一种基于图神经网络的社会化推荐算法

现有的社会化推荐算法大多着眼于用户购买或点击等单一的交互行为,并未同时考虑收藏、浏览等多种不同的交互行为.而且当前的社会化推荐算法重点只关注推荐的准确性,忽略了推荐结果的可解释性.针对以上问题,提出了一种基于图神经网络的社会化推荐算法SRGN,将用户的社交关系和物品间客观存在的语义联系以特定的方式注入到算法架构中,并且利用消息传递的方式实现交互的多行为联合编码,从而提升推荐的准确性.此外,设计了可解释模块为推荐结果提供推荐的理由.在两个真实数据集上与其他8种算法进行对比实验,结果表明提出的算法在推荐性能和用户友好性上具有明显的优势.

基于情境感知和序列模式挖掘的气象学习资源推荐算法

随着互联网的快速发展,气象部门职工作为学习者可以获得的学习资源得到极大丰富。信息超载导致检索合适的在线学习资源时遇到了困难;学习者在不同学习环境和序列访问模式上也有不同的学习需求。但是,现有的推荐系统,如基于内容的推荐和协同过滤,没有结合学习者的情境和序列访问模式,推荐结果准确度不高。本文提出了一种结合情境感知、序列模式挖掘和协同过滤算法的混合推荐算法来为学习者推荐学习资源。混合推荐算法中,情境感知被用来整合学习者的情境信息,如知识水平和学习目标;序列模式挖掘被用来对网络日志进行挖掘,发现学习者的序列访问模式;协同过滤被用来根据学习者的情境数据和序列访问模式为目标学习者计算预测并生成建议。实验和应用效果表明,该混合推荐算法推荐的质量和准确性方面优于其他推荐算法。

数字资源的信息过滤与精准推荐算法

为了解决如何利用无限容量的数字资源与有限的用户信息及时而精准地向用户推荐可用的电子资源等问题,本研究设计了一种可以过滤不良信息的准确推荐算法。该算法为基于协同过滤与内容推荐的混合推荐算法,其中,协同过滤算法提取用户的特征,计算用户间的相似度并对相应的资源进行打分估计从而根据估分进行推荐;而基于内容推荐的算法用于处理用户无法求算相似度的冷启动问题,不良信息利用基于内容推荐的算法提取关键词并与不良关键词库对照,然后从前述推荐结果去掉不良信息;算法还考虑了用户兴趣随时间变化的问题。使用大规模图书馆数字资源数据集对本研究算法进行测试,结果表明,使用本研究算法,邻居数的增加对推荐精度有改善作用;对使用平均相似度和加权相似度的结果比较表明,加权相似度可以获得更好的推荐效果;加入时间因素,可以有效改进推荐精度,进而实现了对不良信息的过滤,保证了资源的质量。本研究算法基本实现了精准推荐,可适用于大数据环境下数字资源的推荐操作。

语义推荐算法研究综述

近年来,语义推荐技术已成为信息服务领域的一个研究热点和重点.与传统的推荐算法相比,语义推荐算法在实时性、鲁棒性和推荐质量等方面具有显著的优势.针对语义推荐算法的国内外研究现状、进展,从四个角度进行归纳和总结,即基于语义的内容推荐算法、基于语义的协同过滤推荐算法、基于语义的混合推荐算法以及基于语义的社会化推荐算法,旨在尽可能全面地对语义推荐算法进行细致的介绍与分析,为相关研究人员提供有价值的学术参考.最后,立足于研究现状的分析与把握,对当前语义推荐算法所面临的挑战与发展趋势进行了展望.

