融入用户社交关系与信任关系的应用推荐方法研究

随着近年来互联网技术的快速发展,应用获取平台都面临着信息过载的问题.面对大量应用,解决用户不能快速准确地找到满足其偏好的应用的问题迫在眉睫.已有的如Cosine、Pearson等协同过滤方法普遍存在稀疏性、冷启动和可扩展性等问题,从而对推荐结果产生影响.文章在考虑用户社交关系、偏好及信任关系的基础上,提出了融合用户社交关系与信任关系的应用推荐方法.该方法融合用户社交关系、点赞与标签等特征及其对应用的偏好计算相似度,并基于好友的信任关系与用户声誉计算信任度,最终将相似关系与信任关系进行有效结合,实现应用推荐.实验结果表明:所提应用推荐方法能更好的体现用户间的社交与信任关系,且能有效提高应用推荐的有效性与准确度.     

基于用户在线评论的旅游景点推荐算法研究

随着互联网的快速发展,推荐系统的研究和应用朝着多方向、多领域发展,传统的推荐算法已经不再满足某些特定领域准确率的要求.考虑到用户在线评论信息可以获得用户对产品偏好信息及偏好程度,文章提出一种基于用户在线评论的旅游景点推荐算法.首先,该算法用爬虫软件和Jieba分词对用户旅游景点的在线评论信息进行获取和预处理.其次,利用情感强度分析法确定每条评论相对景点各属性的评价标度.再次,依据处理后的在线评论信息计算用户对景点各属性的权重.最后,利用TOPSIS排序方法实现对用户旅游景点的推荐.实验表明,该算法可以有效的确定用户对景点的偏好程度,有效提升旅游景点推荐的准确性.     

基于SOMTE平衡的在线用户消费预测模型研究

随着互联网和计算机的迅速发展,在线用户属性特征的刻画和在线用户行为的预测成为研究热点.以往的研究中关注所有用户群体的行为预测,而实际在线系统更关注的实际购买行为的预测,以据此进行精准营销.基于此本文分析在线用户属性特征,得出各个算法预测的用户在线消费与用户各个特征之间的相关性;并通过逻辑回归、神经网络、决策树、随机森林四种人工智能算法的分析与比较,预测在线用户的消费行为.由于采用原数据集时预测结果真阳性率较低,这会造成找到潜在用户群具有很大偏差;本文通过SMOTE算法对原始数据进行平衡,在这四种人工智能算法中均有效的提高了预测准确度(AUC及GINI系数),对实际消费用户行为的预测效果有很大提升;最后在不同测试集划分下,多次重复实验中,验证了算法稳定性,以及SMOTE平衡算法具有很高的鲁棒性.这些研究结果能够在电子商务中找到有消费倾向的特定顾客,从而据此精准营销.     

基于改进的灰色马尔可夫链模型的交通事故预测

交通事故预测是交通安全评价、规划和决策的基础.灰色预测适合于数据量少和波动小的系统对象,而马尔可夫链理论适用于预测随机波动大的动态过程.为克服一般灰色马尔可夫链模型运用的转移概率矩阵固定不变而影响预测精度的问题,本文建立了改进的灰色马尔可夫链模型.采用滑动转移概率矩阵方法,去掉最老数据并补充最新数据,从而建立新的一步转移概率矩阵.借助改进的灰色马尔可夫链模型,对全国2002-2004年交通事故10万人口死亡率进行了预测分析.结果表明,改进的灰色马尔可夫链模型比一般灰色马尔可夫链模型的预测范围更准确,预测精度更高.     

