基于用户引力的协同过滤推荐算法

针对传统的基于用户的协同过滤推荐算法存在用户兴趣偏好模型过于粗糙和邻居集不够准确等问题,本文提出了一种新的协同过滤推荐算法,命名为基于用户间引力的协同过滤推荐算法。该算法认为用户使用的社会标签可以反映用户的喜好类型及喜好程度,利用社会标签构建用户喜好物体模型,并计算它们之间的万有引力,把万有引力的大小作为用户相似性的度量,在此基础上获得目标用户的邻居用户和评分预测,把获得预测评分高的若干项目推荐给用户。实验结果说明本文的算法可以获得较其它算法较优的推荐性能。     

基于用户偏好优化模型的推荐算法研究

传统的个性化推荐算法普遍存在数据稀疏性问题,影响了推荐的准确度。Slope one算法具有简单、高效等特点,但该算法只是根据用户—项目评分矩阵进行数据分析,对所有用户采用一致性的权重进行计算,忽视了用户对项目类型的喜好程度。针对上述问题进行了研究,提出LR-Slope one算法。首先根据用户—项目评分矩阵和项目类型信息构建用户对项目类型的偏好矩阵;然后利用线性回归模型计算用户对每个类型的权重,采用随机梯度下降算法优化权重;最后结合Slope one算法预测评分,填充评分矩阵,提高推荐的质量。实验结果表明,所提算法提高了推荐的精度,有效缓解了稀疏性问题。     

基于用户行为的个性化电商信息推送系统设计

为提高推荐产品与用户需求产品的适配度,基于用户行为分析设计了一种针对电子商务的个性化信息推荐系统。首先,使用网络爬虫技术检索电子商务平台的运行终端,获取电商用户行为信息;其次,构建电商用户行为信息表,分析获取的用户行为数据,通过用户对产品需求来计算用户的偏好度;最后,引进关联规则,挖掘符合用户喜好的产品,实现个性化信息主动推送服务。实验证明,该系统推荐的商品与用户需求产品两者适配度在90%以上,且系统推送后,显著提升了用户在电商平台的点击次数与浏览时间。     

基于Web日志的煤矿企业网站个性化推荐服务研究

为了解决煤矿企业网站用户查找信息难的问题,提出了一种基于Web日志的煤矿企业网站个性化推荐服务模型。该模型应用关联规则对新用户进行页面推荐,应用聚类算法对老用户进行页面推荐;并结合点击网页的次数、网页的浏览时间、雅可系数与最长公共路径系数来度量用户兴趣度的方法,可为用户准确地推荐其感兴趣的页面。测试结果表明,该模型能够有效地对网页资源进行分类并进行个性化推荐。     

用户间多相似度协同过滤推荐算法

传统的User-based协同过滤推荐算法仅采用了单一的评分相似度来度量用户之间对任何项目喜好的相似程度。然而根据日常经验,人们对不同类型事物的喜好程度往往是不同的,单一的评分相似度显然无法准确描述这种不同。针对上述问题,提出了一种基于用户间多相似度的协同过滤推荐算法,即基于用户间对不同项目类型的多个评分相似度来计算用户对未评分项目的预测评分。实验结果表明,该算法可以有效地提高预测评分的准确性及推荐质量。     

基于HMM模型的协同过滤推荐方法

考虑到用户浏览路径、时间、浏览次数都是影响推荐准确度的重要因素,提出一种基于隐马尔可夫模型(HMM)的动态协同过滤推荐方法。该方法首先用HMM模型模拟用户浏览网页时的行为,根据用户浏览网页时的行为建立最近邻集合。由于数据不是简单的用户评分,而是用户浏览网页的路径,这样就解决了数据稀疏问题和最初评价问题。并且使用HMM代替简单的相似模型来度量用户相似性,提高了最近邻推荐的准确性,解决了实时性推荐和数据空间的可扩展的问题。然后,提出了喜好度的概念并给出了计算方法,喜好度概念的加入能为目标用户推荐更适合的商品。最后,结合喜好度给出了基于HMM的协同过滤预测模型。通过对一个实例的研究验证了所提出的算法以及推荐模型的可行性。     

基于SVD++与标签的跨域推荐模型

在现有多数跨域推荐模型中,用户不能给指定项目添加标签,并且建立模型时未考虑用户的历史标签,导致推荐误差变大。针对上述问题,构建基于SVD++模型并融合标签推荐的跨域推荐模型TagSVD++。该模型继承SVD++模型利用评分数据预测的特点,加入用户和项目标签信息,通过标签使用次数反映用户喜好和项目特征,并且引入热门惩罚系数避免热门标签和项目对推荐预测的干扰。在真实电影和图书网站相关数据模拟的跨领域数据集上进行实验,结果表明,TagSVD++模型能有效提高跨域推荐的准确性。     

基于贝叶斯理论的协同过滤推荐算法

考虑到在协同过滤算法中邻居集合的有效性是影响推荐质量的重要因素,提出了基于贝叶斯理论的协同过滤推荐方法,该方法利用贝叶斯理论分析用户对项目特征值的喜好度.在计算相似度时,考虑用户喜好度,在此基础上计算目标项目的最近邻居.实验结果表明该算法可以提高推荐系统的推荐质量.     

