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。     

情感分析在电影推荐系统中的应用

基于用户的协同过滤推荐算法是通过分析用户行为寻找相似用户的集合,其核心是用户兴趣模型的建立以及用户间相似度的计算。传统的用户推荐算法是根据用户评分或者物品信息等行为数据进行个性化推荐,准确率比较低。充分考虑在线评论对于用户之间兴趣相似度的作用,通过对评论的情感分析,构建准确的用户兴趣模型,若用户在评论中表现出来的相似度越高,则表示用户之间的兴趣越相似。实验表明,和传统的基于用户的协同过滤推荐算法相比,基于评论情感分析的协同过滤推荐算法,无论准确率还是召回率都有明显提高。     

适用于RPA工具的卷积序列推荐算法

在机器人流程自动化(Robotic Process Automation, RPA)软件中,经常采用序列推荐系统让机器人完成判断、选择等人工处理的任务。然而常用的序列推荐系统受限于序列信息的提取困难等问题,难以得到广泛应用。为了解决这一问题,构建一种基于Inception的卷积序列推荐模型,把时间和潜在空间中的用户行为序列信息嵌入进一幅“图像”中,并通过动态和静态2种不同的卷积层提取其中的局部特征,全面地提取用户的短期兴趣偏好,同时将用户嵌入矩阵作为用户的长期兴趣偏好嵌入到卷积层的输出中,共同构建完整的用户兴趣偏好,提升推荐性能。通过在3种公开数据集MovieLens 1M、Gowalla、Steam上分别进行实验,验证了基于Inception的卷积序列推荐模型的性能优于最新的序列推荐模型,在Top-N序列推荐的3种评价指标中（精确率、召回率、平均AP值）,平均提升幅度在10%左右,单个指标上的最大提升幅度为14%。     

基于位置的非对称相似性度量的协同过滤推荐算法

为提升推荐系统的准确率,针对传统协同过滤(CF)推荐算法没有有效使用位置信息的问题,提出了一种基于位置的非对称相似性度量的协同过滤推荐算法(LBASCF)。首先,分别利用用户-商品评分矩阵和用户历史消费位置,计算出用户间的余弦相似性和基于位置的非对称相似性;其次,将余弦相似性与基于位置的相似性融合,得到一个新的非对称用户相似性,融合后的相似性能够同时反映用户在位置上和兴趣上的偏好;最后,根据用户的最近邻居对商品的评分向用户推荐新的商品。用某点评数据集和Foursquare数据集对算法的有效性进行了评估。在某点评数据集实验结果证明,与CF相比,LBASCF的召回率和精确率分别提高了1.64%和0.37%;与位置感知协同过滤推荐系统(LARS)方法比较,LBASCF的召回率和精确率分别提高了1.53%和0.35%。实验结果表明,LBASCF相对于CF和LARS在基于位置服务的应用中能够有效提高系统的推荐质量。     

一种面向多维特征分析过滤的视频推荐算法

近年来,抖音、快手、微视等短视频APP取得了巨大成功,用户拍摄并上传到APP平台上的视频数量暴增。在这种信息过载的环境下,为用户挖掘并推荐其感兴趣的视频成为了视频发布平台面临的难题,因此为这些平台设计高效的视频推荐算法显得尤其重要。文中针对媒体大数据挖掘和推荐领域的数据集稀疏性高和规模巨大的问题,提出一种面向多维特征分析过滤的视频推荐算法。首先,从用户行为和视频标签等多个维度对视频进行特征提取,然后进行相似性分析,加权计算视频相似度,从而获取相似视频候选集,并对相似视频候选集进行过滤,再通过排序选择评分最高的若干个视频推荐给用户。最后,基于MovieLens公开数据集,使用python3语言实现了文中提出的视频推荐算法。在数据集上进行的大量实验表明,相比传统的协同过滤算法,文中提出的面向多维特征分析过滤的视频推荐算法将推荐结果的准确率提升了6%,召回率提升了4%,覆盖率提升了18%。实验数据充分说明,从多个维度考虑视频之间的相似性,并配合大规模矩阵分解技术,在一定程度上缓解了数据集稀疏性高、数据量巨大的难题,从而有效地提高了推荐结果的准确性、召回率和覆盖率。     