基于概率语言术语集的非个性化推荐算法研究

概率语言术语集以其能够准确清晰地表达决策者自身偏好且能有效处理决策过程中产生的不确定信息等优点,近年来成为了推荐领域的研究热点.然而相对于个性化推荐场景,其在非个性化推荐方面的研究至今鲜有人涉及.文章将概率语言术语集的特点与非个性化推荐相结合,从各概率语言术语值之间的横向比较出发,提出了一种非个性化产品的推荐策略,以丰富非个性化推荐算法的研究.首先利用概率语言术语集描述了系统中的产品,借助数据补齐的方法建立了产品之间的可比关系.其次,以标准化的概率语言术语集为基础,构建了非个性化产品的排序矩阵.最后,运用特征向量方法得到了一般的非个性化产品的推荐排序.论文借助MovieLens数据集进行了应用,得到了有效的推荐结果.通过对比分析验证了算法的可靠性和科学性.文章研究旨在为概率语言术语集在非个性化推荐领域的应用提供一种新的思路参考.     

情境环境下基于用户画像的旅游产品推荐算法研究

针对目前旅游景点推荐效果不够理想的问题,充分考虑景点推荐中的情境因素和用户需求,研究情境环境下基于用户画像的旅游产品个性化推荐算法.算法从用户基本信息和行为信息的获取出发,借助标签化表示技术,构建出相应的用户画像模型,然后引入用户的情境因素.在综合考虑用户相似度和用户情境的基础上,达到高质量个性化推荐的目的.通过验证表明,用户画像的基础上,充分考虑用户的情境信息,能够更准确地体现用户兴趣的偏好,获得更佳的推荐结果.     

旧媒介形式在新环境中复辟

互联网正在把新闻产业带回到大众媒体出现之前时代的传统文化形式。新闻传播正回到类似于当年咖啡店传播的形态。互联网让新闻传播变得更有利于大众参与，更加社会化和多元化，参与的观点和看法碰撞更激烈.     

融合注意力机制的自编码器推荐算法

为充分获取用户的个性化信息,提高推荐算法的准确性,提出了一种融合注意力机制的自编码器推荐算法。所提算法首先针对数据中蕴含的低阶特征和高阶特征,专门设计了相应的特征提取模块,增强传统编码器的泛化能力和记忆能力,然后利用注意力机制对特征进行融合,得到关于用户偏好信息的向量表示,并通过解码器预测用户对物品的购买意愿,最终实现个性化推荐任务。在ML-100K,ML-1M和Yahoo Music三个数据集上进行实验,并与主流个性化推荐算法进行对比,本文算法在Precision,Recall,F1值和归一化折损累计增益(NDCG)四个指标上均有较大的提升。在互联网推荐场景下,本文算法能够充分挖掘出用户的偏好信息,为用户提供高质量的推荐结果即给出合理的物品购买决策建议,从而最大化满足用户需求。     

考虑非合作行为的社会网络大群体共识决策模型

在社会网络环境下的大群体决策问题当中,决策专家之间的社会网络关系对决策过程和结果的影响至关重要.文章创新地提出一种考虑决策专家社会网络关系和非合作行为的大群体共识决策模型,有效促进大群体共识的达成.首先,根据决策专家的偏好信息和社会网络关系,改进经典Louvain社区发现算法,对大决策群体进行社区划分.其次,运用社会网络分析方法确定决策专家个体和社区的权重.随后,根据决策专家的偏离程度对决策专家非合作行为进行识别,并考虑社会网络关系的影响对非合作行为进行管理,以此构建共识决策模型.最后,通过案例分析来验证所建立共识决策模型的可行性和有效性.文章构建的共识决策模型,不仅在大群体社区划分过程中,创新性地同时考虑决策专家的偏好信息和社会网络关系的影响,并且在非合作行为管理过程中,也考虑到了社会网络关系对非合作行为决策专家偏好调整的影响,使其更适应社会网络决策环境.     

基于对偶自信双层语言偏好关系的多属性群决策方法

针对自信双层语言中“自信度”主观性较强、缺乏对应调节机制等问题,提出了一种新型决策语言术语和基于对偶自信双层语言偏好关系的多属性群决策方法.首先,引入社会网络法获取专家间“信任关系”矩阵,考虑信任传递的全面性和信息失真情况,采用OWA算子和最短链路原则补全“信任关系”.其次,耦合“信任关系”和自信双层语言创建对偶自信双层语言,拓展对偶自信双层语言偏好关系,研究其一致性及共识性指标,并构建对偶自信双层语言的反馈调节机制.进而,利用反馈调节机制中调节后“自信度”和“他信度”指标构建新的专家赋权模型.最后,结合反馈调节机制和专家赋权模型,提出对偶自信双层语言偏好关系的多属性群决策方法.通过湖南省新能源投资项目分析,验证了方法的适用性和有效性.     

