基于兴趣标签的个性化新闻推荐系统

随着互联网的飞速发展所带来的“信息过载”问题使准确的新闻推荐技术变得越来越重要。提出基于兴趣标签的个性化新闻推荐系统,利用Hadoop大数据平台,采用基于项的协同过滤算法,通过收集用户的浏览记录和兴趣标签,挖掘用户的主题兴趣,建立用户的兴趣模型,提高个性化推荐系统的准确性和可扩展性,具有良好的推荐效果。     

基于标签的电影推荐算法研究

为了有效解决用户在电影网站海量资源中寻找兴趣度高的电影时效率低这一问题,研究了一种基于标签的推荐算法。根据用户与标签的关系计算用户对标签的兴趣度;构建标签基因矩阵以及兴趣度矩阵,计算出用户对电影的喜好程度;为用户推荐喜好程度高的电影,提高用户对电影网站的好感度。通过在实际数据集上应用基于标签的推荐算法,验证了该算法的可行性以及有效性。     

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。     

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。     

基于协同过滤和标签的混合音乐推荐算法研究

结合音乐这一特定的推荐对象,针对传统单一的推荐算法不能有效解决音乐推荐中的准确度问题,提出一种协同过滤技术和标签相结合的音乐推荐算法。该算法先通过协同过滤技术确定相似用户,再通过相似用户对某一歌手的标签评分预测另一用户对该歌手的偏好程度,从而选择更符合用户喜好的音乐进行推荐,以此提升个性化推荐效率,为优化音乐推荐系统提供参考方法。     

基于张量分解的个性化标签推荐算法

基于互联网的社会标签推荐系统为广大用户提供了一个信息共享平台,让用户以"标签"的形式为其浏览的物品标注信息。标签既描述了物品语义,又反映了用户偏好。标签系统的最大优势在于可以发挥群体的智能,获得用户对物品比较准确的关键词描述,而准确的标签信息是提升个性化推荐系统性能的重要资源。然而,现存的标签推荐系统面临的问题是:由于兴趣的不同,不同的用户对于同一物品可能会打不同的标签,或者是同一标签对于不同用户可能会蕴含不同的语义。因此如何有效获取用户、物品、标签3者之间潜在的语义关联成为标签推荐系统需要解决的主要问题。为此引入三维张量模型,利用三维张量的3个维度来分别描述社会标签推荐系统中3种类型的实体:用户、物品、标签。在基于历史标签数据(标签元数据)构建初始张量的基础上,应用高阶奇异值分解(HOSVD)方法降低张量维度,同时实现3种类型实体之间潜在的语义关联分析,从而进一步提高标签推荐系统的准确性。实验结果表明,该方法较当前两种典型的标签推荐算法(FolkRank和PR)在准确率和召回率性能指标上有明显提升。     

基于标签的评分信息熵推荐算法

由于标签是由用户根据自己的理解和喜好随意进行标注的因此存在大量的噪声标签,导致基于标签的推荐系统准确率不高.针对这种情况,提出了结合评分信息熵的标签推荐算法.算法通过判断用户在标注标签的评分稳定程度来确定该标签对于用户的重要性从而过滤掉噪声标签将重要标签赋予较高权重,并构建用户的兴趣模型,最后应用到协同过滤算法中产生推荐.该算法能有效地利用评分权重并结合信息熵来增强推荐准确率,与以往的基于标签的推荐算法进行对比,能获得满意的推荐效果.     

一种新型的混合个性化推荐算法

个性化推荐服务系统是根据用户历史记录和推荐算法为用户提供其感兴趣的个性化信息或商品的一种自动化工具。针对目前常用的基于协同过滤的推荐算法和基于内容的推荐算法各自存在的问题,本文提出一种结合协同过滤和隐语义分析的混合推荐算法——交替奇异值分解算法ASVD,通过奇异值分解算法对基于项目内容的项目-关键词矩阵和对用户评分信息得到的用户—项目矩阵进行分解过程产生的项目—隐主题矩阵合并优化来消除噪音提高推荐的精确度。实践结果表明,新的混合算法ASVD提高了推荐结果的准确性。     

一种带标签的协同过滤广告推荐算法

为准确预测点击率(CTR)并合理利用其进行广告推荐,基于标签推荐技术与协同过滤方法,提出一种新的混合式广告推荐算法。将广告关键词作为标签引入到Query页的相似性计算中,采用Query页加权综合相似度度量方法降低相似矩阵的稀疏性,建立一种基于广告关键词的搜索广告兴趣模型。使用Top-N策略以减少最近邻候选集的大小,并基于预测CTR筛选出广告推荐结果。通过实验调节Query页加权综合相似度度量参数并验证算法的可扩展性。在KDDCUP2012数据集上的实验结果表明,与传统协同过滤算法、基于标签的推荐算法及基于标签和项目关系的推荐算法相比,带标签的协同过滤广告推荐算法具有更好的可扩展性和较优的推荐质量。     

