基于新媒体平台的营销推荐算法机制研究

自媒体时代下由于媒介平台愈加复杂化和多样化,导致数据信息量级快速增长、社交网络结构越加稀疏,同时也存在着大量的异构化数据对现有语义模型产生了巨大的挑战,具体体现为用户冷启动和传统语义模型噪声问题。为解决这些问题设计了基于JPMC的时序推荐算法模型,JPMC模型通过建立隐式的社交网络关系,并通过网络表征学习来实现相同趋向用户的群体邻居选取,最后结合静态社交增强矩阵和动态感知的转移序列完成模型的优化。通过实验验证分析,提出的JPMC时序推荐算法模型比传统语义模型的性能在不同实验条件下提高了7%～60%,能够更有效地挖掘用户的长短时偏好,提高了基于社交网络的模型的推荐准确度。     

基于微博交互信息的社交网络推荐算法

微博作为近年来的热门社交网络平台,其用户行为、兴趣模型及个性化推荐深受国内外学者关注。针对微博社交网络的弱关系特点,结合用户实时交互信息与用户基本信息,提出一种综合考虑用户基本信息与用户交互信息的用户相似度计算方法;进而在UserCF算法的基础上,提出一种基于微博交互信息的推荐算法。该算法考虑了微博平台的弱连接关系特点,能有效针对微博类社交网络进行用户推荐。通过实际社交数据集实验证明,该算法具有良好的执行效率与推荐效果。     

基于社交网络的推荐系统研究

近年来,基于社交网络的推荐系统随着社交媒体和大数据的蓬勃发展,逐渐成为推荐系统重点研究方向。将社交网络用户社会化属性信息和评论内容与深度学习等技术结合,可有效解决传统推荐系统数据稀疏和冷启动等问题。首先回顾传统推荐系统常用方法,介绍社交网络推荐系统主要流程和基本框架,然后介绍最新相关研究方向和应用情况,最后对基于社交网络的推荐系统发展趋势进行分析与展望。     

融合地理位置与社交关系的兴趣点推荐算法

随着位置社交网络的快速增长,越来越多的人借助其分享他们的喜好和位置信息,利用这些信息的潜在规律和呈现出来的偏好特征能够有效地帮助用户发现他们真正感兴趣的地点。然而,用户历史记录数据存在着严重的稀疏性,导致推荐结果不准确。鉴于此,融合地理位置因素和用户社交关系,利用矩阵分解模型提出了一种兴趣点推荐(GSMF算法)。实验结果表明,与主流的兴趣点推荐算法相比,该方法在准确率和召回率等多项指标上均取得了更好的结果。     

基于改进蚁群算法的社交网络好友推荐算法

针对社交网络好友推荐算法的精确度问题,提出了一种基于改进蚁群算法的社交网络好友推荐算法,通过综合考虑用户属性和交互信息,计算用户间的相似度,来进行链路预测,建立社交网络二维图。在此基础上,采用改进蚁群算法,相似性值高的用户被推荐的可能性增大。仿真实验表明,该算法准确率和召回率性能较好。     

协同过滤算法应用于景点推荐研究

旅游电子商务与网络社交媒体发展导致旅游信息爆炸式增长,用户面临信息过载问题。为使用户快速获取并甄别信息,将传统协同过滤推荐算法应用于景点推荐,游客对景点评分构成评分矩阵,计算景点之间相似度,根据相似景点评分预测游客对目标景点评分。实验结果显示,景点预测评分平均绝对误差为0.696,Item-based景点推荐算法能根据游客偏好推荐景点。     

信息圈层化及其形成机制：基于ERGM的分析

以复杂网络为视角,将信息圈层化操作化为用户信息共同关注网络,通过日志法收集用户信息接触数据,采用指数随机图模型(ERGM)分析圈层化的形成机制。研究发现,用户信息共同关注网络密度较低,呈现圈层化趋势。用户属性(包括人口特征、媒介使用偏好)、既有社交关系和信息关注网络的自组织结构影响信息圈层化,其中网络自组织结构的影响远远大于其他要素,节点的点度中心性、聚集系数正向影响信息圈层化,但中介中心性负向影响信息圈层化。用户社交关系数量、社交关系强度的影响因信息关注网络中的自组织结构而弱化,进而并不影响信息圈层化,线上社交媒体使用不会促进信息圈层化。此外,算法推荐平台使用偏好、算法政治信息偏好不会导致信息圈层化。     

