented proliferation of personality-aware recommendation systems. Unlike conventional recommendation systems, these new systems solve traditional problems such as the cold start and data sparsity problems. This survey aims to study and systematically classify personality-aware recommendation systems. To the best of our knowledge, this survey is the first that focuses on personality-aware recommendation systems. We explore the different design choices of personality-aware recommendation systems, by comparing their personality modeling methods, as well as their recommendation techniques. Furthermore, we present the commonly used datasets and point out some of the challenges of personality-aware recommendation systems.