一种基于协同矩阵分解的用户冷启动推荐算法

位置服务作为一种信息共享平台,在方便人们交流和共享信息的同时,也因为用户数量的不断增加,而面临着严重的信息过载问题.如何利用推荐技术对信息进行过滤和筛选,帮助用户在位置服务中发现有价值的信息成为近年来研究的热点.但目前已有的推荐算法,在只有消费记录这种隐性数据情况下,针对用户较少活动区域或新用户的推荐效率较低,无法最大化挖掘隐性数据所带的信息.针对以上问题,结合位置服务平台的特点,针对用户冷启动问题,提出了一种结合协同概率矩阵分解与迭代决策树(gradient boosting decision tree, GBDT)的推荐算法.该方法首先使用多层协同概率矩阵分解在多个维度上得到用户潜在特征,然后使用GBDT学习算法对特征和标签进行训练得到用户对项目的偏好,最后使用考虑约束问题的top-N推荐产生推荐列表.在真实数据集上的实验结果表明,与目前较为流行的方法相比,提出的方法能在准确率、F1值上取得较好的结果,能更好地缓解位置服务中的冷启动问题.     

融合用户属性信息的冷启动推荐算法

协同过滤算法广泛应用于个性化推荐系统中。现有的基于社群相似性的协同过滤算法在新用户新商品的冷启动场景中难以使用,性能较差。对此,提出了一种基于矩阵分解和神经网络映射的冷启动推荐算法。首先,使用矩阵分解方法求出用户在潜在兴趣空间的向量表示;然后,训练神经网络学习从用户属性数据到潜在兴趣向量的映射关系;最后,融合用户的历史评分数据与属性数据各自生成的兴趣向量,给出平滑的推荐预测值。实验表明,当用户的评分记录很少时,预测性能有明显提升,融合用户的属性信息能较好地改善"冷启动"情况下推荐系统的性能。     

基于信任环的用户冷启动推荐

近年来,为了解决推荐系统的用户冷启动问题,信任推荐技术得到了长足发展。然而,传统的信任推荐技术在处理信任关系上比较粗糙。基于信任环的推荐思想严格控制了信任度对推荐结果的影响。实验结果表明,该方法能有效解决用户冷启动问题,并提高推荐的准确率。     

融合用户动态标签和信任关系的协同过滤算法

针对协同过滤推荐算法中的冷启动以及数据稀疏问题,提出一种融合用户动态标签和用户信任关系的矩阵概率分解模型。该模型首先通过构建用户集、标签集和物品集三者间的动态联系,建立用户动态偏好矩阵;接着构建基于用户社会网络信息的用户信任关系矩阵,该信任关系矩阵使用用户信任反馈机制以实时更新用户间的信任值;最后提出融合用户动态标签和用户信任关系的矩阵概率分解模型,并在MovieLens与Jester_Joke_data数据集上进行仿真实验。实验结果表明,该算法在绝对误差均值、准确率与召回率方面获得了较好的效果,在一定程度上能有效提高了协同过滤推荐算法的性能。     

基于用户信任和兴趣的概率矩阵分解推荐方法

传统协同过滤推荐算法存在数据稀疏性、冷启动、新用户等问题.随着社交网络和电子商务的迅猛发展,利用用户间的信任关系和用户兴趣提供个性化推荐成为研究的热点.本文提出一种结合用户信任和兴趣的概率矩阵分解（STUIPMF）推荐方法.该方法首先从用户评分角度挖掘用户间的隐性信任关系和潜在兴趣标签,然后利用概率矩阵分解模型对用户评分信息、用户信任关系、用户兴趣标签信息进行矩阵分解,进一步挖掘用户潜在特征,缓解数据稀疏性.在Epinions数据集上进行实验验证,结果表明,该方法能够在一定程度上提高推荐精度,缓解冷启动和新用户问题,同时具有较好的可扩展性.     

融入用户和项目特征的概率矩阵分解推荐算法

与传统的协同过滤推荐算法相比,概率矩阵分解(PMF)模型在大型、稀疏的数据集上表现良好,但其仅利用了用户对项目的评分信息,没有充分考虑用户和项目的特征,因此在推荐准确度等方面仍具有很大的提升空间.基于概率矩阵分解模型,融合用户属性特征、用户偏好特征和项目标签特征,提出一种新的推荐算法UFIF-PMF.首先,根据用户属性...     

冷启动下用户特征模型的构建与个性化推荐

针对个性化推荐中的冷启动和用户模型主观个性特征描述不足的问题,提出一种基于用户初始特征模型优化构建的个性化推荐方法.通过对成对比较矩阵构建方法的优化和改进,减少提取主观性权重比较结果时,用户的比较操作次数,通过推导计算得出用户的初始特征模型,并据此完成推荐.通过将该方法应用到周边美食个性化推荐中,验证该方法所建立的初始...     