一种面向共享账号的个性化推荐算法

传统的推荐领域的研究主要面向的是单个用户的内容推荐,然而现实生活中多个用户共享同一个账号的情况不在少数。为了解决多用户共享账号情况下,账号内部分用户得不到有效推荐的问题,本文提出PRASA(Personalized Recommendation Algorithm for Shared Account)算法,首先利用LDA(Latent Dirichlet Allocation)主题模型构建项目特征向量,接着利用DPC(Density Peaks based Clustering)算法对项目进行聚类分组,为分组后的每组项目分别进行推荐,对于离群点进行单独处理后产生推荐,保证推荐结果可以覆盖更广泛。实验结果表明,本文提出的PRASA算法可以有效地为共享账号的用户产生合适的推荐。     

一种个性化推荐改进混合算法

综合协同过滤算法和基于网络结构算法,提出全新的混合推荐算法,在对象和对象的相似性基础上考虑了项目之间的作用关系,得到最终改进后的混合算法MIX。通过对数据集的计算,排序值准确性大幅提高,推荐精度得到提高。     

基于标签权重的协同过滤推荐算法

针对传统协同过滤推荐算法中由于相似度计算导致推荐精度不足的问题,提出一种基于标签权重相似度量方法的协同过滤推荐算法。首先,通过改进当前算法中标签权重的计算,并构成用户-标签权重矩阵和物品-标签权重矩阵;其次,考虑到推荐系统是以用户为中心进行推荐,继而通过构建用户-物品关联矩阵来获取用户对物品最准确的评价和需求;最后,根据用户-物品的二部图,利用物质扩散算法计算基于标签权重的用户间相似度,并为目标用户生成推荐列表。实验结果表明,与一种基于"用户-项目-用户兴趣标签图"的协同好友推荐算法（UITGCF）相比,在稀疏度环境为0.1时该算法的召回率、准确率和F1值分别提高了14.69%、9.44%、17.23%。当推荐项目数量为10时,三个指标分别提高了17.99%、8.98%、16.27%。结果表明基于标签权重的协同过滤推荐算法可有效提高推荐结果。     

面向创新成果的个性化推荐模型研究

应用了基于标签系统、协同过滤的推荐算法,设计了一种面向创新成果的个性化推荐系统模型,并进行了实验分析,评价了该模型的性能.该方案的应用,可以促进创新成果的推广宣传,提升企业创新管理效能.     

基于层次隐马尔可夫模型和神经网络的个性化推荐算法

传统推荐系统将推荐准确性作为主要目标,而推荐结果的多样性和个性化有所欠缺.对此,设计一种基于层次隐马尔可夫模型和神经网络的推荐算法.采用层次隐马尔可夫模型建模用户喜好和上下文环境的关系,并通过隐马尔可夫模型预测上下文.设计神经网络结构来解决协同过滤推荐的问题,同时神经网络满足贝叶斯个性化排序的条件,实现对推荐列表的个性...     

一种基于语义的标签推荐系统框架

随着Internet和WEB2.0应用的快速发展,推荐系统成为了互联网重要的技术之一。传统的标签推荐系统较好的解决了经典的冷启动问题,但存在不能准确理解用户喜好的缺点。本文针对此系统作出了一些改进,提出了基于语义的标签推荐系统框架。     

基于多标签分类的智慧图书馆个性化推荐系统

针对现有图书馆推荐系统存在的推荐准确率低、推荐效率差的问题,提出基于多标签分类的智慧图书馆个性化推荐系统。本研究先对推荐系统整体结构进行分析,阐述了数据库及主要功能模块的设计,然后以此为基础开展软件设计,基于多标签分类算法完成图书馆资源分类,然后采用协同过滤算法完成图书馆资源个性化推荐。最后采用实验证明所提系统的实用性。实验结果表明：所提系统推荐准确率高达95%,且其推荐效率较高,优于对比系统,具有较大的研究价值。     

基于标签系统中聚类分析的个性化推荐算法

随着YouTube、Flickr和Last．fm等社会化网络的兴起,标签系统在日常生活中扮演着越来越重要的作用．为了给用户提供更优质的推荐,分析用户为不同资源打标签的行为就显得尤为重要．本文将主要的社区发现算法应用到标签系统中的聚类分析中,并比较它们在不同数据集上的表现,设计出针对标签系统的个性化推荐算法．实验结果表明,本文提出的算法能很好的发现不同用户的兴趣,提高推荐系统的质量．     

一种解决新项目冷启动问题的推荐算法

推荐系统作为缓解信息过载问题的有效方法之一,在社交媒体中的作用日趋重要.但是,新项目冷启动和新用户冷启动问题是推荐技术面临的难题.为了解决新项目冷启动问题,提出了用户时间权重信息概念,该定义考虑到了用户评价时间与项目发布时间的时间间隔,根据用户时间权重值的大小,可以判断该用户是积极用户还是消极用户,以及用户对新项目的偏爱程度;利用三分图的形式来描述用户-项目-标签、用户-项目-属性之间的关系.在充分考虑用户、标签、项目属性、时间等信息基础上,获得个性化的预测评分值公式,提出了推荐算法.实验结果表明:所提出的方法能够实现满足不同用户、不同偏好的个性化推荐,在为用户推荐到合适项目的同时还能带来惊喜.比较实验说明,所提出的方法推荐准确度高,推荐新颖度高.交叉验证实验结果表明:该方法在解决推荐算法中的新项目冷启动问题上,无论是在推荐的准确度还是推荐项目的新颖度上都是有效的.