面向GPS数据的出租车载客路线层次化推荐模型

出租车载客推荐能够有效提高司机利润,对于提升交通效率、改善城市出行体验以及推动智能交通的发展都具有重要意义。现有方法一般直接向司机进行载客区域或载客路线推荐,没有考虑将这两者进行结合,不仅面临数据稀疏性问题,而且难以兼顾推荐准确性与实时性能。为此,提出一种面向GPS数据的出租车载客路线层次化推荐模型,其中采用了抗稀疏性的极深因子分解机(xDeepFM)、深度Q网络(DQN)强化学习算法以及层次化推荐策略。首先,离线推荐高载客概率的大网格,以减少在线计算量;然后,当出租车司机提出实时载客推荐需求时,在离线推荐的大网格内进一步推荐高载客概率的小网格;最后,给司机规划一条到小网格的载客路线。在滴滴公司数据集上进行实验,结果表明,与现有的一些先进方法相比,该方法可以使空载出租车司机的巡航时间至少减少36%,巡航距离至少减少26%,并且推荐时间仅需85 ms。

基于知识图谱推荐系统的高校“汇编语言程序设计”课程教学改革

随着现代教育技术的迅速发展,“汇编语言程序设计”课程的传统教学模式亟待创新,以满足学生的多元化学习需求。知识图谱推荐系统结合知识图谱和学生模型构建,实现了教学内容的个性化推荐、学习路径规划、资源整合、多样化的教学互动。为验证知识图谱推荐系统在“汇编语言程序设计”教学中的作用进行实证研究。研究结果表明,知识图谱推荐系统能有效提高学生的学习成绩、学习兴趣和学习满意度,为教学方法的创新和优化提供有益的参考。

基于联邦学习的个性化推荐系统研究

为了通过联邦学习算法解决用户隐私数据泄露的问题、降低数据泄露的可能性,本文概述了推荐系统、联邦学习及联邦推荐系统,探讨了联邦个性化推荐系统的类别、流程、应用现状以及未来面对的挑战等,为用户提供了安全、便捷、高效的个性化推荐系统。

基于用户画像的图书推荐算法实证研究

个性化推荐算法能够帮助读者从图书馆海量馆藏中发现所需图书,有助于提高馆藏利用率和读者服务效率。文章以高校图书馆图书数据、读者数据和借阅数据为数据源,从中抽取关键词构建图书画像和读者画像;利用向量空间模型计算图书与读者之间的相似度,向读者推荐与其相似度排名靠前的图书;并进行推荐算法效果实证分析,揭示著录数据、读者类型、推荐窗口等变量对推荐准确率的影响。

上下文感知旅游推荐系统研究综述

随着人们生活水平的提高,旅游已成为一项普遍的休闲活动,进而推动了旅游推荐方面技术的研究。与传统推荐系统相比,除了考虑游客和旅游产品的相关特征之外,旅游推荐系统的推荐质量在很大程度上受到位置、时间、天气、游客社交群体等上下文信息的影响。本文首先给出上下文感知旅游推荐系统的总体框架;然后对位置、时间、游客社会化网络和多维上下文等4类典型的上下文信息在旅游推荐系统中的应用进行了详细考察,并对综合应用各种上下文信息的旅游推荐系统进行了分析;从旅游推荐产品的角度对推荐系统进行分类考察;最后讨论了上下文感知旅游推荐系统目前面临的重点和难点问题,指出下一步的研究方向。

神经网络推荐系统协同过滤算法研究

针对传统协同过滤算法中的冷启动和推荐准确度问题,提出一种在神经网络的基础上的算法。利用卷积神经网络对用户以前的历史行为和评价项目属性建立卷积神经网络模型,然后,提取用户和其项目属性的特征,通过全连接的方式对评分进行拟合,其次,运用关联和推理思想,利用关联矩阵计算方法,结合用户使用信息的评测和系统内的关联项目进行对接,并自动生成关联矩阵所对应的信息项目集。最后,算出实际用户与其他用户之间的评分信息相似性大小,依据评分的相似性大小。依照最相似邻居的评分信息算出实际用户没有评过的项目预测大小值,接着根据预测值排名在前面项目对用户进行推荐,此推荐算法通过在数据集MovieLens采用对比试验进行验证,得出该研究的算法解决了冷启动问题并同时提高了推荐的准确率。

