基于隐式反馈和加权用户偏好的推荐算法

针对现有隐式反馈算法中正负样本划分不合理、忽略用户操作频次、无法准确建模用户偏好等问题,提出一种基于隐式反馈和加权用户偏好的推荐算法(IFW-LFM)。该算法考虑了用户操作频次与正负样本划分间的关系,学习并改进wALS算法,根据用户操作频次从缺失值中重新挖掘潜在正负样本,将用户操作频次大于1时的样本设置为正样本,用户操作频次为1或0时的样本为正样本或负样本,不再需要人为引入负样本;根据用户操作频次对用户偏好程度的影响,定义了置信度,明确用户偏好,并将其应用在隐因子模型的框架中;利用用户收听歌曲起止时间、收听时长等隐式反馈数据,提高隐式反馈样本利用度。在两个音乐数据集上的对比实验结果说明,该算法在准确率、召回率与NDCG值上与5个经典隐式反馈算法(UserCF、ItemCF、LFM、BPR、SVD)相比最大平均提升了45.81%,83.83%和60.33%,具有更优的推荐效果。     

基于相似性度量的用户推荐方法

为解决协同过滤推荐中显示反馈数据缺失的情况和冷启动问题,综合考虑用户属性和隐式反馈数据,提出一种相似度计算和用户推荐方法。利用用户属性,充分挖掘用户信息,计算用户属性相似度,使用隐式反馈数据替代显示反馈数据计算用户行为相似度,融合两种相似度进行预测和用户推荐。在真实数据集上进行实验,实验结果表明,该方法具有准确性和有效性,解决了显示反馈数据缺失的问题,一定程度克服了用户冷启动问题。     

多层结合的多阶显式交互的融合推荐模型

现有不少模型着眼于对有限数据通过生成显式特征交互以进行挖掘来提升点击率预测效果,但存在以下问题：对于原特征与新生成的显式特征,直接一起输入到一个统一的神经网络结构进行挖掘然后输出,由于两者参数量差别较大导致在表征上差异巨大;同时如果直接采用多级层数的神经网络结构还会导致低层,如第一、二层信息的丢失,但若直接将各层进行累加以结合,则一些层中有用性有限的信息可能成为噪声以影响预测。为此设计多层权重结合的多阶显式交互的融合推荐模型,通过将原数据与生成的多阶显式特征分别放入各自对应的自注意力层中挖掘,其中各自对应结构的层数不同,同时对各层进行加权后输出以完成多层的结合,以提高点击率预测效果。通过在两个公开数据集上与多个不同模型进行比较分析,并对模型进行消融对比和超参数对比实验,证明了该模型能有效挖掘原特征与显式交互特征信息,平衡各阶特征表征能力。     

基于用户动态交互行为扩展的信念网络推荐模型

针对现有推荐方法证据组合方式单一,未能同时考虑准确性和多样性的问题,提出基于用户动态交互行为扩展的信念网络推荐模型（EBNR＿UDIB）。首先,构建一个具有3层结构的基本信念网络推荐（BNR）模型,从而为证据的引入提供一个灵活有效的框架;其次,通过分析用户间的直接及耦合交互关系计算交互强度,并引入动态调整的时间衰减因子修订该强度;最后,以该强度对交互用户加权,将该用户的兴趣作为新证据扩展基本模型,并利用合取和析取两种证据组合方式得到EBNR＿UDIB。实验结果表明,相较于基于内容的推荐模型（CBRM）和基于社交的推荐模型（SBRM）,在准确率、召回率和F1值上,合取组合方式下的所提模型分别至少提升了7、4和5个百分点,析取组合方式下的所提模型分别至少提升了2、8和6个百分点;在多样性和新颖性指标上,析取组合方式下的所提模型分别至少提升了15和6个百分点,合取组合方式下的所提模型也优于对比模型。     

科研信息门户的资源推荐技术研究

[应用背景]科研信息门户作为科研工作者获取资源服务的入口,已经成为了科研人员、管理决策者、学生等多种用户的工作台,在科研活动、科研管理、教育培训、科学传播等多个业务领域发挥着重要作用.[目的]针对科研信息门户中存在的信息资源配置不合理问题,设计出适用于科研信息门户的推荐算法来提高信息资源的推送效率,对于科研工作者是十分...     

基于用户和内容的混合模式推荐算法研究

推荐系统中的协同过滤算法和基于内容推荐算法都能够进行相关推荐,但是算法中存在的不足会导致推荐结果不准确。为提高推荐准确度,本文提出一种混合模式的推荐算法,建立用户的兴趣模型,对目标用户进行个性化的物品推荐。最后利用Movies Lens数据集进行训练并评估基于用户和基于内容的混合模式推荐算法的准确度。     

融入用户隐式信任的协同过滤推荐算法

为解决传统推荐系统中的数据稀疏、关联性差、冷启动等方面的问题,有学者提出将社交中的信任关系引入推荐系统形成社会化推荐机制.这在一定程度上提高了推荐精度,但是显式信任信息很难获取并且现有的信任信息非常稀疏.针对加入用户信任信息算法的不足之处,提出了融入用户隐式信任的协同过滤推荐算法模型FITrustSVD,该模型是在Tr...     

