融合多维特征与兴趣漂移的虚拟学术社区群推荐模型

[目的/意义]为促进虚拟学术社区知识流转效率,弥补当前针对核心用户群组识别及动态兴趣漂移关注不足的问题,本文构建融合多维特征与兴趣漂移的虚拟学术社区群推荐模型。[方法/过程]以“科学网”为研究对象,从网络传播维度和网络结构维度出发,运用改进的信息熵公式综合识别核心用户并聚类发现用户群组。在此基础上,融合群组兴趣特征向量,基于滑动时间窗口和非线性遗忘曲线分析群组兴趣漂移过程,根据动态兴趣漂移结果进行群组推荐并验证该模型的适用性。[结果/结论]实验结果表明,该模型基于用户多维特征可以准确识别核心用户并能很好地反映群组兴趣漂移特征,同时,本文提出的群组推荐算法相比传统算法在推荐结果的准确率上明显提升。

一种基于遗忘机制与余弦相似度的智能推荐算法

为了解决传统的协同过滤推荐算法计算用户之间相似性度量时,忽略用户与物品之间的相似关系导致推荐性能下降的问题,设计了一种结合遗忘机制与用户相似度的推荐算法。该算法基于用户-用户和物品-物品余弦相似度值和关系二元性,同时引入遗忘机制,根据用户对物品的评分以及记忆留存率进行偏好权重计算,再通过仔细合并相似度的值提高系统的覆盖率和点击率。通过在数据集MovieLens上与其他链接预测算法进行对比实验,结果证明该算法的命中率相较于其他算法提高了约7%,覆盖率略高于现有算法。

基于用户长短期偏好的序列推荐模型

针对现有序列推荐模型忽略了不同用户的个性化行为,导致模型不能充分捕获用户动态偏好而产生的兴趣漂移等问题,提出了一种基于用户长短期偏好的序列推荐模型(Sequential Recommendation Model Based on User’s Long and Short Term Preference,ULSP-SRM)。首先,根据用户的序列中交互物品的类别和时间信息生成用户的动态类别嵌入,进而有效建立物品之间的关联性,并且降低数据的稀疏性;其次,根据用户当前点击物品和最后一项点击的时间间隔信息生成个性化时序位置嵌入矩阵,模拟用户的个性化聚集现象,以更好地反映用户偏好的动态变化;然后,将融合了个性化时序位置嵌入矩阵的用户长期偏好序列以会话为单位输入门控循环单元中,生成用户的长期偏好表示,并通过注意力机制将用户长短期偏好进行融合,生成用户的最终偏好表示,从而达到充分捕获用户偏好的目的;最后,将用户最终偏好表示输入推荐预测层进行下一项推荐预测。在Amazon公开数据集的7个子集上进行实验,采用AUC(Area Under Curve)值、召回率和精确率指标进行综合评估,实验结果表明,所提模型的表现优于其他先进基准模型,有效地提升了推荐性能。

基于内容和兴趣漂移模型的电影推荐算法研究

针对基于内容的推荐算法中,内容相似度计算精度低、用户兴趣漂移等问题,提出一种结合影评内容相似度和长短期兴趣模型来计算电影相似度的推荐方法。算法利用TextRank、Word2Vec等技术和模型对影评进行关键词抽取和词向量构建,同时基于Word2Vec训练结果进行电影内容相似度计算,一定程度上解决了近义词、网络词等带来的准确率下降问题;然后基于长短期兴趣漂移模型,统计用户对不同内容属性的偏好权重,并随时间窗口动态计算电影相似度矩阵,缓解了用户兴趣随时间漂移而改的问题;最后根据不同推荐策略获得推荐结果。实验结果证明,该算法比对比方法正确率提高了5%左右,同时兴趣模型提取了用户长短期兴趣标签,在工业界及基于标签的算法等场景中都具有很高的实用价值。

基于优化时间窗的用户兴趣漂移方法

针对个性化服务系统中如何跟踪用户兴趣变化和调整用户兴趣模型的问题,提出基于优化时间窗的用户兴趣漂移算法。利用分类错误率的变化跟踪用户兴趣的漂移,当用户兴趣发生变化时,通过优化时间窗算法自动调节时间窗的大小,以达到调整用户兴趣模型的目的。实验表明,该方法能较为准确地描述用户的兴趣变化,提高个性化信息服务的效率。

基于遗忘曲线的协同过滤推荐算法

协同过滤是成功的个性化推荐技术之一.但传统协同过滤算法由于不能及时反映用户的兴趣变化,影响了推荐质量.针对这个问题,本文借鉴心理学上艾宾浩斯遗忘曲线来跟踪和学习用户的兴趣,展开了协同过滤推荐算法的研究.通过数学分析工具发现了与遗忘曲线拟合度较高的幂函数曲线,并把用户的兴趣分为短期兴趣和长期兴趣,提出了基于时间窗口的权重函数,以此解决跟踪和学习用户兴趣的难题.结合项目的评分相似性和属性相似性来定义项目相似度数据权重函数.将基于时间窗的数据权重与基于项目相似度的数据权重相结合来反应用户对项目的兴趣度.最后,在项目近邻模型的基础上设计了跟踪用户兴趣变化的基于遗忘曲线的协同过滤推荐算法.通过大量的实验工作确定了相关公式中系数的取值;对比实验结果表明新的协同过滤推荐算法在推荐的准确性方面有显著的提高.

