融入景点标签的矩阵分解个性化推荐

基于标签的推荐算法在景点推荐领域取得了良好效果,但仍然存在一些问题,如仅采用用户对景点的评分值表示用户对标签的喜爱程度,忽略了用户、标签、景点之间的关联,从而导致结果精度不高.提出一种融入景点标签的矩阵分解个性化推荐方法,通过文本挖掘技术构建适用于景点推荐领域的景点标签,并将其引入矩阵分解推荐算法的因子向量,然后利用矩...     

基于矩阵分解的兴趣点推荐算法研究

单类协同过滤面临的主要问题是:仅仅正例数据能够被观察到,类高度不平衡,大量数据点丢失。为解决该问题,基于迭代最小二乘法,采用一种加权的带正则化项的单类协同过滤算法,即wALS算法。通过在真实的Foursquare、Movie Lens数据集上进行验证,证明了这种算法性能优于其它几个经典的单类协同过滤算法。     

结合多信息的概率矩阵分解模型

为了改善传统协同过滤推荐算法的冷启动与数据稀疏问题,基于概率矩阵分解模型,将用户属性、物品关系与时序行为融合到模型中,通过不断调整3种模型所占权重,得到最小的RMSE值。在Movielens数据集上进行实验,并与其它相关算法的RMSE值进行比较。实验结果表明,结合多信息的概率矩阵分解模型的RMSE值低于其它推荐方法,即推荐精度优于其它方法。结合多信息的概率矩阵分解模型,在数据稀疏情况下,也能保持较好的推荐性能,推荐精度得到一定程度提升。     

基于融合卷积神经网络的协同过滤模型

在传统推荐系统中,通常基于协同过滤推荐算法挖掘评分中的隐含特征,但在实际应用中,评分矩阵往往十分稀疏,很难充分地表示用户偏好特征与物品描述特征。为了充分挖掘评论文本中的隐含特征,并在一定程度上缓解数据稀疏性问题,提出一种深度协同过滤模型(CFiCNN)：融合卷积神经网络的协同过滤模型。该模型利用卷积神经网络抽取用户-物品评论数据中的隐含特征,基于协同过滤的矩阵分解方法,进行评分预测。在4个真实数据集上对该模型进行了评估实验,并与3个常用模型进行对比。实验结果表明,该模型能够很好地抽取到用户与物品的隐含特征,并且进行更准确的评分预测。     

矩阵分解技术在电影推荐系统中的应用

随着大数据、移动互联网的快速发展,推荐系统成为解决网络信息过载的有力工具.为解决传统推荐系统由于没有将社交网络中用户关系考虑进去而导致的稀疏矩阵、冷启动等问题,提出一种基于矩阵分解技术的电影推荐系统算法MFMRS.该算法充分考虑到社交网络中用户之间的关系对推荐结果的影响,通过设置特征参数、损失函数、随机梯度下降等方法对...     

两类箭形线性方程组的矩阵分解算法

利用箭形矩阵的结构特点,基于矩阵分解技术,给出两类箭形矩阵的三角分解,并在此基础上建立两类箭形线性方程组的直接算法.经数值算例验证,该算法有效可行.     

浅谈矩阵的分解

将一矩阵分解为若干个矩阵的和或乘积,是解决某些线性代数问题的重要方法,如求矩阵的逆、矩阵的幂、矩阵的秩等,其技巧性、灵活性以及实用性都很强。总结了一些矩阵的和式分解、矩阵乘积分解等矩阵的分解形式。     