融合图片相似度缓解新项目冷启动问题的研究

针对推荐系统中因新项目的加入而造成的冷启动问题,在矩阵分解模型的基础上提出了融合项目图片相似度和类别属性的协同过滤推荐模型USPTMF-CFIA。首先,采用基于用户偏好和时间权重的矩阵分解模型,对评分缺失项进行预测填充;然后,利用VGG16神经网络提取项目图片特征,并结合类别属性计算新项目与历史项目的相似度,得到近邻项目;最后,根据新项目与近邻项目之间的相似度预测用户对新项目的评分,将评分高的前N个项目推荐给对应用户;通过在GroupLens提供的数据集上的实验证明,该模型的推荐准确率比MAP-BPR模型高0.006~0.015,比传统协同过滤模型高0.02~0.028,比没融合图片相似度的USPTMF-CFA模型高0.001~0.003,比ACMF模型高0.001~0.002。     

基于信任机制下概率矩阵分解的用户评分预测

互联网的蓬勃发展,在为用户提供便利的同时,其海量信息也为用户选择造成了困难,基于用户理解的信息推荐服务正成为应时之需.相较于面向单个用户信息的传统推荐技术,基于社交信息的推荐技术通过引入影响力建模,可以更真实地还原用户属性及行为.然而,已有的社交推荐技术往往停留于对用户影响的笼统归纳,并没有对其内在机制进行清晰分类和量化.针对这一问题,通过对用户评分行为中的信任关系进行分析,着重研究了信任用户间接影响用户偏好和直接影响用户评分两种不同机制,进而提出了基于用户间信任关系融合建模的概率矩阵分解模型TPMF,从而实现对上述两种机制的有效融合.在此基础之上,针对不同用户受两种机制影响权重不同的问题,通过借助评分相关性对用户进行聚类并映射到相应权重,实现了用户模型参数的个性化选择.公开数据集的多项实验结果表明：提出的TPMF及其衍生算法在各项指标上优于现有代表性算法,验证了所提出的影响机制及技术框架的有效性.     

一种融合信任和项目卷积描述信息的PMF算法

针对现有概率矩阵分解(PMF)技术的个性化推荐系统在采用社交网络中信任信息时常常忽视项目相关描述文档信息的问题,提出一种融合用户信任和通过卷积网络以获取项目描述等信息的PMF模型.首先,利用用户偏好信息和行为轨迹信息构建一种新的信任网络;然后,通过卷积神经网络从项目描述文档中提取项目潜在的特征向量;最后,在概率矩阵分解过程中同时利用评分数据、信任网络中用户的信任信息和项目的描述信息,计算用户和项目的潜在特征向量以预测评分并进行个性化推荐.为验证算法的有效性,选择3种算法在4个数据集上进行对比,实验结果表明所提出的算法在推荐精确度和鲁棒性方面优于其他3种算法.     

面向冷启动用户偏好获取的自适应物品询问列表生成方法

新用户进入系统之初,由于缺少必要的行为信息,推荐系统无法给出高质量的推荐,为了提高推荐精度,可以使用主动学习技术,使系统主动向用户发起相关物品的评分请求,从而通过用户的交互信息了解用户的偏好信息.现有的主动学习方法基于不确定性、熵等信息选择物品让用户提供反馈.然而由于用户的差异性,其适合的最佳策略是不一样的.因此,本文针对新用户冷启动问题,将要向用户发起询问的物品分阶段产生,通过用户对上一阶段问题的不同反馈,通过决策树模型个性化的动态选择下一阶段适合的策略来生成物品列表以征求其评价.同时,采用遗传算法来优化各个阶段的最优物品个数.在实际数据集上的实验表明,通过这种自适应生成询问物品列表的方法能够改进推荐效果.     

一种基于数据迁移的冷启动解决算法

在协同过滤技术的实际应用中,提出一种数据迁移和聚类相结合的方法来解决新系统冷启动问题。采用斯皮尔曼秩相关公式度量用户之间的相似度,使用期望最大化聚类算法对原数据集用户进行聚类。对于不同的簇,选取平均打分最高的N个项目作为推荐内容,针对目标数据集的用户,计算用户所属的簇以及对簇的隶属度,按照隶属度比例给用户推荐其所属簇的推荐列表。与TAM算法和CF算法的实验对比结果表明,该算法在解决新系统冷启动问题方面有较好的效果。     

融合社会标签与信任关系的社会网络推荐方法

针对推荐系统中普遍存在的数据稀疏和冷启动等问题,本文将标签与基于信任的社交推荐方法相结合,提出了一种融合社会标签和信任关系的社会网络推荐方法。该方法利用概率因式分解技术实现了社会信任关系、项目标记信息和用户项目评分矩阵的集成。从不同维度出发,实现了用户和项目潜在特性空间的互连。在此基础上,通过概率矩阵因式分解技术实现降维,从而实现了有效的社会化推荐。在Epinions和Movielens数据集上的实验结果表明本文所提出的方法优于传统的社会化推荐和社会标签推荐算法,特别是当用户评分数据较少时该算法的优越性体现得更好。     