融入时间的兴趣点协同推荐算法

兴趣点（POI）推荐可以帮助用户发现其没有访问过但可能感兴趣的地点,是重要的基于位置的服务之一。时间在POI推荐中是一个重要因素,而现有POI推荐模型并没有较好地考虑时间因素,因此通过考虑时间因素来提出融入时间的POI协同推荐（TUCF）算法,从而提高POI推荐的效果。首先,分析基于位置的社交网络（LBSN）的用户签到数据,以探索用户签到的时间关系;然后,利用时间关系对用户签到数据进行平滑处理,以融入时间因素并缓解数据稀疏性;最后,根据基于用户的协同过滤方法,在不同时间推荐不同POI给用户。在真实签到数据集上的实验结果表明,与基于用户的协同过滤（U）算法相比,TUCF算法的精确率和召回率分别提高了63%和69%;与具有平滑增强时间偏好的协同过滤（UTE）算法相比,TUCF算法的精确率和召回率分别提高了8%和12%;并且TUCF算法的平均绝对误差（MAE）比U算法和UTE算法分别减小了1.4%和0.5%。     

基于内容的加权粒度序列推荐算法

为了提高个性化推荐系统的准确率,提出了一种基于内容的加权粒度序列推荐算法。通过分析项目属性关系将项目粒度化,计算每个粒度的贡献度得到项目特征矩阵。再根据用户行为信息生成用户粒度序列并进行粒度映射,利用Apriori算法提取出用户偏好矩阵。最后将项目特征矩阵和用户偏好矩阵做乘积运算,其结果代入改进的sigmoid函数中进行喜好概率预测,从而完成Top-N项目推荐。实验选取MovieLens数据集,结果表明基于内容的加权粒度序列的推荐算法准确率达到72.27%,高于当前流行的推荐算法;在效率方面,推荐时间少于相同用户数量下的协同过滤推荐算法;综合测度评分为0.393,充分验证了算法的整体性能优于其他推荐算法。     

基于标签的强化学习推荐算法研究与应用*

针对协同过滤推荐算法性能稳定性往往受到数据稀疏性影响的问题,在强化学习的框架下提出一种基于标签的协同过滤推荐算法,利用标签模拟用户兴趣来构造非稀疏的个性化数据,并将模拟数据与历史用户访问数据相结合进行协同过滤推荐。实验结果表明,引入基于标签的个性化数据可以有效提升协同过滤算法的性能,且对两种数据的有效结合可以获得最好的效果。     

融合时间序列的POI动态推荐算法

兴趣点(POI)的签到数据体现了用户的偏好和兴趣点的分布特征,这在兴趣点推荐领域有极为重要的价值.为了缓解数据稀疏造成的推荐不准确等问题,本文提出了融合时间序列的POI动态推荐算法,结合用户与用户之间的关系、兴趣点位置以及流行度信息等.首先划分时间序列,得到时间因子的相似度;其次时间序列融入到基于用户的协同过滤算法,再根据时间的连续性特征得到基于用户的预测评分,然后将地理影响因子与基于时间的流行度信息结合,预测用户的评分,进而与基于用户的评分加权融合;最后,在Gowalla数据集上进行实验,结果表明,本文提出的融合时间序列的POI动态推荐算法能够有效减小推荐误差,提高推荐精度与召回率.     

