GPPR:跨域分布式个性化PageRank算法

个性化PageRank作为大图分析中的基本算法,在搜索引擎、社交推荐、社区检测等领域具有广泛的应用,一直是研究者们关注的热点问题.现有的分布式个性化PageRank算法均假设所有数据位于同一地理位置,且数据所在的计算节点之间具有相同的网络环境.然而在现实世界中,这些数据可能分布在跨洲的多个数据中心中,这些跨域分布(cross-geo-distributed)的数据中心之间通过广域网连接,存在网络带宽异构、硬件差异巨大、通信费用高昂等特点.分布式个性化PageRank算法需要多轮迭代,并在全局图上进行随机游走.因此,现有的分布式个性化PageRank算法不适用于跨域环境.针对此问题,提出了GPPR(cross-geo-distributed personalized PageRank)算法.该算法首先对跨域环境中的大图数据进行预处理,采用启发式算法映射图数据,以降低网络带宽异构对算法迭代速度的影响;其次,GPPR改进了随机游走方式,提出了基于概率的Push算法,通过减少工作节点之间传输数据的带宽负载,进一步减少算法所需的迭代次数.基于Spark框架实现了GPPR算法,并在阿里云中构建真实的跨域环境,在8个开源大图数据上,与现有的多个代表性分布式个性化PageRank算法进行了对比实验.结果显示,GPPR的通信数据量在跨域环境中比其他算法平均减少30%.在算法运行效率方面,GPPR比其他算法平均提升了2.5倍.

高效个性化PageRank算法综述

对高效的个性化PageRank算法进行综述,从个性化程度、可扩展性、计算效率和精确度等方面对部分个性化算法、可扩展的PPV算法和混合算法等3类算法进行了详细分析和比较,并讨论了目前工作中的不足及未来的研究方向。

基于可达查询的个性化PageRank算法

为了提高个性化PageRank算法在大型网络图中的计算效率,提出基于可达查询的PPR算法。该算法采用一定的分割方法将大图上的计算转移到子图上,通过可达查询算法快速删除所有与计算无关的节点与边,得到源节点的可达子图,在可达子图上计算节点的近似PPR估计值。实验结果证明,该算法可显著提高PPR的计算效率。

个性化PageRank算法在图书馆智能搜索引擎中的实现

智能搜索引擎的提出引发了新一轮搜索引擎革命,然而其实现还有一定的困难。以目前非常成熟的PageRank技术为基础进行改进,构建基于个人需要的PageRank算法,可以实现智能搜索引擎所需要的多种个性化功能。目前在大型广域搜索引擎上建立个性化的智能搜索引擎还比较困难,而高校图书馆在信息规模、用户基础和运行条件上都有建立智能搜索引擎的优势。对目前的高校图书馆检索系统进行一定的改进,可以实现智能搜索引擎的个性化功能。

一种基于给定目标节点的个性化PageRank算法设计

以往衡量图网络节点重要性时,多基于给定源节点,计算该节点到其余目标节点的个性化PageRank值并推出重要目标节点,运算效率低且存储量大。基于此,提出了一种基于给定目标节点的个性化PageRank算法(TPPR),该算法结合本地更新与优先队列算法,通过计算从所有源节点到给定目标节点的个性化PageRank值来推出重要源节点,相较于传统算法运算精度更高,运行时间大幅减少。

个性化推荐算法的法律风险规制

信息爆发增长催生了个性化推荐算法技术的兴起。个性化推荐算法在解决信息过载和长尾问题、满足用户个性化需求、提高互联网信息服务效率的同时,也引发了用户意思自治受限、隐私泄露、信息茧房、算法歧视等诸多法律风险,亟需法律作出必要的回应。为此,应当在诚信原则、自主原则、公正原则、比例原则的指导下,树立开放的隐私保护观,强化算法告知义务与用户拒绝权利,完善算法解释权,构建算法审计制度,以降低个性化推荐算法所带来的法律风险。

迈向信任的算法个性化推荐——“一键关闭”的法律反思

个性化推荐主要面临威胁人类主体自主性、“信息茧房”与“回音室”效应、大数据“杀熟”方面的质疑。“一键关闭”功能因能够实现隐私个人控制、促进信息自由流通和预防价格歧视而被推崇。然而,用户往往缺少隐私自治能力,个性化推荐造成群体极化之前首先具有议程凝聚、促进交往的价值,以关闭个性化推荐来解决价格歧视存在目标和手段的错位。“一键关闭”不仅难以符合规制预期,其自身还存在可操作度低和所承载公共价值模糊的弊端。个性化推荐的治理应以算法向善为方向,通过打造以信任为中心的透明可解释、用户交互友好的算法推荐,发挥个性化推荐的公共价值,增进社会福利。

