融合朋友关系和标签信息的张量分解推荐算法

针对大众标注网站项目推荐系统中存在数据矩阵稀疏性影响推荐效果的问题,考虑矩阵奇异值分解(SVD)能有效地平滑数据矩阵中的数据,以及朋友圈能够反映出一个人的兴趣爱好,提出了一种融合朋友关系和标签信息的张量分解推荐算法。首先,利用高阶奇异值分解(HOSVD)方法对用户-项目-标签三元组信息进行潜在语义分析和多路降维,分析用户、项目、标签三者间关系;然后,再结合用户朋友关系、朋友间相似度,修正张量分解结果,建立三阶张量模型,从而实现推荐。该模型方法在两个真实数据集上进行了实验,结果表明,所提算法与高阶奇异值分解的方法比较,在推荐的召回率和精确度指标上分别提高了2.5%和4%,因此,所提算法进一步验证了结合朋友关系能够提高推荐的准确率,并扩展了张量分解模型,实现用户个性化推荐。     

基于张量分解的个性化微博推荐算法研究

随着社交媒体的发展,微博为人们提供的服务正在极大地改变着人们使用互联网的习惯,然而微博上用户发表的大量信息,以及高频率的信息更新,使得用户面临信息过载的问题而无法快速获取他感兴趣的信息。推荐系统是解决此问题的一种很好的方法,它是通过研究用户已有数据来发掘用户兴趣,从而为用户推荐可能感兴趣的对象,如产品、网页、微博等。本文介绍了一种基于张量分解技术的微博推荐算法来预测用户对微博的兴趣度,同时考虑用户与微博、用户与微博发布者影响因素,以及微博与微博发布者的影响因素,提高了已有算法的准确度。     

基于改进鱼群算法与张量分解的社会化标签推荐模型

基于大众分类法(folksonomy)的标签应用已逐渐成为一种重要的互联网内容组织方式,但随着数据规模的海量增长,产生了严重的信息过载问题,而传统的基于“用户-项目”二元关系的个性化推荐算法难以有效应对由“用户-项目-标签”所构成的三元关系。通过对基本人工鱼群算法进行改进,提出一种对标签推荐系统初始数据集进行聚类分析的方法,用以降低标签推荐系统的数据分析规模。在此基础上,综合考虑标签推荐系统中的元素权重以及反映用户偏好的评分信息,将元素权重和评分等级进行加权处理,以处理结果作为张量中的元素,建立了一种新的加权张量模型,并利用动态增量更新的张量分解算法进行模型求解,进而完成个性化的推荐。最后在两个真实的实验数据集上对比分析了所提算法(FTA)与另外两个经典标签推荐算法的推荐性能,实验结果表明FTA算法在准确率和召回率上均具有较好的表现。     

基于多元关系的张量分解标签推荐方法

标签推荐的现有方法忽视了多种属性特征之间的联系,无法保证大数据环境下推荐系统的准确率。针对该问题,提出了一种基于用户聚类和张量分解的新标签推荐方法,以进一步提高标签推荐的质量。该方法首先对一些对产品具有重要影响的用户进行聚类,然后根据用户、产品、标签和产品评分之间的多元关系综合计算总权重。最后,根据聚类之后的用户群体以及多元关系的总权值构建张量并进行张量因式分解。实验与传统张量分解方法相对比,结果表明提出的方法在准确率上具有一定的提高,验证了算法的有效性。     

三部图张量分解标签推荐算法

三部图作为社会标签系统的表示方法,虽然可以简化标签系统元素间关系的表达,但也丢失了部分元素间的相关信息,而且不能有效处理标签系统中具有大量稀疏值和缺失值的数据.基于以上问题,文中提出了基于三部图的三维张量分解推荐算法(TTD算法).首先分析三部图元素间可能丢失的信息,通过定义以三部图为基础的低阶张量分解模型,对高阶稀疏数据进行分析.该模型不仅包含三部图所表达的系统信息,同时还表达了三部图所丢失的元素间相互信息;在此基础上,利用缺失值处理,进行社会标签系统中的标签推荐预测.通过模型对比实验以及标签预测实验,表明TTD模型所揭示的社会标签系统中元素间的相互关系更加全面,同时在进行标签预测时,所得到的预测结果召回率和精确率得到了显著改善.     