基于时间加权的协同过滤算法研究

协同过滤算法是目前个性化推荐系统中应用最成功的推荐算法之一,但传统的算法没有考虑用户兴趣漂移的问题,导致推荐系统的推荐质量下降。针对这个问题,提出了基于时间加权的协同过滤算法。实验表明,改进的算法提高了推荐系统的推荐质量。

线性逐步遗忘协同过滤算法的研究

协同过滤系统是目前最成功的一种推荐系统,但是传统的协同过滤算法没有考虑用户兴趣变化问题,导致用户兴趣发生变化时的推荐质量较差。该文借鉴心理学遗忘规律,提出了线性逐步遗忘协同过滤算法。该算法依据评价时间线性逐步减小每项评分的重要性。基于MovieLens数据集的实验结果表明,该算法在准确性方面优于传统的协同过滤算法。

基于用户兴趣变化的数字图书馆知识推荐服务研究

针对用户的兴趣变化具有时间敏感性特点,文章提出基于用户兴趣变化的数字图书馆知识推荐模型。首先融合标签和时间等因素,通过用户使用标签的频率以及对资源的标注时间等信息构建用户-资源评分矩阵;然后结合协同过滤算法,计算目标用户最近邻从而完成知识推荐,并在此基础上设计个性化知识推荐服务模型;最后探讨系统知识推荐服务机制及其应用。

一种检测兴趣漂移的图结构推荐系统

协同过滤是构造推荐系统最有效的方法之一.其中,基于图结构推荐方法成为近来协同过滤的研究热点.基于图结构的方法视用户和项为图的结点,并利用图理论去计算用户和项之间的相似度.尽管人们对图结构推荐系统开展了很多的研究和应用,然而这些研究都认为用户的兴趣是保持不变的,所以不能够根据用户兴趣的相关变化做出合理推荐.本文提出一种新的可以检测用户兴趣漂移的图结构推荐系统.首先,设计了一个新的兴趣漂移检测方法,它可以有效地检测出用户兴趣在何时发生了哪种变化.其次,根据用户的兴趣序列,对评分项进行加权并构造用户特征向量.最后,整合二部投影与随机游走进行项推荐.在标准数据集MovieLens上的测试表明算法优于两个图结构推荐方法和一个评分时间加权的协同过滤方法.

一种检测兴趣漂移的元路径推荐模型

推荐系统向用户推荐个性化的产品或服务.传统的推荐系统研究中,用户兴趣被认为是稳定不变的,而事实上,因为各种因素的影响,用户兴趣会发生改变,称为用户兴趣漂移.如何跟踪用户兴趣漂移,是提高推荐系统准确率的关键,也是近年来推荐系统的研究热点.本文设计一种兴趣漂移检测方法,从项目的内容信息和协同信息两个角度构建用户的兴趣特征向量,检测用户兴趣漂移;然后依据兴趣漂移构建加权的用户-项目异构图;最后引入元路径来描述用户-项目异构图中不同类型节点间的关联关系,寻找与用户有较大关联度的项目推荐给用户.本文在MovieLens数据集上对该模型进行了验证,较BPIR算法,推荐准确度提高了3. 02%.

适应用户兴趣变化的非线性逐步遗忘协同过滤算法

针对传统的协同过滤(Collaborative Filtering,CF)算法没有考虑用户兴趣变化、导致其推荐质量较差的问题,借鉴心理学遗忘规律,提出非线性逐步遗忘协同过滤算法.该算法依据评价时间减小每项评分的重要性,并在此基础上确定用户间的相似度.最后基于MovieLens数据集对本算法进行测试,实验结果表明该算法在准确性方面优于传统的协同过滤算法.

