融合隐含信任度和项目关联度的矩阵分解推荐算法

随着社交网络的发展,融合社交信息的推荐系统在一定程度上解决了协同过滤推荐系统的冷启动和数据稀疏等问题,但是在信任数据稀疏情况下,仍会造成推荐精度降低等问题。为此,提出了一种融合隐含信任度和项目关联度的矩阵分解推荐算法。首先,利用矩阵分解模型将信任数据进行分解,得到用户的潜在被信任矩阵,在此基础上引入用户的影响力,从而提出了基于隐含信任度的推荐模型;然后,为了更好的利用项目间的关联信息,反映项目间的有向性,提出了基于项目关联度的推荐模型;最后,综合两种推荐模型并构建了一种推荐算法TCRMF。实验结果表明,所提算法在评分数据和信任数据稀疏的情况下仍然可以有效地提高推荐算法的精度,具有良好的应用前景。     

融合信任度的神经网络推荐算法

传统神经网络协同过滤算法存在建模复杂、训练效率不高、数据稀疏的问题,导致推荐精度较低。通过度量用户间的信任关系的强弱来丰富现有的稀疏数据集,添加社交信任这一特征属性提高推荐算法的相关性能,针对项目上下文信息的神经网络协同过滤算法(IFE-NCF)提出一种融合信任度与注意力机制的神经网络推荐算法T-NAMF。该算法将用户-用户之间的信任度值加入到特征向量中并且在神经网络模型中加入注意力机制,增大关键隐式反馈信息的权重,用来缓解社交网络中大量数据信息缺失的问题。在MovieLens-1m和Pinterest-20两个数据集上的实验测试表明,T-NAMF算法与部分基于NCF的经典算法相比,在推荐效果上有明显提升。     

结合重要节点信任传播的社会化推荐算法

融合社交信息的推荐算法有效缓解了推荐算法中的数据稀疏性问题和冷启动问题,近年来受到极大的关注。但社交信息依然存在数据稀疏性问题,而且社交网络提供的二值数据无法衡量不同用户间的信任程度。针对这些问题,利用重启随机游走算法获取社交网络中的重要节点。提出重要节点信任传播算法建立重要节点和其他用户节点之间的信任关系,同时利用节点的结构信息进一步量化用户间的信任权重,以得到更精确的推荐结果。在三个公开数据集上的实验表明,结合重要节点信任传播的社会化推荐算法（INTP-Rec）丰富了社交信息,有效地提高了推荐算法的准确率和召回率。     

基于图嵌入模型的协同过滤推荐算法

传统协同过滤算法存在严重的数据稀疏和冷启动问题。利用社交网络中的丰富信息为解决传统协同过滤算法的数据稀疏和冷启动带来了契机。然而,传统基于社交网络的协同过滤算法仅利用粗粒度、稀疏的用户信任关系来改进传统协同过滤算法,即用0或1表示用户之间信任程度。另外,传统基于社交网络推荐算法仅仅集成用户之间显式信任关系,而忽略用户之间隐式的信任关系。本文提出一种基于图嵌入模型的协同过滤推荐算法,即利用图嵌入模型技术学习社交网络中用户的低维特征表示,并根据用户的低维特征表示推导用户之间细粒度的信任关系。最后,根据信任用户和相似用户对目标物品的评分权重预测用户对目标物品的评分。在真实数据集上的实验结果表明,基于图嵌入模型的协同过滤算法的性能优于传统的协同过滤算法。     

结合异构关系增强图神经网络的社交推荐

社交推荐旨在利用用户的社会属性推荐潜在的感兴趣项目,有效缓解了数据稀疏性和冷启动问题。然而现有的社交推荐算法主要面向单一社交关系进行研究,社会属性难以充分参与计算,存在未能合理利用社会异构关系和节点特征表示质量不高的问题,为此提出一种结合异构关系增强图神经网络的社交推荐模型（HR-GNN）。HR-GNN利用图卷积网络（GCN）聚合用户和项目节点信息,生成查询嵌入以查询节点信息;通过将抽样概率与邻居节点之间的一致性分数相结合的邻居抽样策略挖掘社会异构关系;用自注意力机制聚合节点信息以提高用户和项目特征表示的质量。在两个真实数据集上进行的实验结果表明,所提算法在平均绝对误差（MAE）和均方根误差（RMSE）两个指标上相较于基准算法均有明显改进,在Ciao数据集上它们分别至少降低了1.80%和1.35%,在Epinions数据集上则分别至少降低了2.80%和3.18%,验证了HR-GNN的有效性。     

