融合兴趣差异和评分差异的协同过滤推荐算法

针对协同过滤推荐算法中计算用户间相似度精准度低的问题,提出一种融合兴趣差异和评分差异的协同过滤推荐算法。结合标签信息和项目评分挖掘用户兴趣,利用信息熵度量用户间兴趣差异;为消除多种因素对项目评分数值作用效果的差距,以用户评分的最大差值为基准度量用户间评分差异;分析兴趣差异和评分差异定义用户间综合相似度并进行推荐。实验结果表明,该算法的用户间相似度计算结果比其它推荐算法准确。

基于混合行为兴趣度的用户兴趣模型

用户兴趣模型是个性化推荐技术的基础与核心,针对现有用户兴趣模型在模型建立阶段用户兴趣评价的不足,提出了一种基于混合行为评价兴趣度值的方法。突出了用户阅读时间的特殊性,在用户阅读时间异常的情况下利用其他浏览行为来量化用户兴趣度,并结合用户的浏览内容提出了用户兴趣模型的表示和更新机制,从而建立用户兴趣模型。实验验证了兴趣度度量方法的有效性,将测试结果与K-means聚类模型进行比较,证明该模型的推荐准确度有明显提高。

时间元兴趣度度量方法和扩展VSM用户兴趣模型研究

为了快速得到用户关心的信息,根据用户浏览内容和浏览行为建立兴趣模型,并在用户访问时根据兴趣模型自动向其进行文章推荐的方式得到了越来越多的运用.本文在前人研究的基础上,对于兴趣模型的构建进行了系统阐述,提出一种基于时间元的合理量化兴趣度值的方法,同时据此扩展了VSM(Vector Space M odel)文本表示模型,并引入了主题兴趣度的概念.实验结果显示通过该方法构建的兴趣模型能够较好的区分和把握用户的不同兴趣,准确率较高.

基于协同推荐的web日志预处理过程

个性化推荐技术是电子商务系统中重要的技术,但对一般的非商务型网站如何向用户提供推荐服务成为当前研究的热点。Web日志记录了用户访问网站的详细信息,这为推荐技术提供了新的研究领域。本文提出了针对协同推荐算法的web日志预处理全过程。并对预处理过程的用户识别、会话识别、路径补充、用户兴趣评估进行了详细的探讨并提出了自己的见解。

主题兴趣度提取方法及其在用户兴趣模型中的应用研究

用户兴趣模型能够极大的提高用户利用互联网的效率。目前的兴趣模型表示方法大多只包含不同兴趣主题的内容信息,而没有对不同兴趣主题之间进行一定的重要程度区分。在传统的VSM(Vector Space Model)向量中引入了兴趣度因子,进一步提出了主题兴趣度的概念并对主题兴趣度的提取方法进行了详细描述。实验结果表明,通过该方法建立的兴趣模型,能够较好的区分用户的不同兴趣,更加符合实际。

个性化学习系统的聚类技术

基于日志的Web使用挖掘,利用用户访问页面的相关性提出用户兴趣度,并应用于远程教育中数据准备和页面的推荐过程.讨论教学过程中按需学习和因才施教的可行性,介绍聚类算法在预测推荐页面中的设计与应用.实验运行结果表明,该算法是可行和有效的.

基于用户兴趣和评分差异的改进混合推荐算法

为进一步提高协同过滤推荐算法的推荐精度,提出一种基于用户兴趣和评分差异的改进混合推荐算法。利用词频-逆向文件频率(TF-IDF)思想对稀疏矩阵进行填充,在计算用户相似度时在传统的修正余弦相似度计算公式中引入两个不同的影响因子来改善用户评分差异的影响,使用两种不同的时间衰减函数用于修正时间因素对用户和项目之间以及用户与用户之间的影响。实验结果表明,该算法能够缓解数据稀疏的问题,有效修正用户评分差异和用户兴趣变化对推荐结果的影响,其推荐精度均优于现有其它改进算法。

