联合成对排序的物品推荐模型

现有的推荐模型大多仅从用户角度进行建模,忽略了物品的功能关系对用户购买决策的影响。从用户和物品这2个角度,同时考虑用户–物品之间的交互关系和物品–物品之间的功能关系,提出了联合成对排序的推荐模型。考虑正样本的排名位置和负采样策略直接影响模型收敛速度,构建一种排序感知的学习算法,用于求解所提模型的参数。实验结果表明,与当前主流推荐算法相比,该算法在多个评价指标上具有明显的性能优势。

基于CTM-PMF模型的物品推荐

为了克服传统协同过滤推荐技术的局限,提出了一种基于CTM-PMF模型的物品推荐方法。在PMF模型的基础上,引入CTM模型,将PMF模型良好的推荐品质和CTM模型优越的物品表示方法相结合,有效地实现了新物品推荐;通过引入用户兴趣因子,解决了用户对已购买物品的兴趣变化问题。在自建的物品数据集上,利用提出的方法、PMF模型、G-PLSA模型和UBCF方法进行了对比实验,实验结果表明该方法具有良好的物品推荐品质。

基于社交网络的用户需求发现与物品推荐

微博作为当下最受欢迎的社交网络之一,包含了大量的用户需求和兴趣偏好信息,如何动态地从微博内容中提取用户的需求和偏好信息,将推荐算法结合社交网络产生推荐结果,解决信息过载的问题,目前暂时还没有相关的较为成熟的应用。本文设计并实现了基于社交网络的物品推荐系统,提取用户微博内容关键词作为用户需求特征,建立物品信息库,通过文本相似度计算用户需求和物品信息之间的匹配度,采用基于内容的推荐算法产生推荐结果。最后进行离线实验,对推荐系统产生的推荐结果进行评测分析。

基于图像和GM-PLSA模型的物品推荐方法

针对G-PLSA(Gaussian Probabilistic Latent Semantic Analysis)推荐模型中存在的新物品问题,提出了基于GM-PLSA(Gaussian Multinational Probabilistic Latent Semantic Analysis)模型的物品推荐方法;该方法将物品的图像内容特征用于物品推荐,有效解决了新物品问题和文本描述物品外观存在歧义性问题。同时,针对推荐结果的总体多样性问题,提出了ITRM(Improved Traditional Ranking Model)排序模型;该模型能够保证一定准确性的前提下有效提高推荐结果的总体多样性,且该模型具有参数化的优点。实验结果表明,本文提出的方法能有效提高物品推荐系统的推荐性能。

基于SURP模型的物品推荐

为了克服传统物品推荐技术中存在的局限,提出了一种基于SURP(supervised user rating profile)模型的物品推荐方法.利用词包(BOW)的方法,以图像特征来表示物品;在此基础上,采用监督学习方法来建立SURP模型,提高了对物品评分等级预测的准确性;通过引入用户兴趣因子,解决了用户对已购买物品的兴趣变化问题.在自建的物品数据集上,对此方法、URP(user rating profile)模型、G-PLSA(Gaussian probabilistic latent semantic analysis)模型和IBCF(item-based collaborative filtering)4种方法进行了对比实验.实验结果表明,该方法具有良好的物品推荐品质.

基于物品协同过滤推荐系统的研究

电子商务飞速发展,信息数据的递增,网络进入大数据时代。通过协同过滤推荐算法的文献综述,对协同过滤推荐算法进行了介绍,详细论述了基于物品和基于用户两种推荐算法之间的差异。并对其进行了比较分析。

支持向量机在物品智能推荐中的应用

针对微校园App中物品搜索缺乏主动推荐的问题,利用遗传算法全局最优收敛的特性对支持向量机的二个关键参数C、σ进行寻优,以得到擅长小样本最优解的支持向量机推荐模型。应用结果显示,使用该方法推荐的物品在准确率和满意度方面都得到学生的认可,能满足App环境下按需自动推荐的要求,为无用户特征、有条件检索的物品推荐提供新的方法。

基于知识图谱视域的Web服务推荐技术研究

在新的时代背景下,互联网技术不断更迭革新,海量网络数据虽然给用户提供了便利,但随之而来的信息过载、处理能力不够等问题也逐渐暴露,这就导致无法及时高效地在大量信息中提出、选择用户画像,影响了用户体验。文章在阐述知识图谱及Web服务推荐的概念基础上,结合知识图谱下的Web服务推荐技术的算法架构,对Web服务知识图谱构建进行了深入分析。

考虑用户预算的商品推荐算法

在本文中,作者在基于物品的最近邻推荐的基础上引进了用户的上下文信息来修正推荐结果。具体说来是考虑了用户的消费预算,可以在原来的物品最近邻推荐的基础上更加符合用户的偏好,从理论上来说,这种机制是可以改进推荐的效果的。基于这种思想,作者给出了具体的推荐算法。