基于矩阵相似性的异构群体偏好信息集结方法

在群体信息集结过程中,专家提供的评估信息可以通过各种偏好形式表示.为了集结异构偏好信息,文章提出一种基于矩阵相似性的异构群体偏好信息集结方法.首先,应用不同的转化函数将不同的异构偏好信息转换为模糊偏好关系矩阵,然后,提出一种改进的基于矩阵相似性的幂加权平均算子,并给出该算子的一些性质.在偏好信息集结过程中,基于矩阵相似性的幂加权平均算子不仅考虑了偏好信息之间的相似程度,还能反映不同偏好信息之间的支撑程度.最后,基于提出的改进幂加权平均算子,构建一种新的异构群体偏好信息集结方法,并使用基于互补判断矩阵的排序方法来选择最佳决策方案.两个数值例子说明了文章提出方法的有效性和可行性.     

不完全犹豫模糊语言偏好关系的不一致性修复方法

针对隶属度为犹豫模糊语言的不完全偏好关系,对其进行补全,并提出了一种基于偏差度的修复方法.首先,通过定义转换函数I以及f,并利用积性一致性补全不完全犹豫模糊语言偏好关系(IHFLPR).其次,基于误差偏好值以及两个犹豫度差值大小的比较准则,确定最大偏差度,并依据修复公式对不一致性进行修复.最后,通过实例以及与Xu的方法进行比较分析表明了该方法的有效性.     

基于顾客选择行为的租车需求修复方法研究

为了提高顾客对不同类车型租车需求量的预测精度,需要对历史约束数据进行修复.传统Spill模型能够在一定程度上修复受约束需求数据,但并没有考虑到顾客的主观选择行为.为此,设计顾客租车行为调查,利用多项Logit模型对数据进行处理,得到顾客偏好概率,在此基础上改进Spill模型.通过实例验证分析,改进Spill模型比原模型平均误差更小,说明改进模型更有效.     

一种具有不确定偏好序评价信息的群决策方法

针对具有不确定偏好序评价信息的群决策问题,提出了一种决策方法。首先,描述了不确定偏好序的概念,并将它转化为概率向量,同时给出概率向量加权算子;然后,给出了概率向量两两比较的可能度的定义及性质分析;依据概率向量加权算子及可能度,建立了方案两两比较的可能度矩阵;基于可能度矩阵及互补判断矩阵的权重公式,计算方案的优先权重并对方案进行优选;最后,通过一个算例说明了该方法的可行性和有效性。     

改进的Tucker分解知识图谱补全算法

知识图谱是真实世界三元组的结构化表示.通常,三元组被表示成(头实体,关系,尾实体)的形式.为补全知识图谱中缺失的三元组,提出一种改进的Tucker分解知识图谱补全算法.该算法利用Tucker分解将三阶张量表示的知识图谱分解成一个核心张量与每个mode上因子矩阵的乘积.通过将三阶张量分解成一个核心张量每一维度乘以一个因子矩阵的形式,利用打分函数计算每个三元组的得分,得到每个三元组正确的概率,将正确的三元组添加到知识图谱,对知识图谱进行补全.实验中,采用5个公开数据集WN18RR、FB15K-237、WN18、FB15K和NELL-995进行相关的链接预测实验.实验结果表明,在WN18RR中,平均倒数排名(Mean Reciprocal Rank)比TuckER提高3.1%,Hit@10比TuckER提高1.1%;在FB15K-237中,平均倒数排名(Mean Reciprocal Rank)比TuckER提高3.4%,Hit@3比TuckER提高1.1%;在NELL-995中,平均倒数排名(Mean Reciprocal Rank)比ConvE提高3.3%,Hit@10比ConvE提高2.1%.实验证明改进的Tucker分解算法可以有效提高三元组预测精度.     