基于人工智能技术的微信平台信息采集模型研究

对基于人工智能技术的微信平台信息采集模型进行了研究,以图书馆为例设计了微信平台信息采集系统,并对其核心的图书推荐功能模块进行了详细设计。首先,对微信平台信息采集系统的整体框架和功能模块进行了设计;然后对图书推荐系统进行了研究与设计,提出一种基于点击率的图书推荐模型,对用户点击图书的概率进行计算,对用户可能点击的图书进行预测,继而实现图书精准推荐;最后分别对图书推荐系统和微信平台信息采集系统进行了实验与测试,实验结果表明：采用的基于提升决策树模型的图书推荐系统综合性能最好,平均绝对误差为1.755,均方误差为1.932,均方根误差为1.841,能够更为准确地对用户可能点击的图书进行预测,继而实现精准有效地向用户推荐满足其需求和喜好的图书;与微信APP成功对接后的图书馆微信公众号能够正常运行,微信平台信息采集系统性能良好,满足用户快速获取图书馆相关信息、提高图书馆信息服务质量的要求,具有一定参考价值。     

一种提高推荐多样性的概率选择模型

传统的推荐算法多以优化推荐列表的精确度为目标,而忽略了推荐算法的另一个重要指标——多样性。提出了一种新的提高推荐列表多样性的方法。该方法将列表生成步骤转换为N次概率选择过程,每次概率选择通过两个步骤完成:类型选择与项目选择。在类型选择中,引入项目的类型信息,根据用户对不同项目类型的喜好计算概率矩阵,并依照该概率矩阵选择一个类型;在项目选择中,根据项目的预测评分、项目的历史流行度、项目的推荐流行度3个因素重新计算项目的最终得分,选择得分最高的项目推荐给用户。通过阈值TR来调节多样性与精确度之间的折中。最后,通过对比实验证明了该方法的有效性。     

Modeling and broadening temporal user interest in personalized news recommendation

User profiling is an important step for solving the problem of personalized news recommendation. Traditional user profiling techniques often construct profiles of users based on static historical data accessed by users. However, due to the frequent updating of news repository, it is possible that a user’s fine-grained reading preference would evolve over time while his/her long-term interest remains stable. Therefore, it is imperative to reason on such preference evaluation for user profiling in news recommenders. Besides, in content-based news recommenders, a user’s preference tends to be stable due to the mechanism of selecting similar content-wise news articles with respect to the user’s profile. To activate users’ reading motivations, a successful recommender needs to introduce “somewhat novel” articles to users.In this paper, we initially provide an experimental study on the evolution of user interests in real-world news recommender systems, and then propose a novel recommendation approach, in which the long-term and short-term reading preferences of users are seamlessly integrated when recommending news items. Given a hierarchy of newly-published news articles, news groups that a user might prefer are differentiated using the long-term profile, and then in each selected news group, a list of news items are chosen as the recommended candidates based on the short-term user profile. We further propose to select news items from the user–item affinity graph using absorbing random walk model to increase the diversity of the recommended news list. Extensive empirical experiments on a collection of news data obtained from various popular news websites demonstrate the effectiveness of our method.     

融合项目偏差与用户偏好的推荐算法

针对协同过滤推荐中由于项目和用户间关联因素的相互影响而存在项目偏差和用户偏好的问题,提出一种融合项目偏差与用户偏好的推荐算法。先进行聚类处理,包括LDA主题建模生成项目簇和K-means聚类生成用户簇;再依次根据项目簇和用户簇的约束生成项目偏差分,同时以用户项目评分及项目类型为基础,经过概率转移得到用户偏好分;最后以项目簇内已有评分的均值为基础,对项目偏差分和用户偏好分进行线性加权生成预测评分。对比实验表明,新算法能够根据不同的近邻得到合理的推荐,提高推荐的准确度。     

Topic-tracking-based dynamic user modeling with TV recommendation applications

One of the challenging issues in TV recommendation applications based on implicit rating data is how to make robust recommendation for the users who irregularly watch TV programs and for the users who have their time-varying preferences on watching TV programs. To achieve the robust recommendation for such users, it is important to capture dynamic behaviors of user preference on watched TV programs over time. In this paper, we propose a topic tracking based dynamic user model (TDUM) that extends the previous multi-scale dynamic topic model (MDTM) by incorporating topic-tracking into dynamic user modeling. In the proposed TDUM, the prior of the current user preference is estimated as a weighted combination of the previously learned preferences of a TV user in multi-time spans where the optimal weight set is found in the sense of the evidence maximization of the Bayesian probability. So, the proposed TDUM supports the dynamics of public users’ preferences on TV programs for collaborative filtering based TV program recommendation and the highly ranked TV programs by similar watching taste user group (topic) can be traced with the same topic labels epoch by epoch. We also propose a rank model for TV program recommendation. In order to verify the effectiveness of the proposed TDUM and rank model, we use a real data set of the TV programs watched by 1,999 TV users for 7 months. The experiment results demonstrate that the proposed TDUM outperforms the Latent Dirichlet Allocation (LDA) model and the MDTM in log-likelihood for the topic modeling performance, and also shows its superiority compared to LDA, MDTM and Bayesian Personalized Rank Matrix Factorization (BPRMF) for TV program recommendation performance in terms of top-N precision-recall.     

