基于混合图的在线社交网络个性化推荐系统研究

文章提出一种基于混合图的在线社交网络个性化推荐系统,将用户社会关系网络和社会化行为融入信息推荐.该系统包括模型构建、推荐流程和算法设计三部分.首先构建了用户资源混合图,并讨论了混合图的构建方法及权重设置,再在构建的混合图上采用重启动随机游走进行顶点间相似度计算,得到个性化推荐列表,进行推荐.     

网络动态干扰监控的信任感知推荐算法设计

网络用户信任感知推荐的准确性设计是提高用户间的社交网络辅助信息信任度的重要依据。传统的网络用户信任感知推荐算法采用的是基于社交网络服务和用户评分的推荐系统,主观性较大,协同过滤效果不好。提出一种基于网络动态干扰监控的信任感知推荐算法设计新方法,设计自适应神经模糊系统网络动态干扰监测算法,构建基于向量空间模型的信任度评价指标体系结构,通过调整网络拓扑权重向量设置信任度周期响应加权变量自适应函数,有效降低迭代算法的运算成本,避免了自适应神经模糊系统网络动态干扰监测加权权重成固化状态,提高抗干扰性能。实验结果表明,算法能使社交网络感知推荐模型的预测误差减少,推荐可靠性优于传统方法。     

基于用户兴趣融合的协同过滤推荐算法

协同过滤推荐算法已成功应用在各类门户网站,越来越多的研究者参与其中,然而在协同过滤推荐过程中用户—项目评分矩阵数据稀疏性以及推荐的准确性低等问题,始终制约着该算法的发展。为此,从用户兴趣角度出发,单独构建情景用户兴趣模型及社交网络用户兴趣模型,再通过Logit Boost算法将2个兴趣模型融合得到准确的用户兴趣模型。Slope One算法填充用户—项目评分矩阵,解决用户—项目评分矩阵数据稀疏性问题;同时,通过用户兴趣模型计算目标用户的最近邻居用户,通过计算用户相似性,得到推荐集来提高协同过滤推荐算法的推荐准确度。     

基于约束校对的协同过滤推荐算法

根据用户的个性化需求进行网络信息推荐,在电子商务商品推荐和网络信息推送中具有应用价值。本文针对传统的语义关键词推荐方法的指向性精度不高的问题,提出一种基于协同过滤融合和个性化特征约束校对的信息推荐算法,首先构建P2P网络模型下的信息传输模型,对用户的个性化需求信息进行信息融合和语义信息素特征提取,然后采用自相关匹配滤波方法进行信息融合和滤波,实现对个性化特征的协同过滤和信息推荐,最后通过仿真实现进行性能测试。仿真结果表明,采用该算法进行信息推荐的数据召回率和配准度较高,耗时较短,实现个性化信息定制和推荐。     

社会化推荐中基于对分网络的用户偏好预测

本文首先阐述了对分网络算法在社会化推荐中的应用,然后分析了社会化推荐的运作机理,构建了社会化推荐模型,最后从相似用户集构建、基于对分网络的用户偏好预测和算法评价3个方面,进行了基于对分网络的用户偏好预测实现研究。评价表明对分网络方法对用户偏好预测的效果较好。     

迁移学习优化TB算法的个性化推荐模型

针对标准Trada Boost算法在个性化推荐的应用中还存在精度不高的问题,本文提出了一种基于迁移学习优化Trada Boost算法的个性化推荐模型。首先采用迁移学习对Trada Boost算法的类簇进行平滑处理,即使用聚类算法对用户—项目评分数据进行预处理,并产生预选最近邻用户,接着使用基于内存的协同过滤算法在聚类结果数据上对评分数据进行平滑,最后采用改进的Trada Boost算法构建个性化推荐模型。通过仿真实验表明,本文提出的改进算法相比较目前常用的算法具有更高的个性化推荐精度。     

基于标签的商品推荐系统的设计

我国网络平台迅速发展,传统的用户搜索模式已经不能完全满足发展的需要,商品推荐系统的提出弥补了主动搜索的不足。目前流行的推荐算法主要是基于内容、基于用户或者关联算法等。本文基于历史数据针提出了一个基于KNN思想的算法。该算法采用分类的方法把新老用户进行分类,对用户和商品进行关联,从而实现各类型用户的主动推荐,弥补了搜索算法的不足。     

基于Lyapunov协同权重的信任度评价渐进控制模型

由于网络用户数据呈现渐进性非线性特征分离,导致对网络用户的信任度评价控制不准,无法有效实现对用户的准确推荐。提出一种基于Lyapunov协同权重控制的电子商务用户信任度评价渐进控制模型,将未知扰动和语义建模误差转化为满足给定信任评价的约束矩阵,完成用户信任网络控制器设计,采用Lyapunov指数系统感知策略,对用户信任权重值进行自适应调整,构建用户推荐模型构建与网络信任度控制模型,设计用户信任权重值协同感知算法,基于Lyapunov协同权重的电子商务用户信任度评价渐进控制模型改进设计。实验结果表明,该算法实现电子商务用户信任度渐进控制,控制精度较高,地域的分布特性也更加均衡,真实反映电子商务用户信任度评价的动态性、自适应性和稳健性特征,展示了较好的应用性能。     

