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。     

融合标签和多元信息的个性化推荐算法研究

多数基于标签的推荐算法都存在推荐方式单一的问题，没有充分利用社会关系等其他信息。针对这一问题，提出了一种融合信任关系、时间因子和标签信息的个性化推荐算法TTLMF，该算法在现有基于标签的个性化推荐算法的基础上，充分利用了用户之间的信任关系和当前上下文的时间信息，使得推荐项目更加符合用户的需求。在公共数据集last.fm上进行了实验，结果表明TTLMF算法在准确率、召回率、[Fmeasure]以及覆盖率这四个指标上具有更好的推荐效果，一定程度上缓解了数据稀疏性和用户的冷启动问题。     

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.     

一种优化标签的矩阵分解推荐算法

个性化推荐研究中,垃圾标签不仅会导致数据稀疏性问题,同时影响推荐的实时性和精确性。因此提出一种优化标签的矩阵分解推荐算法OTMFR,该算法分为两个阶段：首先优化标签,在建立三部网络图的基础上提出一种标签排序算法,利用互增强的关系得到关于标签流行度的排序,去除排序靠后的垃圾标签;然后在此基础上利用用户和资源对标签的偏好信息构建用户-资源偏好矩阵,并从矩阵分解的角度为用户产生推荐。在Delicious数据集上的实验结果表明,该算法在推荐精准度上有较为明显的效果。     

融合标签和长短期兴趣的矩阵分解推荐算法

为提高用户兴趣挖掘的准确性,实现更加精准的用户个性化推荐,提出一种融合标签和长短期兴趣的矩阵分解推荐算法。利用用户使用各标签的次数和生命周期挖掘用户的长短期兴趣,计算用户标签偏好值;利用用户标签偏好值比较用户间的兴趣,获得更加精准的用户间兴趣相似度;将用户间兴趣相似度引入矩阵分解模型,预测项目评分并进行推荐。实验结果表明,该算法挖掘出的用户兴趣比其它推荐算法准确。     

基于标签信息特征相似性的协同过滤个性化推荐

标签推荐系统旨在利用标签数据为用户提供个性化推荐。已有的基于标签的推荐方法往往忽视了用户和资源本身的特征,而且在相似性度量时仅针对项目相似性或用户相似性进行计算,并未充分考虑二者之间的有效融合,推荐结果的准确性较低。为了解决上述问题,将标签信息融入到结合用户相似性和项目相似性的协同过滤中,提出融合标签特征与相似性的协同过滤个性化推荐方法。该方法在充分考虑用户、项目以及标签信息的基础上,利用二维矩阵来定义用户-标签以及标签-项目之间的行为。构建用户和项目的标签特征表示,通过基于标签特征的相似性度量方法计算用户相似性和项目相似性。基于用户标签行为和用户与项目的相似性线性组合来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的准确度,满足用户的个性化需求。     

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。     

基于标签主题的协同过滤推荐算法研究

传统基于标签的推荐算法仅考虑用户的评分信息,导致推荐准确度不高。为解决该问题,提出一种改进的协同过滤推荐算法。对用户-标签矩阵、资源-标签矩阵进行潜在Dirichlet分布建模,发掘推荐系统中的潜在语义主题,从语义层面计算用户对各资源的偏好概率,将计算出的偏好概率与协同过滤算法计算出的资源相似度相结合,预测用户偏好值,实现个性化推荐。在Movielens数据集上的实验结果表明,与传统基于标签的推荐算法相比,该算法能消除标签中存在的同义词、多义词等语义模糊问题,同时提高推荐准确度。     