基于张量分解的药品个性化推荐

在当前网购越来越流行的趋势下,网上买药也给很多病人带来了极大的便利.但是普通人在网上购买药品时普遍存在盲目购药、无法获得买药指导的问题,针对这一问题,提出首先根据药品的功能描述信息进行聚类,设计了基于用户相似度的协同过滤药品推荐算法;然后针对该算法的冷启动以及数据稀疏性等问题提出了基于张量分解的个性化药品推荐算法来对获取到的药品功能描述信息进行特征分析,构建标签特征向量,利用特征向量与用户对药品的评分值构建三阶张量,再利用张量分解方法对该三阶张量进行分解;最后得到推荐评估值,再利用该推荐评估值进行Top-N药品推荐.通过对真实的药品销售网站数据进行抓取并分析,构建了张量模型,并进行数据建模,与协同过滤的推荐结果相比,其得到了较好的推荐效果.     

基于张量奇异值分解的人脸识别方法

在人脸识别领域应用张量奇异值分解( TSVD)来进行人脸特征的表示和提取,克服了过去的提取方法,如主成分分析法( PCA)等过于依赖拍摄条件的缺点。 TSVD将数据转换成三维线性模型,所以能避免二维线性方法中条件改变则精确度下降的问题,使得识别算法在变化的条件下获得了相对稳定的结果。在此基础上对算法进行了优化,利用矩阵分解,在不影响算法正确率的情况下,有效减少计算量,提高算法效率。基于Matlab对该算法进行了四组实验,并将结果与用PCA方法得到的结果对比,验证了该识别算法在变化条件下显著的正确性以及稳定性;同时,对优化的TSVD算法进行了实验验证,在数据量较大的情况下,该算法速度明显提高。     

一种基于高阶奇异分解的个性化股票推荐算法

提出算法预测基金经理对股票的投资策略,为个体投资者提供投资意见。不同于仅依据股票本身信息推荐的传统算法,该算法通过高阶奇异值分解算法HOSVD(Higher Order Singular Value Decomposition)学习基金经理的历史交易记录和投资者的个人特征因素,为投资者提供个性化推荐。除此之外,将非个性化推荐与个性化推荐进行整合,进一步提高推荐质量。对真实股票交易数据的仿真实验结果表明,用于推荐的个性化算法在准确度和收益率方面,优于传统的非个性化算法。     

基于ranking的深度张量分解群组推荐算法

针对当前群组推荐研究中,对于用户偏好建模时大多忽略了群组偏好与个人偏好之间的相互影响以及建模初始化问题,提出了一种基于ranking的混合深度张量分解群组推荐算法（R-HDTF）。该算法首先利用基于深度降噪自动编码器的混合神经网络对群组、个人和项目等信息进行初始化;然后提出基于成对张量分解模型来捕获群组、个人和项目之间的相关关系;最后,采用BPR标准优化张量分解的损失函数,学习提出算法的参数。在真实数据集上的实验结果表明,该算法性能优于传统的主流群组推荐算法。     

基于标签聚类与项目主题的协同过滤推荐算法

传统基于项目的协同过滤算法在计算项目相似度时仅依靠评分数据,未考虑项目的自身特征。社会化标注的出现使得标签能在一定程度上反映项目特征,但标签具有语义模糊的特点,因此直接将标签纳入协同过滤算法存在一定问题。为解决上述问题,提出一种改进的基于项目的协同过滤推荐算法。该算法对标签进行聚类并生成主题标签簇,根据项目标注情况计算项目与主题间的相关度并生成项目-主题相关度矩阵,同时将其与项目-评分矩阵相结合来计算项目间的相似度,采用协同过滤完成对目标项目的评分预测,以实现个性化推荐。在Movielens数据集上的实验结果表明,该算法能够解决标签的语义模糊问题并提升推荐质量。     