基于协同过滤算法的短视频平台个性化推荐模式研究

短视频平台主要通过短视频的个性化推荐,提高用户定点投放能力,但短视频平台个性化推荐的错误率高,因此,提出基于协同过滤算法的短视频平台个性化推荐模型。在缓存域内,对短视频平台个性化源数据进行自适应统计特征分析,提取短视频平台个性化特征参数,用联合关联特征分析方法,计算短视频平台个性化参数,采用标签化控制方法,结合用户对相关资源的预测偏好,采用协同过滤算法,实现用户的兴趣标签分类和资源偏好识别。根据评级数据和标签信息定义结果,实现短视频平台个性化推荐。实验结果分析得出,该方法进行短视频平台个性化推荐的错误率较低,且用户满意度较高,在最优状态下推荐的满意度均值为84.68%。     

基于用户兴趣和兴趣点流行度的个性化旅游路线推荐

针对传统的旅游路线推荐算法推荐准确率不高的缺陷,提出一种基于兴趣点(POI)流行度和用户兴趣偏好的个性化旅游路线推荐(PTIR)算法。首先通过分析得到用户真实的历史旅游足迹;然后根据用户在每个景点的逗留时间提出基于时间的用户兴趣偏好;最后在给定的旅行时间限制、起点和终点下,设计最优旅游路线计算方法。在Flickr社交网站的真实数据集上进行实验,结果显示,相比传统的只考虑POI流行度的算法,该个性化旅游路线推荐算法的准确率和召回率都有较大提升;相比只考虑用户兴趣偏好的算法,该个性化旅游路线推荐算法的准确率和召回率也有所提高。实验结果表明综合考虑POI流行度和用户兴趣偏好能使路线推荐得更准确。     

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.     

基于隐语义模型的个性化推荐

许多传统的推荐方法如协同过滤和低秩矩阵分解都存在物品或用户方面的稀疏性和冷启动问题。为了克服这两方面的问题,提出一种基于隐语义模型的个性化推荐方法。通过对用户行为进行分析,利用隐语义模型推断出用户潜在的兴趣因子,从而构建用户兴趣特征矩阵来进行个性化推荐。对现实的电影数据的实验证明了所提方法的有效性,并在准确率、召回率和覆盖率方面均优于传统的协同过滤方法和基于内容的方法。     

一种融合用户情感与相似度的智能旅游路径推荐方法

近年来,随着社交网络的发展,如何设计出符合用户个性化需求的路径推荐方法,已成为重要的研究热点.文中考虑了兴趣点的相关特征,将用户的情感与商品相似度融入蚁群算法的启发函数中,采用精英管理蚂蚁策略,最大化管理蚂蚁策略的改进策略,同时利用粒子群算法改进蚁群算法的初次信息素分布,结合数据集中593名游客的评分以及文本评论数据,提出基于粒子群-蚁群的旅游路径推荐算法(Particle Swarm-Ant Colony algorithm for user emotion and similarity,PS-AC)算法,并用改进后的蚁群算法实现环游景区内高人气景点的用户旅游路径推荐.基于真实的数据集测试表明,所提算法在精确率、召回率、F测度值上均有较好的性能.     

一种融合用户情感与相似度的智能旅游路径推荐方法

近年来,随着社交网络的发展,如何设计出符合用户个性化需求的路径推荐方法,已成为重要的研究热点.文中考虑了兴趣点的相关特征,将用户的情感与商品相似度融入蚁群算法的启发函数中,采用精英管理蚂蚁策略,最大化管理蚂蚁策略的改进策略,同时利用粒子群算法改进蚁群算法的初次信息素分布,结合数据集中593名游客的评分以及文本评论数据,提出基于粒子群-蚁群的旅游路径推荐算法(Particle Swarm-Ant Colony algorithm for user emotion and similarity,PS-AC)算法,并用改进后的蚁群算法实现环游景区内高人气景点的用户旅游路径推荐.基于真实的数据集测试表明,所提算法在精确率、召回率、F测度值上均有较好的性能.     