基于共同评分项目数和用户兴趣的协同过滤推荐方法

在推荐系统中,为了在一定程度上减少用户评分数据稀疏对推荐效果的负面影响,提出了一种基于用户共同评分项目数和用户兴趣的协同过滤推荐算法。此算法将用户共同评分项目数和用户兴趣相似度相结合,使用户之间的相似度计算更加准确,为目标用户提供更好的推荐结果。仿真实验结果表明:所提算法比基于Pearson相似度计算方法的算法推荐效果更优,具有更小的平均绝对误差(MAE),表明了其有效性和可行性。

结合用户兴趣和改进的协同过滤推荐算法

传统的协同过滤算法面对稀疏数据时计算相似度精确度偏低,导致评分预测结果计算不准确,推荐效果也随之下降.针对传统协同过滤算法的不足之处,提出了一种结合用户兴趣和改进的协同过滤推荐算法.该算法将用户评分分值差异度和用户评分倾向相似性加入到传统的协同过滤推荐算法中,同时用标准差来反映用户评分的离散性,并将离散系数作为判断用户评分对计算相似性的贡献度,与Pearson相关系数进行结合,从而消除项目自身质量属性对计算相似度带来的误差.最后将用户兴趣和改进的Pearson相关系数相结合,从而计算出更加准确的用户相似度.在真实的数据集上进行了实验验证,该算法提高了评分的预测效果,提高了推荐的精确度.

融合用户评分与显隐兴趣相似度的协同过滤推荐算法

协同过滤算法是推荐系统中使用最广泛的算法,其核心是利用某兴趣爱好相似的群体来为用户推荐感兴趣的信息。传统的协同过滤算法利用用户-项目评分矩阵计算相似度,通过相似度寻找用户的相似群体来进行推荐,但是由于其评分矩阵的稀疏性问题,对相似度的计算不够准确,这间接导致推荐系统的质量下降。为了缓解数据稀疏性对相似度计算的影响并提高推荐质量,提出了一种融合用户评分与用户显隐兴趣的相似度计算方法。该方法首先利用用户-项目评分矩阵计算用户评分相似度;然后根据用户基本属性与用户-项目评分矩阵得出项目隐性属性;之后综合项目类别属性、项目隐性属性、用户-项目评分矩阵和用户评分时间,得到用户显隐兴趣相似度;最后融合用户评分相似度和用户显隐兴趣相似度得到用户相似度,并以此相似度寻找用户的相似群体以进行推荐。在数据集Movielens上的实验结果表明,相比传统算法中仅使用单一的评分矩阵来计算相似度,提出的新相似度计算方法不仅能够更加准确地寻找到用户的相似群体,而且还能够提供更好的推荐质量。

加权高效用因子的两阶段混合推荐算法

传统协同过滤算法大多是围绕如何降低评分误差展开研究,未涉及用户评分过程。本文考虑到用户评分动机和用户本身评分倾向的情况,将用户评分过程分为用户评分和物品选择两个阶段,从预测用户兴趣概率和用户效用角度出发,采用潜在狄利克雷分布模型(LDA)挖掘出用户潜在高效用因子和物品被靶向概率因子,进而将两种因子加权融合作为第一阶段;第二阶段采用奇异值分解预测用户评分值并根据该评分值选择物品。综上,本文提出一种加权高效用因子的两阶段混合推荐算法(hybrid recommendation algorithm based on two-phase weighted high utility factor,Htp_Uf)。在 MovieLens数据集上,实验结果表明,该算法在归一化累计折损增益(NDCG)和 1-Call两种评价标准下优于其他4种推荐算法,能够有效提高推荐质量。