一种综合LBS和社会网络标签的个性化推荐方法

针对现有的基于LBS(Location Based Service)个性化推荐系统在构建用户兴趣模型时存在的缺陷,提出一种综合LBS和社会网络标签的个性化推荐(LTCF)方法。通过引入网络标签和用户社会关系,从用户标注的标签资源中找到拥有共同兴趣爱好的用户关系以及从社会网络中找到与目标用户关系紧密的用户,同时结合考虑用户兴趣爱好随空间不断变化的特点,依据协同过滤算法,计算用户社会关系度和用户空间相似性,依此得到目标用户的最近邻集合,在最近邻集基础上给出推荐结果。实验结果表明,相比于传统的基于LBS推荐方法,LTCF模型在查全率和产准率有了显著的提升,能更好地反映出用户偏好,显著提高了推荐准确度。     

基于标签和协同过滤的个性化资源推荐

传统的协同过滤算法以用户评分体现用户兴趣偏好及资源相似度,忽视了用户、资源自身的特征,并且对稀疏数据和新资源的推荐质量明显下降。在Web2.0时代下,标签可被用户依个人偏好进行自由资源标注。因此,提出了基于标签和协同过滤的推荐算法。其基本思想是将标签作为体现用户兴趣偏好和资源特征的信息,依据用户、标签及资源的多维关系生成用户及资源的标签特征向量,并计算用户对资源的偏好程度和资源相似度,然后基于用户的历史行为预测用户对其他资源的偏好值,最后依据预测偏好值排序产生Top-N推荐结果。通过与传统的协同过滤算法的比较,验证了本算法能有效缓解数据的稀疏性,解决推荐的冷启动问题,提升推荐的准确性,获得更好的推荐效果。     

Integrating ontology technology with folksonomies for personalized social tag recommendation

Social tagging systems leverage social interoperability by facilitating the searching, sharing, and exchanging of tagging resources. A major drawback of existing social tagging systems is that social tags are used as keywords in keyword-based search. They focus on keywords and human interpretability rather than on computer interpretable semantic knowledge. Therefore, social tags are useful for information sharing and organizing, but they lack the computer-interpretability needed to facilitate a personalized social tag recommendation. An interesting issue is how to automatically generate a personalized social tag recommendation list to users when a resource is accessed by users. The novel solution proposed in this study is a hybrid approach based on semantic tag-based resource profile and user preference to provide personalized social tag recommendation. Experiments show that the Precision and Recall of the proposed hybrid approach effectively improves the accuracy of social tag recommendation.     

采用图模型的个性化标签推荐方法

现有的标签推荐方法大多根据标签在对象中出现的次数来表示用户,标签与资源之间的关系。这种方法对标签信息的利用过于简单,导致最终的推荐结果的准确度和召回率不高。基于这个问题,提出一种采用图模型的个性化标签推荐方法,将用户、标签和资源三者的关系转换成一个三元无向图。对图中相邻顶点的处理采用一种综合的权重衡量方法,而不相邻顶点的关系采用最短路径思想得出。既考虑标签与用户的关系,又考虑标签与资源的关系给出最后的标签推荐方法。将该方法与现存的标签推荐方法做比较。实验采用的数据来自CiteULike。实验结果表明,该方法能够显著地提高推荐结果的召回率,准确性等。     

标签扩展的协同过滤推荐算法

大多数利用标签与用户和项目之间关系的推荐算法,都要面临用户个体不同所导致的标签稀疏问题,不同的用户为项目所标注的标签会有所不同.针对由于用户标注标签的随意性而导致的用户标签和项目标签矩阵稀疏问题,提出了一种标签扩展的协同过滤推荐算法.该算法根据用户标注标签的行为计算基于标签的标签相似度,根据用户标注的标签语义计算基于标签语义的标签相似度,从用户行为和标签语义2个方面评估标签的相似度,并利用标签相似度来扩展每个项目标签,降低由项目与标签的关联关系产生的矩阵稀疏度.在M ovieLens数据集上的实验结果表明,所提算法在精度上有所提高.     