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%。

基于偏好感知的去噪图卷积网络社交推荐

协同过滤推荐通常面临用户-项目交互数据稀疏的挑战,社交推荐引入用户社交关系来缓解数据稀疏性问题。多数基于图神经网络(GNN)的社交推荐系统在消息传递过程中无法根据用户偏好聚合高阶邻居信息,造成嵌入表示过平滑和噪声问题。针对上述问题,提出一种基于偏好感知的去噪图卷积网络的社交推荐模型PD-GCN。使用无监督学习将具有相似偏好的用户分配到用户-项目交互子图和社交子图,在子图中进行更高阶的图卷积运算,缓解了现有模型的过平滑问题。从全局和局部的角度出发,通过考虑相同偏好用户节点的特征相似度和邻域节点偏好分布多样性识别并去除噪声节点,增强模型对用户-项目交互和社交关系噪声的鲁棒性。在LastFM、Ciao、Yelp 3个公共数据集上的实验结果表明,PD-GCN模型在召回率和归一化折损累计增益两个指标上相较于其他主流模型表现出更优的性能,验证了PD-GCN模型的有效性。

融合时间和知识信息的生成对抗网络序列推荐算法

序列推荐作为一种常用的推荐系统技术,通过对用户的历史交互序列进行建模来预测下一个可能交互的项目。现有的序列推荐方法主要利用用户交互序列和上下文信息进行推荐,忽略了序列中交互项目之间的时间间隔信息,交互项目之间的组合依赖以及上下文信息中存在噪声的问题,导致推荐结果受限。针对以上问题,提出一种基于生成对抗网络的序列推荐模型TKWGAN,该模型包含一个生成器和一个判别器。生成器结合了用户历史交互序列和各项目之间的时间间隔信息对用户偏好进行建模并生成预测,判别器则引入了知识图谱信息对项目进行语义扩充,从而能更准确地对生成器的预测进行合理性判断。针对用户交互序列和知识图谱信息中可能存在噪声的问题,提出一种基于小波变换的多核卷积神经网络来构造判别器,以更全面、准确地捕获用户的潜在兴趣,提高推荐的准确性。在MovieLens-1M、Amazon Books和Yelp2018这3个公开数据集上的实验结果表明,与8个序列化推荐算法相比,提出的TKWGAN模型在命中率(HR@N)和归一化折损累计增益(NDCG@N)指标上均有显著提升。

联合训练下融合编解码器的序列推荐算法

现有基于Transformer的推荐算法通常仅考虑使用编码器来进行推荐预测,缺乏利用解码器去“解码”用户行为序列的能力,不能较为准确预测用户下一次的交互行为。为解决此问题,基于阿里巴巴电子商务推荐的行为序列模型(BST)提出联合训练下融合编解码器的序列推荐算法模型BSTEAD。通过采用联合训练机制,设置Transformer预测任务和BST预测任务。将两条预测任务的损失进行加权求和,得到最终的损失函数。在MovieLens和Goodbooks两个公共数据集上的实验结果表明,BSTEAD推荐算法与5个对比模型相比性能具有显著提升,验证了联合训练机制下解码器对推荐任务的有效性。

Light-HGNN:用于圈层内容推荐的轻量同质超图神经网络

图神经网络和超图神经网络(hypergraph neural network,HGNN)已经成为协同过滤推荐领域的研究热点.然而实际场景中用户和项目的交互非常复杂,导致用户之间存在高阶的复杂关系,而普通图结构只能表达简单的成对关系,对网络结构的堆叠容易导致中间层表征的过度平滑,在稀疏场景下的用户建模、用户相似性发现与挖掘方面能力较弱;同时,异质超图神经网络的复杂结构使得模型的训练效率较低.在以微信“搜一搜”等内容平台为代表的高度稀疏数据场景中,对于基于用户所属群体画像的圈层内容推荐任务,现有模型推荐效果差、用户表示的可解释性弱.因此,针对该类任务,提出了一个新的轻量同质超图神经网络模型,该模型包含用户交互数据至超图的转化、卷积生成用户表征序列、用户表征计算过滤.模型首先将用户-项目交互数据转化为只含用户节点的同质超图并计算得到用户表征解耦序列初始值,随后根据超图拉普拉斯过滤矩阵进行信息传播与序列值的迭代生成,通过不使用激活层的卷积方法简化模型结构,并根据提出的均值差JK注意力机制为每个序列值生成权重矩阵.最终,通过对解耦序列加权求和、过滤实现对用户表示的编码,并在真实数据集上进行实验验证了所提模型的相对更优效果.