基于协同过滤的个性化推荐选课系统研究

针对高等学校学生选课系统中存在的缺乏个性化课程推荐、选课效率不高的问题,通过对个性化推荐技术的分析研究,提出了基于项目、用户及属性值矩阵的协同过滤算法,并把该算法应用到选课系统中,数据表明,算法解决了个性化推荐技术中的冷启动问题,相关指标有明显提高,实现了课程的个性化推荐和新课程的推荐。     

基于POI用户游戏Feeds Ads推荐系统设计与实现

Feeds Ads在社交网络广告推荐系统中的投放规模占比逐步增大,实现Feeds Ads精准推荐在学术研究和工业实现方面均极具意义.深入分析Feeds Ads投放原理,以推荐系统协同过滤算法为理论基础、以用户POI偏好数据相似度算法为核心,设计开发基于用户POI游戏Feeds Ads系统,经验证测试该系统具备个性化广告精准推荐功能.     

改进信任度的商品推荐算法研究

对于有个性化推荐需求的电子商务系统,传统协同过滤推荐算法对商品的用户项目矩阵构建比较单一,难以解决数据稀疏以及推荐结果精度较低等问题。为此,提出一种改进的基于信任度的协同过滤算法,根据用户历史行为,对用户项目评分矩阵进行细分量化,综合考虑用户间关系,引入信任因子维持用户信任关系中的非对称性,通过共同评分项计算用户评分信任度。最终融合信任度与信任因子,计算获得最佳邻居集并产生最终推荐列表。在淘宝官方UserBehavior数据集下进行实验,结果表明,该算法降低了推荐稀疏性,提高了推荐精度。     

改进预测评分矩阵的协同过滤算法

为解决传统协同过滤推荐算法数据稀疏、可扩展性差等问题,采用改进预测评分矩阵的协同过滤算法。首先使用基于线性回归分析的加权Slope One算法,在传统Slope One算法中加入可信度,提高共同评分基数;然后采用网上标准数据集movielens作为测试数据,结合协同过滤算法进行top-N推荐。实验结果表明,使用改进预测评分矩阵的协同过滤算法的MEA较小,在近邻数大于25时达到0.74,表明该算法改善了传统协同过滤算法数据稀疏、扩展性差问题,降低了推荐误差,提高了推荐系统准确度。     

一种双向聚类协同过滤推荐算法研究

针对传统协同过滤推荐算法在大数据环境下存在数据稀疏性及计算复杂性等问题,提出一种双向聚类协同过滤推荐算法。该算法首先从用户维度和项目维度两个方向分别进行属性聚类,然后在目标用户和目标项目所在类簇中分别使用改进后的相似度计算方法进行协同过滤推荐,最后通过平衡因子综合预测评分并形成最终推荐列表。在 MovieLens 公开数据集上进行实验,结果表明,该算法（DCF）相比传统协同过滤推荐算法（TCF）、基于用户聚类的协同过滤推荐算法（UCF）以及基于项目聚类的协同过滤推荐算法（ICF）,在平均绝对误差上分别降低了 16%、8.1%、7.5%,有效提高了推荐精度。     

CNN结合BLSTM的短文本情感倾向性分析

情感分析在业界被广泛应用于产品分析、商品推荐等方面,具有很高的商业价值。目前常用的研究方法主要基于机器学习算法和基于词典的方法,该类方法通常需依赖复杂的人工规则和特征工程。针对传统情感分类方法需要人工干预的问题,总结目前已有可用于情感分析的深度学习方法,提出将卷积神经网络（CNN）和双向长短时记忆网络（BLSTM）进行组合,并将融合后的特征添加至注意力机制,设计出CBLSTM-Attention模型。实验表明,该模型在中文数据集上准确率达0.965 0,在NLPCC英文数据集上准确率达0.942 2,证明该方法不仅可提高文本情感倾向性分析的准确率,而且可有效解决人工干预问题。     

