结合项目相似度的协同过滤算法

传统的协同过滤算法因为数据集稀疏性的增加而导致推荐准确性降低。针对该问题提出一种结合项目相似度的协同过滤推荐算法。首先计算项目之间的相似度,然后根据项目之间相似度,预测用户未评分项目评分估值,以减小目标用户与候选最近邻居所形成的数据集稀疏性,最后根据用户相似度获得项目推荐集。实验结果表明,该算法能提高寻找最近邻居的准确性,从而改善协同过滤的推荐质量。     

Tell Me Who I Am: An Interactive Recommendation System

We consider a model of recommendation systems, where each member from a given set of players has a binary preference to each element in a given set of objects: intuitively, each player either likes or dislikes each object. However, the players do not know their preferences. To find his preference of an object, a player may probe it, but each probe incurs unit cost. The goal of the players is to learn their complete preference vector (approximately) while incurring minimal cost. This is possible if many players have similar preference vectors: such a set of players with similar “taste” may split the cost of probing all objects among them, and share the results of their probes by posting them on a public billboard. The problem is that players do not know a priori whose taste is close to theirs. In this paper we present a distributed randomized peer-to-peer algorithm in which each player outputs a vector which is close to the best possible approximation of the player’s real preference vector after a polylogarithmic number of rounds. The algorithm works under adversarial preferences. Previous algorithms either made severely limiting assumptions on the structure of the preference vectors, or had polynomial overhead. Research of N. Alon supported in part by the Israel Science Foundation and by the Von Neumann Fund. B. Awerbuch supported by NSF grants ANIR-0240551, CCF-0515080 and CCR-0311795. Research of Y. Azar supported in part by the German-Israeli Foundation and by the Israel Science Foundation. Research of B. Patt-Shamir supported in part by Israel Ministry of Science and Technology and by the Israel Science Foundation (grant 664/05).     

基于改进用户兴趣模型的个性化图书推荐算法

为了有效提高推荐算法的精确度,提出了一种适用于个性化图书推荐的改进隐含狄利克雷分配(Latent Dirichlet Allocation,LDA)用户兴趣模型。首先在借阅者-借阅者评分矩阵的基础上,通过增加借阅者特征信息相似度计算和借阅者-图书属性相似度计算,对图书内容相似度计算方法进行了改进。然后采用LDA主题挖掘模型来实现个性化图书推荐,并给出了相应的参数估计过程。实验结果显示:相比传统算法,提出的算法具有较高的准确度,能有效对图书进行挖掘,为借阅者推荐个性化和潜在感兴的书籍。     

基于主题模型的个性化图书推荐算法

针对传统推荐算法精准度不高的问题,在潜在狄利克雷分布(LDA)主题挖掘模型的基础上提出了一种新的适用于图书推荐(BR)的数据挖掘模型——BR_LDA模型。通过对目标借阅者的历史借阅数据与其他图书数据进行内容相似度分析,得到与目标借阅者历史借阅图书内容相似度较高的其他图书。通过对目标借阅者的历史借阅数据及其他借阅者的历史借阅数据进行相似性分析,得到最近邻借阅者的历史借阅数据。通过求解图书被推荐的概率,最终得到目标借阅者潜在感兴趣的图书。特别地,当推荐数量为4000时,BR_LDA模型比基于多特征方法和关联规则方法精准度分别提高了6.2%、4.5%;当推荐数量为500时,BR_LDA模型比协同过滤的近邻方法和矩阵分解方法分别提高了2.1%、0.5%。实验表明本模型能够更准确地向目标借阅者推荐历史感兴趣类别的新图书及潜在感兴趣的新类别的图书。     

一种面向微博用户的标签推荐方法

首先对国内微博平台的信息进行了综合分析,主要介绍了微博信息的定义,在错综复杂的微博信息中哪些信息比较重要,以及这些微博信息包含哪些详细的内容,是如何组织的。然后选取新浪微博平台作为研究对象,利用新浪微博API设计了爬虫程序,抽取用户信息;以用户的关注人数、粉丝数和发布的微博数为标准对用户信息进行了定量分析。最后根据分析结果,针对不同特征的用户群体提出了相应的标签推荐方法。     

高集成度H.261全数字化视频编解码系统的设计

介绍一个自行设计和研制的基于Ｈ．２６１的全数字化视频编解码系统。该系统采用了视频专用芯片、中规模ＰＬＤ芯片、虚拟缓存器控制策略，设计规模小，功能强，工作可靠，图象质量和视觉效果优良，可以方便地应用于数字视频领域中的各种场合。     

编制山地城市控制性详细规划的思考

沿袭平原地区的城市控制性详细规划空间布局模式和技术指标,使山地城市建设难以因地制宜的适应多样化环境的要求,其自身原有的鲜明个性和地方风韵也逐渐淡化和消失.为了寻求山地城市建设发展的规律性与特殊性,避免出现山地城市"平原化"的倾向,作者根据多年在山区工作的经验和体会,对山地城市控制性详细规划的编制内容和技术路线、存在问题...     

融合深度情感分析和评分矩阵的推荐模型

目前,大多数推荐系统都具有评分数据稀疏性的问题,它会限制模型的有效性。而用户对于某件商品撰写的评论中隐含了很多信息,对评论文本进行情感分析并提取关键的因素来用于模型的学习,可以有效地缓解数据稀疏问题,但仅使用评论数据而忽略了评分数据的主要因素会影响推荐精度。对此,为了进一步提高推荐精度,该文提出一个评论文本和评分矩阵交互(RTRM)的深度模型,该模型能够提取评论文本和评分矩阵的深层次特征,并结合它们进行评分预测;其次,通过使用预训练的Electra模型得到每条评论的隐表达,并结合深度情感分析及注意力机制实现从上下文语义层面对评论文本的分析,解决了短文本的语义难以分析的问题;同时,在融合层模块中,用户(物品)评论和评分矩阵进行交互,最终预测出用户对商品的评分;最后,在6组数据集上,采用均方误差(MSE)进行性能对比实验,实验结果表明该文模型性能优于其他系统,且平均预测误差最大降低了12.821%,该模型适用于向用户推荐精确的物品。     

基于商品目录的多层关联推荐算法

提出了一种多层关联推荐算法,结合商品目录,自动快速选择最佳的匹配粒度,进行基于频繁集的在线推荐。实验结果表明,算法大大提高了在线匹配的性能和质量,可成功应用到电子商务的个性化服务中。