基于Web访问信息的用户兴趣迁移模式的研究

针对用户浏览网页的兴趣会随时间而变化这一现象,设计了一种网络用户兴趣迁移模式的挖掘模型。把用户的访问兴趣通过隐马尔可夫模型抽象成一种时间序列,以此反映用户兴趣的序列性,进而利用GSP算法从用户兴趣序列中挖掘出用户兴趣的迁移模式。实验证明该方法是有效的,从时间属性上更深层次地描述了用户兴趣的变化情况。

混合模型的用户兴趣漂移算法

针对个性化信息服务中的用户兴趣漂移问题,提出了一种新的正态分布密度曲线遗忘函数,该函数符合用户兴趣遗忘的规律.并且将用户模型定义为长期模型和短期模型相结合的混合模型,其中短期模型使用最近最久未使用的滑动窗口算法进行更新,长期模型采用正态渐进遗忘算法进行更新.实验表明,该方法能够较迅速地发现和准确地跟踪用户的兴趣变化,提高了个性化信息服务的效率.

基于客户行为和兴趣变化的电子商务推荐系统

目的改善传统协同过滤推荐系统,提高推荐结果的准确性。方法采用混合推荐方法,将客户对商品的显式评分和客户的访问行为相结合,并借鉴心理学遗忘规律,引入指数遗忘函数,将客户评分数据的重要性依据时间逐渐衰减,以此来反映客户的兴趣变化。结果设计了基于客户行为和兴趣变化的混合推荐模型,给出了客户兴趣数据的获取方法和考虑客户兴趣变化的推荐方法。结论该方法在推荐结果的准确性上要优于传统的协同过滤推荐。

满足用户兴趣漂移的计算自适应快速推荐算法

针对推荐算法未考虑大数据量计算导致系统性能差及基于历史评分的相似性不能反映用户兴趣动态变化的问题,提出了满足用户兴趣漂移的计算自适应快速推荐算法。该算法依据CPU等计算资源使用率动态调整待推荐用户窗口,并按项目类别及其访问热度动态分配计算时间,计算自适应项目与目标用户的优先级和相似性计算难易度,提高计算效率与响应速度;建立访问次数随时间变化的兴趣度量函数自适应用户兴趣漂移,提高推荐质量。实验结果表明,算法速度更快、推荐更准确、用户体验更好。

灵活适应不同业务的个性化推荐系统研究

互联网技术的迅速发展,尤其是以个性化为主要特点的Web 2.0的不断成熟,使得大量信息同时呈现在人们面前,个性化推荐技术的价值日益凸显。提出了一种灵活适应不同业务的个性化推荐系统设计方案,采集并分析用户的所有显式行为和隐式行为,结合用户行为配置文件和熵值法分析用户对物品的兴趣度,并引入时间遗忘函数,解决用户兴趣漂移问题,然后基于协同过滤技术得到用户的个性化推荐列表。通过实际数据进行测试,给出了系统推荐效果评估分析。

一种基于动态角色标识和张量分解的推荐模型

社交网络推荐中,通常未依据用户兴趣变化进行用户角色动态标注,会造成推荐预测误差,并且用户评分数据稀疏造成评分预测不准确.根据以上问题,本文提出一种基于动态角色标识和张量分解的推荐模型.首先,针对用户角色无差别标识问题,引入信息熵指标度量用户兴趣多样性,对目标用户进行角色定量标识.其次,考虑到用户兴趣漂移现象,提出基于时间窗的动态角色标识方式,解决静态角色标识产生的个体评分数据无偏好差异问题,实现用户评分数据层次化处理.最后,为提高评分预测准确率,通过引入张量分解在数据维度转换和数据压缩的特性,构建基于"用户-项目-角色"张量分解的评分预测模型.同时,在张量分解的过程中,通过对数据缺失值处理,提高评分预测精度,生成目标用户推荐列表.实验表明,该方法缓解了用户无角色差异形成的预测误差问题,并能够有效改善评分数据稀疏情况下传统方法推荐精度不足的问题,提高推荐效率.

基于兴趣衰减的个性化排序算法

目前多数个性化排序算法未考虑用户兴趣随时间产生的漂移变化,从而影响排序质量。为此,提出一种融合用户兴趣衰减的个性化排序算法。利用传统个性化排序算法的用户兴趣模型,及用户搜索兴趣的变化规律,分析搜索兴趣程度的时间衰减性,以人类遗忘曲线为基础给出适合搜索兴趣变化的指数遗忘函数,并将其运用到传统个性化排序算法中。实验结果表明,与基于兴趣模型的个性化排序算法相比,该算法能提高个性化搜索引擎的查准率。

融入情境强度的客户行为模式挖掘及变化侦测

现有的客户行为分析往往忽略了客户群体的情境信息,使得行为模式及其变化分析存在局限性.文章首先定义了客户的情境、情境强度和行为变化,并对其进行了量化处理;其次,提出了融入情境强度约束的行为模式挖掘方法和模式变化侦测方法,并进一步提取了造成行为变化的关键情境.文中对情境强度的考虑,使得规则变化的敏感度加大,改进了海量数据稀疏下关联规则支持度、置信度和敏感度低的缺点.实验和分析证明了方法的可行性和有效性.