结合用户判断力和相似性的协同推荐算法

作为解决信息超载问题的有效方式,协同过滤技术已被成功地应用到推荐系统。为进一步提高协同过滤算法的性能,首先利用用户评分的历史信息,估计用户的判断力。接着结合用户间的相似性,提出一种改进的协同推荐算法。实验结果表明用户的判断力可与用户的推荐能力正相关,也验证了用户判断力深入抽取用户评分信息以及影响用户采纳某项推荐结果的因素,以更好地刻画用户之间的相似性,从而提高算法的推荐准确度。     

面向隐式反馈的推荐系统研究现状与趋势

推荐系统作为解决信息过载的一种有效手段,已成为工业界和学术界的研究热点,它依据用户的显式或隐式反馈信息推测其需求、兴趣等,将其偏好的信息、产品等推荐给他们。面向显式反馈信息的推荐方法是目前的主流,而隐式反馈信息的普遍性使得基于此类的推荐方法具有更广的适用性,但是,隐式反馈信息并不能直接反映用户的偏好,因而利用它进行推荐具有很大的挑战。首先阐述了隐式反馈的特性以及基于此类信息进行推荐的必要性和所面临的问题;然后对面向隐式反馈的推荐算法给出了全面的、系统的分类,在此基础上比较了各类隐式反馈的推荐方法的优、缺点,并进一步分析了适用于隐式反馈推荐方法的多种评价指标;最后讨论了面向隐式反馈推荐方法的未来发展方向。     

基于用户行为的盲人图书推荐方法

为帮助盲人更有效便捷地通过网络获取所需书籍资源,提出一种基于用户行为的图书推荐方法。该方法在考虑用户兴趣随时间变化的基础上,通过分析用户日志,建模表达访问书籍、访问书籍类别、使用书签3类用户行为,实现盲人用户的图书推荐,同时缓解盲人数字图书馆中的用户数据稀疏问题。实验结果证明,该方法推荐效果良好。     

基于开发者行为分析的Web资源推荐

现代的软件开发集成开发环境(IDE)为开发者提供了错误提示、代码补全、代码分析、版本管理等多方面的辅助开发支持,大大提高了开发效率。同时,开发者在日常开发过程中还常常依赖于互联网获取代码样例、配置说明、错误处理等Web开发资源。由于需要频繁地在IDE和浏览器之间进行切换并通过各种方式进行信息检索,开发者往往需要在Web开发资源的获取上花费大量的时间和精力。为此,提出一种基于开发者开发行为分析和挖掘的Web信息资源推荐方法。该方法通过自动记录和抓取开发者在IDE中的代码浏览和修改等动作以及在浏览器中的页面浏览信息获取基础信息。在此基础上,该方法从所抓取的浏览器页面中抽取结构化的信息资源,并通过聚类和基于时间的关联分析确定IDE开发行为与Web信息资源之间的相关性,从而在开发者在IDE中执行开发任务时自动推荐相关的Web信息资源。最后通过一个实验分析初步验证了所提方法的有效性。     

基于组合推荐技术的学习资源个性化推荐研究

通过调查发现,E-learning支持系统无法有效地向学习者个性化地推荐学习资源。为了进一步提高推荐系统的性能,本文尝试将协同过滤推荐技术引入学习资源的个性化推荐研究中。协同过滤推荐技术是一种应用最为广泛的个性化推荐技术,然而其面临着冷启动、数据稀疏性问题、规模可扩展性等问题。本文通过介绍协同过滤推荐技术的工作原理、实现方法及存在问题,提出了一个优化的基于协同过滤技术的学习资源个性化推荐系统的理论模型,重点讨论了隐式评分机制和算法的实现,以提升推荐系统的实时响应和推荐精度。     

一种结合主题模型的推荐算法

针对传统协同过滤推荐算法存在的冷启动、数据稀疏以及相似度度量的准确性问题,基于LDA主题模型对文本隐式主题挖掘的有效性和KL散度在主题分布相似性度量的准确性,提出了结合LDA主题模型的矩阵分解推荐算法。首先,利用改进的LDA算法输出项目-主题分布,并用困惑度作为主题数设置的修正函数;然后分别基于余弦相似度和KL散度计算得到项目相似度矩阵,将得到的相似度矩阵结合原评分训练集输出预评分,再将预评分填充到训练集;最后将训练集输入ALS矩阵分解算法得到推荐结果。通过MovieLens数据集的实验结果表明,该算法在不同隐式参数设定下均能得到比ALS推荐算法以及更小的预测误差,并且最优预测误差小于传统推荐算法。该实验说明了通过集成LDA主题模型的ALS算法效果要优于其他推荐算法。     

基于用户行为和新闻时效性的农业信息协同过滤推荐算法

农业信息具有较强的时效性和周期性特征,传统基于行为的推荐算法能挖掘农户兴趣但不能反映农户不同时段的信息需求。同时,农户一般采用匿名网页直接浏览的方式查看农业新闻,显式反馈数据十分稀少,传统协同过滤推荐算法需要面临冷启动等问题。本文提出一种基于用户行为和新闻时效性的协同过滤推荐算法,综合采集用户的隐式、显式反馈数据等多维因素,同时考虑农业信息的分类特征及周期性特征,针对农户对不同农业信息分类信息的周期性关注度变化以及热度系数提高农业新闻推荐的针对性和时效性。通过对真实访问数据进行验证,结果表明提出的算法能有效提升农业信息推荐准确率。