XML图书搜索中基于用户社会关系的查询推荐方法

基于关键词的图书搜索系统由于用户输入查询词的模糊性和简单性往往需要利用查询推荐技术对查询词进行扩展。目前的图书查询推荐方法不能辨别出不同用户在不同时期的图书请求意图和兴趣。提出一种基于用户社会关系的查询推荐方法,首先通过分析用户个人资料信息建立用户社会关系对象集合;其次获取用户社会关系对象对图书的标记词,计算输入查询词与标记词之间的共现率并建立用户社会关系标记词推荐集合,选取与查询词共现率最高的标注词进行查询词扩展。在实际图书数据集上的实验表明,该方法大大提高了查询结果的NDCG@10值,提高用户的满意度,表明该方法具有可行性。

基于账户参考利率的FISIM对GDP与收入分配的影响研究

本文从使用者成本的角度解析参考利率,并根据2008年SNA构建用于我国FISIM核算的账户参考利率,利用实际数据核算并分摊现价FISIM总产出;借鉴联合国国民经济核算工作组关于FISIM价格指数的思想,结合我国存贷款特点,构建存贷款服务价格指数,并缩减现价FISIM;最后,分析现价FISIM对GDP与收入分配的影响,并探究不变价FISIM对实际GDP的影响。研究结果表明,住户部门分摊的FISIM与净出口分摊的FISIM会增加GDP。各机构部门的初次分配总收入和可支配总收入也因增加值、财产收入及经常转移等的变化而相应变化。不变价FISIM对经济增长波动率的影响大于其对经济增长率的影响。

基于用户动态兴趣的视频点击率预测模型

针对经典的点击预测模型无法捕捉用户动态兴趣和分析特征低阶高阶交互困难的问题,提出一种基于用户动态兴趣的视频点击预测模型。该模型首先将离散的数据经嵌入过程后映射成易于操作的低维连续向量;为捕捉用户动态兴趣变化,引入transformer模型,同时分析用户点击视频序列与待预测的候选视频,抽取行为序列中的视频与待推荐视频之间的相互作用;为深入挖掘用户点击行为背后的隐式特征交互,引入DeepFM网络并在网络结构上进行优化改进,使模型更加适合顺序依赖的点击数据。实验结果表明本文提出改进的模型预测精度优于在点击率预测方面比较具有代表性的深度分解机等模型,同时引入transformer机制可以明显提升点击率预测的精度。

网页兴趣度度量方法及其在兴趣模型中的应用研究

根据用户以往网页浏览的隐式反馈信息来推断用户兴趣,给用户推荐感兴趣的网页内容,提出了网页兴趣度度量方法及其在兴趣模型中的应用。根据用户浏览网页时的停留时间和浏览行为,通过量化的兴趣度度量算法评估出用户对网页内容的感兴趣程度,从而建立起用户兴趣模型;在用户浏览网页的过程中,动态地更新用户兴趣;最终根据归纳出的用户兴趣向用户推荐文章。实验证明提出的网页兴趣度度量方法和对应的兴趣模型是可行的。

基于MMTD和兴趣偏向系数的协同过滤推荐算法

针对传统基于用户的协同过滤推荐算法存在的相似性度量不准确和缺乏对用户评分合理应用的问题,提出了一种结合中介真值程度度量(MMTD)和兴趣偏向系数的推荐算法。该方法首先采用MMTD度量用户评分的相似性;然后利用用户评分相似性改进余弦相似性公式和Jaccard公式,得到新的基于MMTD的用户相似性度量方法;最后结合兴趣偏向系数输出推荐结果。在MovieLens-100k数据集上的实验结果表明,该方法可以在一定程度上提高用户间相似性度量的准确性,提高推荐结果的准确率和召回率。

考虑显式评分的基于二部图的推荐算法

为解决传统网络结构推荐算法的造成信息丢失和数据稀疏而带来的推荐准确性低问题,本文在用户推荐能量流动时充分考虑用户对项目的显式评分,提出用户兴趣相似系数和用户评分代表能力两个概念,构造改进的基于网络结构推荐算法。实验结果表明改进后的算法能有效提高推荐算法的准确性,使推荐服务更好地满足用户的偏好需求。

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.