基于语义扩展的网页标签推荐系统

网页广告与当前页面内容不匹配使得广告的投放效果降低。本文使用基于站点的贝叶斯模型扩展和基于维基百科的语义扩展两种方法,精确提取网页的标签信息,用更加精确的标签去匹配网络广告,增强了广告效果。本文实现了一个基于语义扩展的网页标签推荐系统,实验证实效果良好。     

基于Hadoop 的标签推荐系统设计

个性化推荐技术的发展有利于解决互联网海量数据信息过载问题。本文在了解分布式处理架构的特点的基 础上,提出了基于Hadoop 构建标签推荐系统方案。采用基于MapReduce 模型实现的算法具有较高的伸缩性和性能,能高效 地进行离线数据分析。     

TEFRCF:标签熵特征表示的协同过滤个性化推荐算法

标签作为Web 2.0时代信息分类和检索的有效方式,已经成为近年的热点研究对象。标签推荐系统旨在利用标签数据为用户提供个性化推荐。现有的基于标签的推荐方法在预测用户对物品的兴趣度时往往倾向于赋予热门标签及其对应的热门物品较大的权重,导致权重偏差,降低了推荐结果的新颖性,未能充分反映用户个性化的兴趣。针对上述问题,定义了标签熵的概念来度量标签的不确定性,提出了标签熵特征表示的协同过滤个性化推荐算法。该算法通过引入标签熵来解决权重偏差问题,利用三分图形式描述用户-标签-项目之间的关系;构建基于标签熵特征表示的用户和项目特征表示,并通过特征相似性度量方法计算项目的相似性;最后利用用户标签行为和项目的相似性线性组合预测用户对项目的偏好值,并根据预测偏好值排序生成最终的推荐列表。在Last.fm数据集上的实验结果表明,该方法能够提高推荐准确性和新颖性,满足用户的个性化需求。     

基于社交信任和标签偏好的景点推荐方法

针对现有的景点推荐算法在处理用户关系时忽视了用户隐性信任和信任传递问题,以及当用户处于新城市时由于缺乏用户历史记录无法做出准确推荐的情况,本文提出一种综合用户信任关系和标签偏好的个性化景点推荐方法.在仅仅考虑用户相似度时推荐质量差的情况下引入信任度,通过挖掘用户隐性信任关系解决了现有研究在直接信任难以获取时无法做出推荐的情况,有效缓解了数据稀疏性和冷启动问题.同时在用户兴趣分析过程中将景点和标签的关系扩展到了用户、景点和标签三者的相互关系,把用户的兴趣偏好分解成对不同景点标签的长期偏好,有效地缓解了缺乏用户历史游览记录时推荐质量不佳的问题.通过在Flickr网站上收集的数据进行实验验证,结果表明本文提出的混合推荐算法有效地提高了推荐精度,在一定程度上缓解了冷启动和新城市问题.     

基于好友关系和标签的混合协同过滤算法

针对传统推荐算法存在数据稀疏影响推荐效果的问题,考虑到社交网络中的链路预测能够综合考虑用户节点之间的拓扑结构,以及好友关系能反映用户的兴趣爱好,提出了一种融合好友关系和标签信息的推荐算法。首先,借助网络资源分配算法对社交网络的结构信息进行特征提取;然后,利用TF-IDF构建合理的社会化标签模型;最后,利用线性模型融合两方面的信息,从而实现推荐。在Last.fm和Delicious数据集上的实验表明,与传统算法相比,所提算法在推荐的召回率和准确率指标上有显著提高。     

融合主题与语言模型的个性化标签推荐方法研究

随着Web的推广和普及,产生了越来越多的网络数据。 广泛应用了 标签系统 ,以便人们使用搜索技术来组织和使用这些信息。这些数据允许用户使用关键字(标签)注释资源,为传统的基于文本的信息检索提供了方案。为了支持用户选择正确的关键字,标签推荐算法应运而生。提出了一种个性化标签推荐方法,该方法综合了用户的资源标签与标签概率模型。该模型利用了简单语言模型和隐含狄利克雷分配模型,并针对现实世界的大型数据集进行了大量实验。实验表明,该个性化方法改进了标签推荐算法,推荐结果优于传统方法。