Taste环境下基于对分网络的社会化推荐引擎构建

协同推荐中相似度计算方法和用户兴趣预测方法的选择,是推荐性能优劣的关键。本文首先分析了社会化推荐的运作机理,构建了基于Taste的社会化推荐模型,阐述了模型实现的关键方法,在此基础上,探讨了Taste环境下基于对分网络推荐算法的社会化推荐引擎构建方法,并利用电影数据进行了实现研究,表明基于对分网络的社会化推荐具有较好的性能。     

基于概率矩阵分解的社交网络推荐算法研究

推荐系统已经成为人们在网上寻找自己所需信息的常用工具之一。基于社交网络的推荐方法能够解决传统推荐算法存在的问题,例如新用户的冷启动问题。本文提出了一种基于矩阵分解的并且可以应用于社交网络的新模型。该模型将信任传播机制融入模型中,并使用Epinions.com数据集进行实验。试验结果表明,基于社交网络的新模型在推荐准确度方面相较于传统模型,针对评分较少的新用户所存在的冷启动问题有较好的解决。     

融合用户社交与情境信息的虚拟知识社区个性化知识推荐研究

[目的/意义]通过融合用户社交与情境信息,构建虚拟知识社区个性化知识推荐模型并开展个性化知识推荐算法的设计,能够在一定程度上完善虚拟知识社区个性化知识推荐方法的理论体系,具有一定的理论价值和应用价值。[方法/过程]首先构建出基于用户社交与情境信息的虚拟知识社区个性化知识推荐模型,然后利用改进的最大团算法设计出虚拟知识社区个性化知识推荐算法,最后通过选取某虚拟知识社区的用户数据进行实例分析实现精准的个性化知识推荐。[结果/结论]在利用融合用户社交与情境信息进行虚拟知识社区个性化知识推荐过程中,通过对某虚拟知识社区的实例分析,表明其个性化知识推荐结果的精准度得到了显著的提升。     

基于云填充和蚁群聚类的协同过滤图书推荐算法

针对传统协同过滤技术在图书推荐中效率不高、数据极端稀疏性及主观性强等问题,提出一种基于云填充和蚁群聚类的协同过滤图书推荐方法,首先根据蚁群聚类算法得到用户群分类,然后在进行协同过滤前预先通过云模型填充用户——项目矩阵,以降低数据的稀疏性。实验结果表明,该算法在推荐精度上有明显的提高。     

基于社会化标注的用户兴趣发现及个性化推荐研究

基于标签的个性化推荐应用越来越普遍,但是标签带有的语义模糊、时序动态性等问题影响着个性化推荐质量,现有研究仅从数量和结构上考虑用户与标签的关系。基于社会化标注系统的个性化推荐首先对融合社会关系的标签进行潜在语义主题挖掘,然后构建多层、多维度用户兴趣模型,提出模型更新策略,最后实现个性化推荐。采集CiteUlike站点数据进行实验分析,结果表明改进算法比传统算法更准确表达用户兴趣偏好,有效提高了个性化推荐准确率。     

基于梯度提升决策树的情境感知推荐模型

[目的/意义]旨在深入研究情境信息对用户偏好的影响,提高情境感知推荐的准确性。[方法/过程]提出了基于梯度提升决策树的情境感知推荐模型,根据梯度提升决策树计算情境属性权重,将其与传统协同过滤算法相融合,生成情境感知推荐结果。[结果/结论]该模型可以识别影响用户偏好的重要情景属性,为用户提供个性化推荐服务。     

基于标签聚类与用户模型的个性化推荐方法研究

社会标签系统是Web2.0中提出的概念,旨在更好地表达用户的兴趣和意愿。而标签聚类是社会标签系统的个性化推荐中一个重要的研究课题。本文研究了如何基于标签聚类与用户模型来进行个性化推荐的方法。通过计算标签的相似度进行标签聚类,结合用户模型,根据标签聚类结果做出推荐。通过采用CiteULike公布的数据集进行实验证明,与未采用标签聚类的推荐方法相比,本方法不仅可提高推荐的命中率,优化目标资源的排名,而且能为用户发现更多新的感兴趣的资源。     