基于多嵌入融合的top-N推荐

异构信息网络(Heterogeneous Information Network, HIN)凭借其丰富的语义信息和结构信息被广泛应用于推荐系统中,虽然取得了很好的推荐效果,但较少考虑局部特征放大、信息交互和多嵌入聚合等问题。针对这些问题,提出了一种新的用于top-N推荐的多嵌入融合推荐(Multi-embedding Fusion Recommendation, MFRec)模型。首先,该模型在用户和项目学习分支中都采用对象上下文表示网络,充分利用上下文信息以放大局部特征,增强相邻节点的交互性;其次,将空洞卷积和空间金字塔池化引入元路径学习分支,以便获取多尺度信息并增强元路径的节点表示;然后,采用多嵌入融合模块以便更好地进行用户、项目以及元路径的嵌入融合,细粒度地进行多嵌入之间的交互学习,并强调了各特征的不同重要性程度;最后,在两个公共推荐系统数据集上进行了实验,结果表明所提模型MFRec优于现有的其他top-N推荐系统模型。

基于用户偏好的多媒体视频个性化智能推荐方法研究

为了满足用户个性化需求,提出基于用户偏好的多媒体视频个性化智能推荐方法。采集用户历史浏览行为数据,对提取的视频特征向量作相似度计算,生成视频候选集,建立视频浏览兴趣点(PoI)关联图,根据用户浏览时间计算其对不同类别视频PoI的兴趣偏好度,选择排名靠前的N个视频生成推荐列表,实现多媒体视频个性化智能推荐。实验结果表明,该方法可实现多媒体视频个性化推荐,当其维度为180时,视频推荐的Top-1指标最高;兴趣吻合度指标均值达到94.9%,Top-1均值为95.51%。

提高会话推荐多样性的SRL推荐系统模型

现有的各种推荐多样性定义难以体现用户在会话期内推荐项目的多样性,且现有的各种提高推荐多样性的方法通常以牺牲推荐准确率为代价.提出了会话推荐多样性的概念,分析了现有推荐系统会话推荐多样性偏低的主要原因是推荐树中存在过多的重复节点.设计了一种会话推荐列表SRL(sessionrecommendation list)推荐系统模型,为每个活跃用户建立会话推荐列表,能够有效避免推荐树中出现推荐环路或弱推荐环路.通过MovieLens数据集测试表明,SRL推荐系统模型可以大幅度提高会话推荐多样性,同时也提高了推荐准确率.

广电智能推荐标签系统优化策略研究

智能推荐系统结合人工策划和算法驱动,从“人找内容”升级到“内容找人”,为用户提供个性化精准推荐。标签分类在智能推荐中至关重要,但仍存在多样性、模糊性和垃圾标签等问题。本文致力于深入研究广电智能推荐标签系统中标签分类的优化,充分借鉴国内外经验,考虑影视剧内容及本质,提供高效、精准的内容推荐,以推动传统广播电视向智能化转变。

融合群体兴趣和核心用户影响的群组推荐方法研究

[目的/意义]为提高群组推荐准确率和可解释性,针对现有的群组推荐方法较少关注群组内核心用户对群体兴趣的影响,综合考虑群组整体兴趣和群组内核心用户对其他用户的影响,提出融合群体兴趣和核心用户影响的群组推荐方法。[方法/过程]首先,借鉴h指数思想计算群组内每个用户的影响力,识别群组内核心用户;其次,利用LDA主题模型进行群体兴趣建模和核心用户兴趣建模;最后,综合考虑群组中用户自身兴趣和其受核心用户影响而产生的兴趣进行资源推荐服务。[结果/结论]利用微博数据进行实证,验证了此方法的有效性。