基于位置簇的移动生活服务个性化推荐技术

当前的移动推荐系统只将位置信息作为推荐属性处理,弱化了其在推荐中所起的作用,更重要的是忽略了移动生活服务位置相关性和用户空间运动有界性特征。针对该问题,设计了基于位置簇的用户偏好表示模型和移动生活服务个性化推荐算法。该算法通过模糊聚类得到位置簇,使用遗忘因子调节用户在该位置簇对服务资源属性值的偏好,并且采用概率分布和信息熵理论计算属性权重,按位置簇对用户偏好和服务资源进行匹配得到top-N推荐集。由于位置簇的定义,使得算法给出与用户偏好相似度较高的服务资源。案例分析结果符合这一结论,从而验证了算法的有效性和精确性。     

基于用户评论的动态方面注意力电商推荐深度学习模型

为了提供个性化推荐,推荐系统会将用户和物品分别表达为用户偏好向量和物品特征向量。物品特征向量中不同维度分别对应物品不同的特征。用户偏好向量中各维度表示用户对物品对应维度(特征)的喜好程度。目前大部分的推荐算法都假设为对于不同物品、同一用户的偏好向量是相同的。然而在现实生活中,该假设是不成立的。为此,提出一种结合注意力机制的深度学习模型,其能根据不同的用户-物品对,相应地学习到一个注意力权重向量,最终达到动态调整用户偏好向量的目的。在3组公开数据集上进行对比实验,以预测评分的均方误差(MSE)作为评估指标,实验结果表明该方法比已有的相关算法的效果更好。     

移动P2P文件共享系统中基于用户偏好的激励机制

提出一种基于用户偏好的激励机制,鼓励用户通过提供共享文件和转发操作为系统做出贡献。IMBPC结合了虚拟价格机制和预期文件传输延时,基于用户对价格和延时的偏好度来选择最合适的节点进行文件下载。通过设置模拟实同仅通过虚拟价格机制来激励用户做出贡献的策略进行比较,显示应用IMBPC策略的系统,节点的贡献积极性明显增加。     

基于TF-IQF模型的查询建议

基于TF-IQF模型的建议方法不考虑用户查询行为的上下文,在满足用户个性化需求方面存在缺陷。针对这一情况,在该方法的基础上进行优化改进,根据不同用户的查询上下文来分析用户的查询偏好,重新排序系统推荐的查询。实验结果表明,改进方法能够给出个性化的查询建议,提高用户查询的满意度。     

Reciprocal Recommender Systems: Analysis of state-of-art literature,challenges and opportunities towards social recommendation

There exist situations of decision-making under information overload in the Internet, where people have an overwhelming number of available options to choose from, e.g. products to buy in an e-commerce site, or restaurants to visit in a large city. Recommender systems arose as a data-driven personalized decision support tool to assist users in these situations: they are able to process user-related data, filtering and recommending items based on the user’s preferences, needs and/or behavior. Unlike most conventional recommender approaches where items are inanimate entities recommended to the users and success is solely determined upon the end user’s reaction to the recommendation(s) received, in a Reciprocal Recommender System (RRS) users become the item being recommended to other users. Hence, both the end user and the user being recommended should accept the “matching” recommendation to yield a successful RRS performance. The operation of an RRS entails not only predicting accurate preference estimates upon user interaction data as classical recommenders do, but also calculating mutual compatibility between (pairs of) users, typically by applying fusion processes on unilateral user-to-user preference information. This paper presents a snapshot-style analysis of the extant literature that summarizes the state-of-the-art RRS research to date, focusing on the algorithms, fusion processes and fundamental characteristics of RRS, both inherited from conventional user-to-item recommendation models and those inherent to this emerging family of approaches. Representative RRS models are likewise highlighted. Following this, we discuss the challenges and opportunities for future research on RRSs, with special focus on (i) fusion strategies to account for reciprocity and (ii) emerging application domains related to social recommendation.     

基于近邻用户评论的推荐辅助网络

评论数据存在稀疏问题,不足以支撑学习出更全面的用户偏好。针对评论稀疏问题进行了研究,并提出一种应对评论稀疏的“即插即用”辅助网络（NRSN）,其能与不同的模型进行结合,以添加辅助信息的方式,来重新调整当前模型输出的用户偏好向量。首先根据目标用户,使用aspect-attention机制从其近邻用户评论中学习出近邻用户的偏好,然后采用co-attention机制将近邻用户和目标用户进行契合度匹配,调整出目标用户新的偏好向量。在三组公开数据集下的实验结果表明,NRSN不仅能提高所结合模型的推荐性能,且能有效应对“冷启动”场景下的评论稀疏问题。     

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。