一种基于偏好的个性化标签推荐系统*

建立一个基于用户偏好模型的标签推荐系统,从该系统产生的标签集合中选择出能降低一般性概念描述的模糊性的标签子集,推荐给用户。实验表明,该系统具有较高的可靠性和精准度。     

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。     

基于RBLDA模型和交互关系的微博标签推荐算法

随着互联网技术的发展, 个性化标签推荐系统在海量信息或资源过滤中起着重要的角色. 在新浪微博平台中, 用户可以自主的给自己添加标签来表明自己的兴趣爱好. 同时, 用户也可以通过标签来搜索与自己兴趣爱好相似的用户. 针对新浪微博中大部分用户没有添加标签或添加标签数目较少的问题, 提出了一种基于RBLDA模型和交互关系的微博标签推荐算法, 它首先利用RBLDA模型来产生用户的初始标签列表, 然后再结合用户的交互关系而形成的交互图来预测用户标签的算法. 通过在新浪微博真实数据集上的实验发现, 该方案与传统的标签推荐算法相比, 取得了良好的实验效果.     

TAFFY: incorporating tag information into a diffusion process for personalized recommendations

The last few years have witnessed an explosion of information caused by the exponential growth of the Internet and World Wide Web, which confronted us with information overload and brought about an era of big data, appealing for efficient personalized recommender systems to assist the screening of useful information from various sources. As for a recommender system with more than the fundamental object-user rating information, such accessorial information as tags can be exploited and integrated into final ranking lists to improve recommendation performance. However, although existing studies have demonstrated that tags, as the additional yet useful resource, can be designed to improve recommendation performance, most network-based approaches take users, objects and tags as two bipartite graphs, or a tripartite graph, and therefore overlook either the important information among homogeneous nodes in each sub-graph, or the bipartite relations between users, objects or tags. Moreover, recent studies have suggested that the filtration of weak relationships in networks may reasonably enhance recommendation performance of collaborative filtering methods, and it has also been demonstrated that approaches based on the diffusion processes could more effectively capture relationships between objects and users, hence exhibiting higher performance than a typical collaborative filtering method. Based on these understandings, we propose a data fusion approach that integrates historical and tag data towards personalized recommendations. Our method coverts historical and tag data into complex networks, resorts to a diffusion kernel to measure the strength of associations between users and objects, and adopts Fisher’s combined probability test to obtain the statistical significance of such associations for personalized recommendations. We validate our approach via 10-fold cross-validation experiments. Results show that our method outperforms existing methods in not only the recommendation accuracy and diversity, but also retrieval performance. We further show the robustness of our method to related parameters.     

一种综合标签和时间因素的个性化推荐方法

针对现存的基于标签的社会化推荐系统在构建用户兴趣模型时存在的缺陷,提出一种综合标签及其时间信息的资源推荐(TTRR)模型。此模型考虑了用户的兴趣具有时间性的特点,即用户兴趣是随着时间而变化的、用户最近新打的标签更能反映用户近期的兴趣这一特性。为此,在借鉴协同过滤思想的基础上,通过利用标签使用频率信息和项目的标注时间来构建用户评分伪矩阵;在此基础上计算目标用户的最近邻集合;最后根据邻居用户给出推荐结果。通过在CiteULike数据集上进行实验,并与传统的基于标注的推荐方法进行比较,实验结果表明,TTRR模型能够更好地反映出用户的偏好,能够显著地提高推荐准确度。     

一种社会化标注系统资源个性化推荐方法

目前许多基于社化化标注的个性化资源推荐方法均忽视了用户长短期兴趣和多义标签问题对推荐的不同影响,为此,设计区分用户长短期兴趣的指标——用户的标签偏好权重和资源偏好权重;在此基础上,提出一种结合基于内容和基于协同过滤方法优点的混合推荐方法,通过加入标注相同资源的标签向量相似度计算因子,来减小多义标签对推荐结果的影响。实验表明,将该方法引入社会化标注系统资源个性化推荐算法中,能提高推荐精度。