一种信任关系强度敏感的社会化推荐算法

为了进一步提高推荐算法的准确率,更好地对用户间的信任关系进行建模,首先提出了一种信任关系强度敏感的社会化推荐算法(StrengthMF).与以往的算法相比,该算法假设建立信任关系的两个用户之间并不一定存在着相似的兴趣爱好.在推荐过程中,StrengthMF算法通过共享的潜在用户特征空间来对信任关系强度和用户兴趣进行建模,通过进一步识别出那些与目标用户有着共同爱好的朋友来对求解的过程进行优化.为了验证算法所估计出的信任关系强度的准确性,接着又在SocialMF算法的基础上,提出了一种使用所估计的信任关系对其重新训练和学习的InfluenceMF算法.实验结果表明,与目前较为流行的方法相比,新方法能在RMSE和MAE上取得更好的推荐结果,其所推导出的信任关系强度能进一步提高已有推荐算法的性能.     

一种基于词聚类的文本特征描述方法

针对文本挖掘中存在的特征空间高维性问题,提出了一种基于词聚类的文本特征描述方法,旨在通过机器学习的方法挖掘词汇之间的语义关联,动态构造特定领域的概念词典,借助构造的概念来描述文本的特征,该方法不借助主题词典,先从训练语料中对词的共现情况进行分析,用词聚类(word clustering)生成由种子词(seedwords...     

基于词向量技术与主题词特征的微博立场检测

微博话题随着移动互联网的发展变得火热起来,单个热门话题可能有数万条评论,微博话题的立场检测是针对某话题判断发言人对该话题的态度是支持的、反对的或中立的.本文一方面由Word2Vec训练语料库中每个词的词向量获取句子的语义信息,另一方面使用TextRank构建主题集作为话题的立场特征,同时结合情感词典获取句子的情感信息,最后将特征选择后的词向量使用支持向量机对其训练和预测完成最终的立场检测模型.实验表明基于主题词及情感词相结合的立场特征可以获得不错的立场检测效果.     

融合社交网络用户潜在因子的社会化推荐

针对传统社会化推荐准确率不高的问题,提出一种融合社交网络用户潜在因子的推荐算法SGCN-MF。SGCN-MF考虑社交网络中用户的隐语义信息对推荐结果的影响。使用图卷积神经网络将用户-项目历史交互信息和用户社交网络进行编码嵌入,学习得到具有用户特征和网络结构信息的节点在低维向量空间的潜在特征表达;将用户潜在因子融入基于矩阵分解的社会化推荐模型中;使用梯度下降算法训练模型参数。在Filmtrust、Ciao和Epinions数据集上的实验表明,与传统的社会化推荐算法相比,SGCN-MF能够提升推荐的准确率。     

FOCoR:一种基于特征选择优化的课程推荐技术

针对在线教育平台行为日志推荐模型存在的冷启动问题,设计一种融合高校选课数据的课程推荐方法FOCoR。首先,提出基于遗传算法的特征选择技术FSBGA (Feature Selection Based on Genetic Algorithm),然后再以特征选择的结果作为输入,基于梯度提升树LightGBM技术构建推荐模型来进行课程推荐。具体地,在提出的FSBGA算法中,构造结合模型损失和特征数量的适应度函数,并在高校选课数据的特征子集空间中搜索出兼顾模型损失和特征数量的最优特征子集。与基于互信息、F检验的特征选择方法相比,在FSBGA算法所选出的特征子集上训练的选课模型在AUC、F1分数、对数损失这3项指标上均优于其它特征选择算法。为了验证本文工作的有效性,将FOCoR与LightGBM、XGBoost、决策树、随机森林、逻辑回归等算法在真实数据集上进行实验和性能评估,结果表明FOCoR在F1分数上取得了最好的性能。     

ISG电机在冷起动中的策略仿真

ISG电机的控制系统决定着发动机冷起动性能,是弱混合动力系统中关键部件。它必须在很短的时间内拖动发动机至点火转速,并且要求转速过渡平稳,脉动冲击小。基于永磁同步电机(PMSM)数学模型选定矢量调速策略,采用脉宽调制器(SVPWM),因具有谐波少、响应快的优势,可作为电流调制方法。采用建立S imu link上的发动机阻力矩模型制定发动机起动策略,对冷起动过程进行仿真。仿真结果表明控制策略能够满足发动机快速起动的要求,并且升速过程平稳,受阻力矩变化影响较小,具有较好的抗负载扰动性能。     

基于领域敏感兴趣圈的社会化推荐算法

为了更好地融入信任关系对用户评分的影响，并考虑用户兴趣随领域变化的特点，提出了一种基于领域敏感兴趣圈的社会化推荐算法DSC-PMF。DSC-PMF算法通过构造领域敏感兴趣圈（DSC）模型，并结合概率矩阵分解（PMF）推荐算法，对用户进行推荐。DSC模型仅考虑兴趣相似朋友的影响，用信任划分的方法度量了不同朋友的影响程度，同时引入用户领域敏感度来衡量用户受朋友影响的意愿程度。通过在Yelp数据集上的多组对比实验，该算法不仅降低了MAE和RMSE，还提高了系统推荐准确率。