群决策中语言信息与其他4种偏好信息的一致化方法

研究语言信息与其他4种偏好信息(偏好次序,效用值,互反判断矩阵,互补判断矩阵)之间的相互转换问题.首先,根据各种偏好信息的实际意义,给出语言信息与他们之间的转换公式,并从理论上证明转换公式的合理性;其次,证明了若语言判断矩阵具有完全一致性,转换后的互反判断矩阵和互补判断矩阵也具有完全一致性;最后用实例验证了转换公式的有效性.     

多元线性混合模型方差分量矩阵的非负估计

本文研究了带有两个方差分量矩阵的多元线性混合模型方差分量矩阵的估计问题.对于平衡模型,给出了基于谱分解估计的一个方差分量矩阵的非负估计类.对于非平衡模型,给出了方差分量矩阵的广义谱分解估计类,讨论了与ANOVA估计等价的充要条件.同时,在广义谱分解估计的基础上给出了一种非负估计类,并讨论了其优良性.当具有较小二次风险的非负估计不存在时,从估计为非负的概率的角度考虑,将Kelly和Mathew(1993)提出的构造具有更小取负值概率的估计类的方法推广到本文的多元模型下,给出了较谱分解估计相比有更小取负值概率和更小风险的估计类.最后,模拟研究和实例分析表明文中理论结果有很好的表现.     

基于用户标签和信任关系的协同过滤推荐算法研究

随着互联网产业的快速发展,推荐系统已成为商业领域的研究热点,传统的仅考虑用户相似度或项目相似度的推荐算法已不能满足用户对推荐效率和推荐准确率的要求.考虑到社会好友间信任关系在推荐中的有益作用,信任关系应当成为推荐系统的考虑因素之一,文章提出一种基于标签和信任关系的协同过滤模型.首先,根据用户标签筛选出相似度较高的用户,根据他们对项目的评价预测得分;然后,根据社区内信任关系计算基于信任的评分;最后,综合两项得分进行预测.通过Epinions数据集验证表明:对比单纯的相似度推荐,添加信任因素后推荐结果有明显改变且随着信任网络规模扩大,项目预测得分趋于稳定,预测精度明显提高,更适用于移动电子商务环境下的个性化推荐问题.     

基于Vanilla算法的网络视频推荐策略研究

伴随移动互联网和通信技术的发展,人们对视频的需求日益凸显,互联网带来更多便捷的同时也带来了信息过载的问题.视频推荐系统的优点在于帮助视频网站挖掘用户的偏好信息,从人们精准信息获取的需求出发,以视频播放网站为研究对象,研究视频推荐算法的实现和视频推荐策略的生成,首先分析了已有视频推荐算法存在的问题,其次,借助Vanilla算法和专家排序的方法规避视频评分的个体差异性,再次,在最近邻用户选择的过程中,充分考虑社交网络中的情境信息,进而改善了推荐数据有效性和预测准确度的问题.最后,提取爱奇艺视频网站的实验数据,验证了推荐策略的科学性和有效性.     

广义矩阵分布下多元回归模型的贝叶斯推断

考虑具有奇异矩阵椭球等高分布误差的多元线性回归模型的贝叶斯统计推断,在非信息先验下得到了系数矩阵关于Hausdorff测度的后验边缘分布和未来观察值的预测分布,并得到了一类特殊奇异矩阵椭球等高分布下误差协方差矩阵的后验边缘分布.对于具有奇异矩阵正态分布误差的多元线性回归模型,在广义正态-逆Wishart共轭先验下得到了类似的后验边缘分布和预测分布结果.在上述两种先验分布下,回归系数矩阵的后验边缘分布和预测分布是双奇异矩阵t分布,这种分布具有关于Hausdorff测度的精确密度.结果表明,在非信息先验下,回归系数矩阵的后验边缘分布和未来观察值的预测分布在奇异矩阵椭球等高分布类中具有稳健性.