高效图推荐算法应用研究

为解决PersonalRank图推荐算法在推荐系统应用中的效率问题,从降低时间复杂度和减少迭代次数两方面进行算法优化。首先,构建推荐系统中用户行为数据二分图和迭代推荐模型;然后,建立转移矩阵,通过矩阵运算转换传统迭代模型,求解稀疏矩阵线性方程组直接得到系统稳态,有效降低了推荐算法的时间复杂度;最后,通过确定游走概率,在不影响系统精度前提下,各节点概率值收敛前就提前停止迭代,大幅减少了系统迭代次数。实验表明,转移矩阵法推荐效率比传统迭代法提高了211倍左右,游走概率取值为0.1时精度趋于稳定。优化后的算法能有效提高推荐效率。     

一种基于 Inception 结构的神经网络协同过滤推荐算法

在商品推荐领域,商品评论信息往往难以得到有效利用。为了充分利用商品评论信息,提高商品推荐系统精度,对 NCF 神经网络协同过滤模型进行改进,将 NCF 模型与 Inception 结构的卷积神经网络相结合,提出基于 Inception 结构的神经网络协同过滤方法（NCF-i 模型）,将商品评论信息融入模型进行预测和推荐。首先基于 Inception 结构的卷积神经网络对商品评论信息进行分析并提取多元特征模型,然后将多元特征模型添加到 NCF 模型中,通过多层全连接层获取用户、商品及商品评论之间的非线性关系,最后基于此非线性关系对商品进行预测和推荐。通过基于真实数据集的实验证明,应用 NCF-i 模型的推荐算法,推荐系统的预测精度和稳定性均优于当前常用的推荐模型。     

基于用户兴趣的文献个性化推荐研究

针对当前文献推荐中个性化程度不高等问题,提出一种对用户行为重新分配权重的度量算法。运用用户行为数据按照时间顺序重新分配权重,突出近期用户兴趣构建用户兴趣模型。通过LDA主题分布、关键词分布等方法构建学术资源模型,实现两模型间匹配,完成推荐。通过实验验证,该算法准确性达到80%,比传统等权重算法提高近20%,召回率与F值分别提升了7%和5%。研究表明,基于时间因素的用户兴趣度量算法相较于传统等权重算法具有更高的准确性,未来可进一步优化用户兴趣度量以实现精准推荐服务。     

基于混合模型的个性化阅读系统设计

为解决协同过滤推荐算法冷启动和数据稀缺的问题,提高个性化阅读系统推荐准确性,根据图书特点,提出一种融合协同过滤算法和兴趣标签算法的个性化阅读系统设计。通过交叉调和方法,给定一个适当的融合比将两种推荐算法的推荐结果进行融合,保证系统在解决冷启动问题的同时,能够增加推荐列表新鲜度,提高推荐准确度,保持个性化阅读系统优越性。结果表明,该方法即使没有评级也能合理推荐,在推荐准确性和图书种类方面优于传统方法。     

加入惩罚因子的电商平台协同过滤推荐算法

为提高推荐算法挖掘数据长尾信息的能力,降低推荐结果流行度,使推荐结果更多样,在传统协同过滤推荐算法基础上,分别将热门项目与活跃用户的惩罚因子引入相似性计算中,依据准确度、覆盖率、流行度等评价标准,在上海某电商平台销售数据集上进行比较,并通过多组实验验证不同参数对推荐算法的影响。结果显示,加入惩罚因子后基于用户的协同过滤推荐算法在N值取10、K值取3时,流行度为3.97,比传统方法降低了7.31%;加入惩罚因子后基于项目的协同过滤推荐算法在N值取10、K值取3时,准确率为7.65%,比传统方法提高了5.25%。由此证明加入惩罚因子的协同过滤推荐算法在保持算法准确率的同时,可在一定程度上降低推荐结果流行度。