结合概率矩阵分解的混合型推荐算法

针对社交网络推荐系统中存在的数据稀疏、冷启动等问题,提出了一种结合特征传递和概率矩阵分解（TPMF）的社交网络混合型推荐算法。以概率矩阵因式分解（PMF）方法作为推荐框架,不仅考虑了用户信任网络,还结合推荐项目之间的关联关系、用户项目评分矩阵和自适应权重来权衡个人潜在特征和社交潜在特征对用户的影响程度。将社交网络中用户间的信任特征传递引入推荐系统中作为推荐的有效依据。实验结果表明,与基于用户的协同过滤（UBCF）、TidalTrust、PMF和SoRec算法相比,TPMF的平均绝对误差（MAE）直接相减后降低了4.1%到20.8%,均方根误差（RMSE）降低了3.3%到18.5%。在冷启动问题中,与上述四种算法相比,TPMF的平均绝对误差相减后降低了1.6%到14.7%,均方根误差降低了约1.2%到9.7%,能有效缓解冷启动问题,提高算法的鲁棒性。     

基于社交信任的概率矩阵因子分解推荐算法

针对评分矩阵和信任矩阵的稀疏性以及推荐精度不高等问题，提出基于社交信任的概率矩阵因子分解推荐算法PMFTrustSVD。该文采用概率矩阵分解算法对信任矩阵进行分解，分别获得用户作为信任者和被信任者的潜在社交偏好；根据用户在作为信任者或被信任者时的偏好不同，将TrustSVD算法中的无向信任矩阵修正为有向矩阵；融合两种算法来预测用户的评分矩阵。在FilmTrust数据集上实验结果表明，该算法优于现有基准算法，能有效缓解用户信任矩阵稀疏的问题并提高推荐精度。     

融合交互强度的优化社交推荐算法

针对现有社交化推荐算法忽视了评级数据与社交信息之间关联的探索,提出了一种融合交互强度的优化社交推荐算法。首先,利用社交信息和评级数据结合两种相似度丰富社交矩阵;接着,定义用户间交互强度代表用户间复杂关系;最后,利用交互强度与社交关系之间的关联以及用户潜在特征与用户群体参与特征的关联构建新的目标函数,学习用户和项目的潜在特征,实现个性化推荐。在三个真实数据集上进行实验,与基线模型相比,提出的算法在推荐预测精度上有显著提升,且在对不同评级数量的用户进行潜在特征学习时,表现出良好的鲁棒性。综上,融合交互强度可以进一步提升社交化推荐算法性能,增强用户体验感。     

基于社交网络能量扩散的协同过滤推荐算法

针对数据稀疏导致推荐系统精确度较低的问题,结合社交网络中丰富的社会化信息及能量扩散在数据稀疏问题上的优良表现,文中提出基于社交网络能量扩散的协同过滤推荐算法.首先利用用户-物品评分矩阵和信任关系具有的传递性计算用户之间信任强度值.再利用社交网络结合用户-物品二分网络,得到物品资源值.最后利用协同过滤方法进行预测评分.在真实数据集上的实验表明,文中算法缓解数据稀疏性,可解决推荐精确度较低的问题.     

融合语义信息与注意力的图神经网络推荐算法

基于图神经网络的推荐算法通过从图中获取知识生成节点的特征表示,提高了推荐结果的可解释性.然而,随着推荐系统原始数据规模的不断扩大,大量包含语义信息的文本数据没有得到有效利用.同时图神经网络在融合图中邻居信息时没有区分关键节点,使得模型难以学习到高质量的实体特征,进而导致推荐质量下降.本文将图神经网络与语义模型相结合,提出一种融合语义信息与注意力的图神经网络推荐算法.该算法基于SpanBERT语义模型处理实体相关的文本信息,生成包含语义信息的特征嵌入,并将注意力机制引入到基于用户社交关系以及用户-项目交互的影响传播融合过程中,从而实现用户和项目两类实体特征的有效更新.在公开数据集上的对比实验结果表明,本文所提出的方法较现有基准方法在各项指标上均有所提升.     

