基于LDA和CTR的用户模型分析

个性化服务一直是研究的热点,但是如何构建完整的用户模型是一个颇有挑战性的问题。将基于主体模型LDA对用户模型进行预测,在用户和推荐项目的特征向量上采用CTR进行约束,使结果更为准确。在只需要少量人为因素下,由机器来训练最初的主题模型,在训练模型的基础上,通过选取100名用户的微博作为测试,用等级打分制来对推荐的项目进行打分,最终的结果显示,在新闻推荐上,微观满意度达到82.5%;而在名人推荐上,微观满意度达到了84.3%,综合以上,推荐服务的满意度还是令人满意的。

一种基于多任务学习的科学文献推荐算法

传统推荐算法通过主题模型或者词语向量化的平均值对文本内容进行映射。针对现有方法不能充分利用文本信息或忽略词序信息这一问题,文中面向科学文献,提出了一种多任务学习推荐方法。该方法基于多任务学习框架,设计编码器并搭建了GL模型。该模型被训练为内容推荐与文本元数据预测的组合,可改善传统协同过滤的稀疏性问题,使得协同过滤模型正则化。最后,分别在公开数据集与私有数据集上进行了评估测试,结果表明所提方法性能优于现有的经典方法。

基于SDAE特征表示的协同主题回归推荐模型

为解决推荐系统中的冷启动问题,在协同主题回归CTR模型的基础上引入堆叠去噪自编码器SDAE深度学习网络,用于学习用户辅助信息的隐表示,建立SDAE-CTR模型。模型应用2层SDAE网络,以用户信息为网络输入量,将编码过程获得的用户辅助信息的隐表示和解码过程获得的输入近似表示为网络的双输出量,最小化用户辅助信息和近似表示的差值来确定最优隐表示。模型融合用户-项目评分矩阵(冷启动条件无评分)、项目内容信息和用户辅助信息实现用户对未评分项目的评分预测,并在LastFM、Book Crossing和MovieLens数据集上从推荐准确度、新颖性和用户冷启动条件下的推荐效果等3方面对SDAE-CTR模型和CTR模型进行比较。结果表明,SDAE-CTR模型在冷启动或非冷启动的条件下,推荐效果都要优于CTR模型的,虽然新颖性较CTR模型稍微逊色一些,但理论上在合理的范围内,总体上SDAE-CTR模型表现较优。

协同显式和隐式主题回归的论文推荐算法

针对传统论文推荐模型存在冷启动和推荐解释困难的问题,在协同主题回归的基础上,建立了一种协同显式和隐式主题回归的论文推荐模型。模型中显式主题能够表示用户对论文内容中包含显式内容的偏好程度,隐式主题能够覆盖论文内容中没有显式包含的内容,该算法能够对推荐结果给出一定的解释。在CiteULike数据集上的实验结果表明:在不同推荐列表长度下,协同显式和隐式主题回归模型的推荐精度和召回率优于协同过滤和主题回归模型。