矩阵LR分解的初等变换

本文利用矩阵的QR分解证明了C上n阶对角酉阵群和n阶非奇异对角矩阵群的一个商群是同构的。并且利用矩阵的LR分解和QR分解,给出了某些运用。     

关于概率向量与概率矩阵的性质

讨论了概率向量和概率矩阵的性质 ,得到了概率向量和概率矩阵的几个结果     

融合位置相似性度量的快消品电商网站推荐算法

提出一种融合位置相似性度量的协同过滤推荐算法（CF-FLSM）。算法融合位置相似性度量进行加权计算用户间的兴趣相似度,从而为目标用户产生推荐结果。将CF-FLSM应用于一个具体的快消品电商网站,得出的推荐结果与传统使用余弦相似性的协同过滤推荐算法（CF）相比,精确率和召回率分别提高了3.74%和3.91%。     

矩阵QR分解途径的研究

矩阵的QR分解可利用Householder矩阵变换、矩阵QR分解公式、对矩阵的列向量进行标准正交化以及对矩阵进行列初等变换等方法进行.     

基于Lanczos算法的对称非负矩阵分解初始化方法

为提高对称非负矩阵分解算法的效率,提出了一种基于Lanczos三角化的对称非负矩阵分解初始化方法。该方法可与现有的对称非负矩阵分解算法相结合取得更高的效率.实验表明,现有的对称非负矩阵分解算法与文中提出的初始化方法相结合可以收敛到一个较优解.     

一种矩阵环上变换的分解算法

讨论了矩阵环上的一类变换(称为导子)的分解算法.证明了这类变换可以分解为矩阵环上的一个诱导导子和一个内导子的和,并给出这两种导子的算法.     

基于页面的用户偏好协同过滤算法研究

本文针对传统的协同过滤推荐算法存在的影响推荐质量的数据稀疏性问题和实用准确性问题,设计了一种基于页面的用户偏好协同过滤算法,并通过实验验证了该算法在数据稀疏性等方面均优于传统算法。     

融合用户相似度与信任度的协同过滤推荐算法

传统的协同过滤算法难以解决“稀疏性”和“冷启动”等问题。鉴于此,提出一种融合用户相似度和信任度的方法。首先根据用户对共同项目的评分创建初始信任度,通过信任关系的传递规则,建立没有直接信任关系的用户之间的信任关系,然后融合用户相似度与信任度,用于传统的协同过滤推荐系统,找出用户的最近邻居集,进行项目的评分预测,从而产生推荐列表。实验表明,改进后的算法能有效提高系统推荐的准确性。     

基于加权非负矩阵分解的非负张量分解算法

提出一种基于加权非负矩阵分解的非负张量分解算法.为了充分利用图像本身的结构信息与内在几何结构,首先根据图像类别构造权值矩阵,把图像集合构造成三阶张量,然后,针对该三阶张量利用张量几何运算与非负矩阵分解得到非负张量分解算法的初值,最后实现图像的分类.实验结果表明该算法应用于手写数字图像库中能有效改善图像分类的准确性.     

四元数矩阵奇异值分解的算法

本文主要讨论了四元数矩阵的奇异值分解,借助于四元数矩阵的复表示矩阵,对其进行双对角化,对得到的双对角矩阵进行奇异值分解,并构造左右奇异值向量,给出了四元数矩阵奇异值分解的一个算法。     

融合信任度和热门惩罚的协同过滤推荐算法

随着互联网信息的发展,网络数据量大幅增长,极大提高了用户的有效信息筛选难度。推荐系统根据用户的历史行为和偏好信息而产生相应的推荐,协同过滤算法是推荐系统中的一种常用算法。传统的协同过滤算法仅使用相似度作为推荐依据时,仍然面临推荐精确率不高问题,本文在相似度基础上添加用户之间的信任度,对用户之间不对等的信任关系建模,再添加对热门项目的惩罚机制,从而弱化热门项目的推荐。通过对MovieLens数据集的实验结果进行验证可知,融合信任度的协同过滤算法的精确率、覆盖率和F1值均比传统的基于用户的协同过滤算法性能有所提高。     

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。     

单纯矩阵多项式的谱分解

在单纯矩阵的谱分解的基础上,给出了单纯矩阵的多项式的谱分解的一般结论和方法,并给出了实例．