Trust-aware recommendation based on heterogeneous multi-relational graphs fusion

Users’ trust relations have a significant influence on their choice towards different products. However, few recommendation or prediction algorithms both consider users’ social trust relations and item-related knowledge, which makes them difficult to cope with cold start and the data sparsity problems. In this paper, we propose a novel trust-ware recommendation method based on heterogeneous multi-relational graphs fusion, termed as T-MRGF. In contrast with other traditional methods, it fuses the user-related and item-related graphs with the user–item interaction graph and fully utilizes the high-level connections existing in heterogeneous graphs. Specifically, we first establish the user–user trust relation graph, user–item interaction graph and item–item knowledge graph, and the user feature and item feature, which have been obtained from the user–item graph, are used as the input of the user-related graph and the item-related graph respectively. The fusion is achieved through the cascade of feature vectors before and after feature propagation. In this way, the heterogeneous multi-relational graphs are fused for the feature propagation, which largely refines the user and item representation for model prediction. Simulation results show that the proposed method significantly improve the recommendation performance compared to the state-of-the-art KG-based algorithms both in accuracy and training efficiency.     

Multi-affect(ed): improving recommendation with similarity-enhanced user reliability and influence propagation

Traditional recommendation algorithms predict the latent interest of an active user by collecting rating information from other similar users or items. Recently, more and more recommendation systems attempt to involve social relations to improve recommendation performance. However, the existing works either leave out the user reliability or cannot capture the correlation between two users who are similar but not socially connected. Besides, they also take the trust value between users either 0 or 1, thus degenerating the prediction accuracy. In this paper, we propose an efficient social affect model, multiaffect(ed), for recommendation via incorporating both users’ reliability and influence propagation. Specifically, the model contains two main components, i.e., computation of user reliability and influence propagation, designing of user-shared feature space. Firstly, a reliability calculation strategy based on user similarity is developed for measuring the recommendation accuracy between users. Then, the factor of influence propagation relationship among users is taken into consideration. Finally, the multi-affect(ed) model is developed with user-shared feature space to generate the predicted ratings.     

基于用户潜在兴趣的知识感知传播推荐算法

知识图谱引入推荐系统可以利用知识图谱实体之间的语义关系学习用户及项目表示。基于嵌入传播的方法利用知识图谱的图结构学习相关特征,但随着传播范围增加,多跳实体间的语义相关性减小。为有效提升推荐语义表达能力并提高推荐准确度,提出基于用户潜在兴趣的知识感知传播推荐模型,该模型采用异构传播方式传播项目关联知识并迭代学习用户的潜在兴趣,以此增强模型对用户与项目的表示能力。具体地,首先图嵌入层生成用户与项目的初始化表示,随后在异构传播层中采用知识感知注意力机制区分同一层中实体之间的重要性,更精确生成目标实体的表示。随后通过用户潜在兴趣传播学习用户的高阶潜在兴趣,增强多跳实体语义相关性。最后在预测层中使用信息衰减因子区分不同传播层次的重要性,生成用户及项目的最终表示。实验表明,该模型在Last. FM与Book-Crossing两个公开数据集上AUC值相较于最先进的基线提升了2.25%与4.71%,F1值分别提升3.05%和1.20%,recall@K值均优于对比的基线模型,提出的模型能有效提高推荐准确度。     

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.     