基于改进LDA-FCM的UserCF知识推荐研究

针对传统知识推荐算法存在的语义缺失和精准性低问题,本文提出一种基于改进LDA-FCM的知识推荐算法。首先获取用户知识文档,采用主题优化的LDA模型挖掘用户知识主题。继而通过FCM算法将用户聚类,缩小相似度计算的遍历范围,并采用JS散度代替欧氏距离,实现FCM对象到用户的转换。最后基于UserCF算法构建用户对知识的兴趣指数并进行TOP-N推荐。爬取中国知网500篇期刊论文实测发现：与传统UserCF算法相比,改进算法的准确率、召回率和F1值分别提高了28.17%、59.62%、53.88%。     

基于细粒度语义实体的学术论文推荐研究

【目的/意义】为帮助科研用户快速准确地找到与自身研究兴趣相关的学术论文,构建了基于细粒度语义实 体的学术论文推荐模型。【方法/过程】将实验前期识别出的研究主题、研究对象和理论技术类语义实体作为学术论 文和核心作者的内容特征,分别利用TF-IDF算法、TextRank算法和LDA模型得到学术论文和核心作者的特征词, 利用Word2vec对特征词进行向量化,再计算核心作者和学术论文的余弦相似度,将余弦相似度值靠前的Top20推 荐给作者。【结果/结论】利用准确率、召回率和F值对基于三种算法得到的特征词生成的推荐结果进行比较评价,结 果表明,基于TF-IDF算法得到的特征词生成的推荐效果最佳,并对推荐结果进行了实例展示,可以看出本文提出 的推荐模型能够更为全面地为科研用户推荐与其研究兴趣类似的学术论文,提高科研效率。【创新/局限】本文主要 是从学术论文的内容特征入手,对类型细分后的关键词利用不同算法进行核心作者特征词筛选,进而实现学术论 文推荐,但是对学术论文中包含的网络关系并未涉及。     

Graph neural news recommendation with long-term and short-term interest modeling

With the information explosion of news articles, personalized news recommendation has become important for users to quickly find news that they are interested in. Existing methods on news recommendation mainly include collaborative filtering methods which rely on direct user-item interactions and content based methods which characterize the content of user reading history. Although these methods have achieved good performances, they still suffer from data sparse problem, since most of them fail to extensively exploit high-order structure information (similar users tend to read similar news articles) in news recommendation systems. In this paper, we propose to build a heterogeneous graph to explicitly model the interactions among users, news and latent topics. The incorporated topic information would help indicate a user’s interest and alleviate the sparsity of user-item interactions. Then we take advantage of graph neural networks to learn user and news representations that encode high-order structure information by propagating embeddings over the graph. The learned user embeddings with complete historic user clicks capture the users’ long-term interests. We also consider a user’s short-term interest using the recent reading history with an attention based LSTM model. Experimental results on real-world datasets show that our proposed model significantly outperforms state-of-the-art methods on news recommendation.     

An impact of time and item influencer in collaborative filtering recommendations using graph-based model

Recommender Systems deal with the issue of overloading information by retrieving the most relevant sources in the wide range of web services. They help users by predicting their interests in many domains like e-government, social networks, e-commerce and entertainment. Collaborative Filtering (CF) is the most promising technique used in recommender systems to give suggestions based on liked-mind users’ preferences. Despite the widespread use of CF in providing personalized recommendation, this technique has problems including cold start, data sparsity and gray sheep. Eventually, these problems lead to the deterioration of the efficiency of CF. Most existing recommendation methods have been proposed to overcome the problems of CF. However, they fail to suggest the top-n recommendations based on the sequencing of the users’ priorities. In this research, to overcome the shortcomings of CF and current recommendation methods in ranking preference dataset, we have used a new graph-based structure to model the users’ priorities and capture the association between users and items. Users’ profiles are created based on their past and current interest. This is done because their interest can change with time. Our proposed algorithm keeps the preferred items of active user at the beginning of the recommendation list. This means these items come under top-n recommendations, which results in satisfaction among users. The experimental results demonstrate that our algorithm archives the significant improvement in comparison with CF and other proposed recommendation methods in terms of recall, precision, f-measure and MAP metrics using two benchmark datasets including MovieLens and Superstore.     

基于相似传播和情景聚类的网络协同过滤推荐算法研究

互联网时代,个性化推荐系统逐渐被应用到各个不同的领域,随之个性化推荐算法也成为目前研究的热点。然而,传统的推荐算法往往存在着冷启动、数据稀疏等问题。本文在对传统推荐算法研究的基础上,提出了一种基于相似传播和情景聚类的协同过滤推荐算法,根据计算用户间的情景相似度对用户进行聚类,然后根据相似传播原理找出目标用户更多的最近邻居,最后根据预测目标用户对项目的评分进行推荐。借助网上公共数据集在Matlab上实现了该算法并验证了算法的有效性。实验结果表明,本文所提算法的准确性相比传统算法有所提高,同时缓解了传统推荐算法存在的冷启动和数据稀疏性等问题。