网约车平台算法个性化定价、乘客履约率及其监管对策

网约车平台算法个性化定价产生了复杂的市场影响,相比传统出租车服务,网约车乘客违约率达30%左右,因此算法个性化定价对乘客违约率的影响机制以及乘客是否履约的关键特征值得探索。文中尝试运用矩形Hotelling模型建立算法个性化定价与乘客违约率的因果关联机制,以两个网约车平台之间的Stackelberg博弈模型揭示歧视性定价、乘客违约率与平台之间竞争强度的关系。进一步运用网约车平台订单大数据,以Bhattacharyya距离、提升决策树及改进拉斯维加斯方法(包裹法)等归纳学习工具对网约车平台百万量级订单进行数据挖掘,找出决定乘客是否履约的关键特征。分析结果表明,平台进行个性化定价时乘客的最终消费选择主要取决于价格因素;而改进车辆匹配、派单策略及减少乘客候车时间可显著提高订单履约率。研究结果对网约车平台完善定价及运营策略以维持双边市场用户数量、保证平台持续成功运营具有重要参考价值,也为反垄断部门干预平台个性化定价提供了理论依据。

国内个性化推荐技术及其算法与数据风险的研究现状和趋势

分析传统个性化推荐模型演化图谱和基于深度学习的个性化推荐模型演化图谱,对梳理个性化推荐技术的发展脉络具有重要意义。本研究采用CiteSpace 6.1.R2软件对中国知网(CNKI)上检索到的2002—2022年以“个性化推荐”为研究主题的中文文献和2005-2022年“个性化推荐算法与数据风险”相关文献进行分析,发现个性化推荐领域研究热点主题和未来发展趋势,对个性化推荐算法的数据风险与防范提出规制对策。

智能化、个性化和创新化:电影算法工业美学的新转向

人工智能技术的到来推动了电影工业的发展,智能化、个性化和创新化标志着电影算法工业美学的新时代。计算机智能技术的运用从前期创作到后期剪辑提高了电影制作的效率,为创作者提供更多创作可能性,比如制作形式和故事内容的革新。基于观众偏好和历史记录的大数据,个性化内容的创造与电影内容的个性化推荐,实现了电影观影体验的个性化定制,促进了观众参与度和满意度。区块链技术和电影产业链数字化转型优化着电影工业生态,提高了电影产业的核心竞争力和创新能力。

个性化推荐算法透明度对用户感知可信度的影响

[目的/意义]人工智能技术的发展与应用在推动人类社会变革的同时,也破坏了人与技术之间的信任。探索算法透明度与用户感知可信度间的关系,有助于破除算法黑箱,重塑技术信任,发展可信赖的人工智能。[方法/过程]文章以微信朋友圈信息流广告为研究平台,招募50位被试开展眼动实验,结合问卷和访谈等方法探究在不同的透明度情境下,用户对个性化推荐广告的感知可信度,进而厘清人与算法间的信任关系,从信任视角提出透明度提升策略。[结果/结论]用户的感知可信度受到透明度程度、透明度内容和结构等因素的影响,未来应当发展合理有效、方便访问、易于理解的算法透明度,以此提高用户信任,推动可信人工智能发展。[局限]研究的样本来源和研究视角单一,后续将扩大实验规模探索不同用户群体的感知可信度差异。

个性化算法推荐服务用户采纳意愿影响因素:元分析研究

数智时代,个性化算法推荐服务迅速发展。关于个性化算法推荐服务用户采纳意愿影响因素的实证研究结论存在不一致的现象,为明确关键影响因素,对该主题实证研究成果进行梳理与再分析,为后续相关研究提供借鉴。本文运用元分析方法,从国内外聚焦个性化算法推荐服务用户采纳意愿的51篇实证研究成果中识别出14个关键影响因素,其中信任、态度、感知愉悦性、交互质量、推荐信息质量等因素对用户采纳意愿作用程度较强。研究时间、社会环境和应用平台类型会对相关变量与个性化算法推荐服务用户采纳意愿之间的关系产生调节作用。

基于标签挖掘的个性化推荐算法

基于标签的推荐算法中存在两个主要缺陷,缺乏用户对于标签偏好值的量化,以及不同标签在用户使用中所占权重。为此提出一种从标签角度出发的个性化推荐算法。分析用户历史行为中使用过的标签,根据用户历史行为建立用户的标签兴趣模型,利用标签兴趣模型计算用户对不同标签的偏好值;统计用户的历史评分记录,计算不同标签所占权重;将两者进行线性组合,得出用户对标签的兴趣度。利用余弦相似度,计算用户偏好相似度,将用户偏好相似度引入到矩阵分解模型中,进行项目评分预测和推荐。实验结果表明,在MovieLens数据集上,该算法相比于传统算法LFM和SVD++在RMSE上分别降低了5.00%和1.41%,在MAE上分别降低了5.07%和1.00%。