Collaborative filtering and deep learning based recommendation system for cold start items

Recommender system is a specific type of intelligent systems, which exploits historical user ratings on items and/or auxiliary information to make recommendations on items to the users. It plays a critical role in a wide range of online shopping, e-commercial services and social networking applications. Collaborative filtering (CF) is the most popular approaches used for recommender systems, but it suffers from complete cold start (CCS) problem where no rating record are available and incomplete cold start (ICS) problem where only a small number of rating records are available for some new items or users in the system. In this paper, we propose two recommendation models to solve the CCS and ICS problems for new items, which are based on a framework of tightly coupled CF approach and deep learning neural network. A specific deep neural network SADE is used to extract the content features of the items. The state of the art CF model, timeSVD++, which models and utilizes temporal dynamics of user preferences and item features, is modified to take the content features into prediction of ratings for cold start items. Extensive experiments on a large Netflix rating dataset of movies are performed, which show that our proposed recommendation models largely outperform the baseline models for rating prediction of cold start items. The two proposed recommendation models are also evaluated and compared on ICS items, and a flexible scheme of model retraining and switching is proposed to deal with the transition of items from cold start to non-cold start status. The experiment results on Netflix movie recommendation show the tight coupling of CF approach and deep learning neural network is feasible and very effective for cold start item recommendation. The design is general and can be applied to many other recommender systems for online shopping and social networking applications. The solution of cold start item problem can largely improve user experience and trust of recommender systems, and effectively promote cold start items.     

基于知识图谱的用户偏好神经建模框架

针对目前基于特征和基于路径的知识图谱感知推荐方法的不足,文中提出端到端的将知识图谱引入推荐系统的用户偏好神经建模框架(NUPM).该框架以用户在知识图谱中的历史访问项目为偏好起点,通过知识图谱中实体间的关系链接传播用户偏好,学习用户的潜在偏好,同时使用注意力网络融合各传播阶段偏好特征以构建最终的用户偏好向量.在真实数据集上的对比实验表明文中框架在个性化推荐中对用户偏好刻画的有效性.     

联合学习用户端和项目端知识图谱的个性化推荐

如何在已有的用户行为和辅助信息的基础上准确建模用户的偏好非常重要。在各种辅助信息中,知识图谱(Know-ledge Graph,KG)作为一种新型辅助信息,其节点和边包含了丰富的结构信息和语义信息,近年来受到了越来越多研究者的关注。大量研究表明,在个性化推荐中引入知识图谱可以有效地提高推荐的性能,并增强推荐的合理性和可解释性。然而,现有的方法要么是在KG上探索每个用户-项目交互对(user-item)的独立子路径,要么使用图表示学习的方法在KG中分别学习目标用户(user)或项目(item)的表示,虽然都取得了一定的效果,但是前者没有充分捕获用户-项目(user-item)在KG上的结构信息,后者在产生嵌入(embedding)表示的过程中忽略了user和item的相互影响。为了弥补上述方法的不足,提出了一种联合学习用户端和项目端知识图谱(User-end and Item-end Knowledge Graph,UIKG)的新模型。该模型通过挖掘用户和项目在各自KG中的关联属性信息,并通过联合学习有效地捕获用户的个性化偏好与项目之间的关联性。具体的操作步骤是,利用基于图卷积神经网络的方法从用户知识图谱中学习用户表示向量,再将用户表示向量引入项目知识图谱中联合学习得到项目表示向量,实现用户端KG和项目端KG的无缝统一,最后通过多层感知器进行偏好预测,得到用户对项目的偏好概率,从而更有效地挖掘KG中的高阶结构信息和语义信息来捕获用户的个性化偏好。在公开数据集上的实验结果表明,与基线方法相比,UIKG在Recall@K指标上提高了2.5%~13.6%,在AUC和F1指标上提高了0.4%~5.8%。     

基于多维特征交叉的深度协同过滤算法

基于深度学习的推荐算法最初以用户和物品的ID信息作为输入,但是ID无法很好地表现用户与物品的特征。在原始数据中,用户对物品的评分数据在一定程度上能表现出用户和物品的特征,但是未考虑用户的评分偏好以及物品的热门程度。在评分任务中使用隐式反馈和ID信息作为用户与物品的特征,在消除用户主观性对特征造成的噪声的同时在一定程度上缓解冷启动问题,利用单层神经网络对原始高维稀疏特征降维,使用特征交叉得到用户与物品的低阶交互,再利用神经网络捕获用户与物品的高阶交互,有效提取了特征间的高低阶交互。在四个公开数据集上的实验表明,该算法能有效提高推荐精度。