基于协同过滤的位置感知推荐

不同地区的用户兴趣不同,并且当推荐物品具有位置属性时,用户更加倾向于离自身较近的物品。根据用户和物品的位置信息来捕获用户兴趣能有效地提高个性化推荐精度。为了有效处理用户和物品的位置信息,在推荐系统中引入金字塔模型(PS)来实现用户分区和用户旅行代价的计算,提出了基于金字塔模型的协同过滤算法(PMCF),来生成对用户的Top-N物品推荐。使用MovieLens数据集、Foursquare数据集和Synthetic数据集来分别评估算法的有效性,实验表明,所提出的算法的准确度要高于传统的推荐算法。     

基于卷积神经网络的评论文本兴趣点推荐算法

针对基于位置社交网络中的兴趣点推荐存在用户签到数据稀疏、评论文本信息利用不充分、推荐准确度不高等问题, 提出一种基于卷积神经网络的评论文本兴趣点推荐模型(RT-CNN). 首先采用高斯函数利用邻近地理位置加权方法填补矩阵分解模型中缺少的位置信息, 预测用户对未签到位置的潜在兴趣. 然后通过卷积神经网络处理评论文本信息挖掘潜在特征, 深度提取用户情感倾向, 使用Softmax逻辑回归函数获得评论文本与用户和位置兴趣点潜在特征相关的概率, 通过对目标函数的求解提取用户和位置潜在特征向量. 最后融合签到行为、地理位置影响、用户情感倾向、用户潜在特征和位置兴趣点潜在特征进行兴趣点推荐. 在公开的Foursquare网站纽约(NYC)和洛杉矶(LA)两个真实签到数据集进行实验, 结果表明RT-CNN模型相比其他先进的兴趣点推荐模型提高了精确率和召回率, 具有更好的推荐性能.     

基于用户谱聚类的Top-N协同过滤推荐算法

传统的协同过滤推荐算法为目标用户推荐时,考虑了所有用户的历史反馈信息对物品相似度的影响,同时相似度的度量仅依靠用户评分信息矩阵,导致了推荐效果不佳。为解决上述问题,提出了基于用户谱聚类的Top-N协同过滤推荐算法（SC-CF）,即应用谱聚类将兴趣相似的用户分成一类,具有相似兴趣爱好的用户比其他用户具有更高的推荐参考价值,然后在类中为目标用户推荐。SC-CF+算法在SC-CF算法的基础上,在相似度度量方法中分别引入了物品时间差因素、用户共同评分权重、流行物品权重。实验结果表明,提出的两种算法提高了推荐结果的召回率。     

基于广义回归神经网络的网络信息资源个性化推荐方法

传统网络信息资源个性化推荐方法无法存储长期信息，导致推荐精度低，召回率高。因此，研究基于广义回归神经网络的网络信息资源个性化推荐方法。首先，获取初始兴趣偏好特征数据，分配相应权重进行归一化处理；其次，确定训练样本的收敛范围，调整权值得到不同层神经元之间的连接权值和阈值，并输出匹配结果；最后，运用过滤推荐算法计算环境网络信息资源偏好和用户网络关系，得到训练样本相似度，生成近似数据集，根据偏好完成个性化推荐。实验结果表明，该方法的召回率最低，推荐准确程度高。     

基于用户签到和地理属性的个性化位置推荐算法研究

针对基于LBSNs (Location-based Social Networks)的位置推荐算法考虑因素单一且不能有效解决用户位于不同城市的位置推荐的问题,综合考虑潜在的社交影响、内容匹配影响和地理属性影响等因素,提出了基于用户签到和地理属性的个性化位置推荐算法SCL (Social-Content-Location)。该算法在协同过滤的基础上,引入了用户兴趣特征比较,改进了用户的相似度计算;同时,在分析位置的内容信息时,融入用户评论,缓解了位置标签的短文本特性对LDA (Latent Dirichlet Allocation)主题提取的影响,提高了用户兴趣和城市偏好主题提取的准确率。实验结果表明,SCL算法在本地城市召回率上较协同过滤算法U提高近65%,较LCA-LDA算法提高近 30%;在异地城市召回率上,高于LCA-LDA算法近26%。这表明SCL算法在不同城市下的位置推荐具有一定的可行性。