个性化新闻推荐的算法把关研究

随着互联网技术的发展,新闻媒体的传播方式和用户的阅读习惯都发生了巨大的变化。个性化新闻推荐指利用大数据分析和人工智能技术,根据用户的个人特征、兴趣偏好、浏览历史等数据,为不同用户推荐不同的新闻内容,使新闻信息服务精准化和个性化。相较于传统的人工推荐或统一推荐,个性化新闻推荐更加准确、主动、智能化。文章介绍个性化新闻推荐的算法基础,包括协同过滤算法、内容推荐算法和混合推荐算法,并分析各算法的工作原理,发现协同过滤依赖用户行为数据,内容推荐依赖新闻文本数据,但是两者都存在冷启动和稀疏性问题,因此混合推荐算法应运而生。文章指出个性化新闻推荐面临的三大挑战:用户隐私与数据安全问题、信息茧房效应、“黑箱”操作与透明度问题。大数据时代,用户信息高度易感,算法过滤容易导致信息同质化,“黑箱”操作也容易引发用户质疑。对此,文章提出优化策略:引入多样性指标,增强结果差异性;健全用户反馈机制,持续优化算法;提高算法透明度和可解释性,增强用户信任感。具体做法包括:调整相似度计算、设置反馈入口、采用可视化技术等。文章旨在为个性化新闻推荐提供借鉴和参考。

考虑用户行为的图书馆文献个性化检索算法设计

在海量的文献检索过程中,用户行为这一重要检索约束条件被抛弃,仅仅以检索数据特征作为推导,导致检索准确性下降。设计一种考虑用户行为的图书馆文献个性化检索算法。首先设计算法的总体逻辑框架,建立用户行为模型获取邻居节点信息,计算权重值,获取不同用户行为的相似度系数。以行为相似度系数作为约束条件,设计多层次目标个性化文献索引算法,在随机游走模型下获取个性化文献检索模型的优化目标,并得到文献检索结果。实验结果显示:该检索算法最低可在18 ms的时间内完成对应文献检索,文献检索精度均在90%以上,且文献检索存储开销等测试,均能够得到较好的结果,可见该算法性能良好。

基于协同过滤算法的英语视听资源个性化推荐技术

对英语视听资源进行深度语义分析,提取资源关键特征;分析英语视听资源用户的学习偏好特征,将其与视听资源语义特征匹配;利用卷积神经网络深度融合学习偏好,构建英语视听资源个性化推荐模型;引入免疫进化算法优化协同过滤算法,求解推荐模型,实现英语视听资源个性化推荐.测试结果表明该方法的推荐命中率和推荐准确率均在90%以上,召回率始终稳定在87.11%以上,具有较好的个性化推荐效果.

基于深度哈希算法的学生画像个性化推荐系统的设计与实现

为了提升学生画像个性化推荐的效果,研究设计了一种基于深度哈希算法的学生画像个性化推荐系统。通过使用深度哈希算法结合经过处理的学生信息,进行了学生信息特征标签的提取,并构建了学生画像标签维度模型,从而提升了学生画像的生动性。根据学生画像标注的学生特征,在学校课程资源特征数据集中进行搜索匹配,并根据排序后的检索结果生成推荐结果。实验结果表明,该系统能够有效地采集和预处理学生信息,并成功构建学生画像,完成学生画像的个性化推荐。

我国数字阅读APP个性化推荐算法透明度实证分析

个性化推荐算法生成的阅读建议便捷了人们的阅读生活,却也带来认知窄化等问题,因此向公众准确披露算法风险、保障算法透明愈发重要。文章以23款主流数字阅读APP为研究样本,从技术标准、用户感知和规范合规三个维度设计透明度检测要点,通过分析相关隐私政策文本及算法功能,评估算法透明度的履行差距。基于此,提出完善算法透明标准体系、推进数字阅读行业自律发展、增设“算法标签”、在算法设计中纳入透明度合规考量等对策。

基于深度学习的个性化新闻推荐算法研究与应用

本文细致探讨了基于深度学习的个性化新闻推荐算法,聚焦于其在解决信息过载和提升用户阅读量方面的重要性。本文探讨了该算法在解决信息过载和提升用户阅读体验方面的意义,重点分析了“两段式”“融合式”和“协同式”等方法在推荐系统中的应用,以及数据采集、新闻推荐和结果评估等技术思路。本文全面阐述了该算法对信息推荐的影响,为深入理解和实践该领域提供了参考和指导。

基于大数据的电子商务个性化推荐算法研究与合法性探析

随着大数据技术的快速发展,电子商务个性化推荐系统已成为提升用户体验和企业效益的重要手段。本文旨在研究基于大数据的电子商务个性化推荐算法,并深入探讨其合法性问题,以期在保障用户隐私和数据安全的前提下,优化推荐效果,促进电子商务的健康发展。本文首先介绍了大数据技术在电子商务中的应用及其所带来的变革与挑战。接着,深入研究了当前主流的个性化推荐算法,包括协同过滤、基于内容的推荐、混合推荐以及深度学习在推荐系统中的应用。最后,本文聚焦于电子商务个性化推荐的合法性问题,分析了用户隐私保护与数据安全的法律法规要求,以及个性化推荐中隐私泄露的风险。在此基础上,提出了算法的优化方向及相应的合法性保障措施,这些举措旨在提升算法推荐的准确性和多样性,同时确保用户隐私和数据安全不受侵犯。