基于多空间属性信息融合的序列推荐

序列推荐旨在从用户的历史行为中建模用户不断变化的兴趣,从而做出与用户兴趣相关的推荐。近年来,物品属性信息被证明可以提升序列推荐的性能,很多工作基于属性信息融合去提升序列推荐的性能,都取得了成效但仍存在一定的不足。首先,它们没有显式地建模出用户对物品属性的偏好或者只建模了一个属性偏好向量,无法充分表达用户的偏好。其次,它们的物品属性信息融合过程未考虑用户个性化信息的影响。因此,针对上述不足,提出了基于多空间属性信息融合的序列推荐(MAIF-SR)。文中提出了多空间属性信息融合框架,在不同的属性空间下融合属性序列并建模出用户对不同属性的偏好,用多维兴趣充分表达用户的偏好;设计了个性化属性注意力机制,在融合信息的过程中引入用户个性化信息,增强融合信息的个性化效果。在两个公开数据集以及一个工业私有数据集上进行实验,结果表明,MAIF-SR优于用于对比的基于属性信息融合的序列推荐。

基于特征交叉注意力网络的序列推荐算法

为解决现有序列推荐算法只从项目级别序列中挖掘用户兴趣,并未探究项目属性及其交互对用户兴趣影响的问题,提出一种基于特征交叉注意力网络的序列推荐模型。通过构建项目属性级别注意力和序列级别注意力,更好挖掘用户兴趣;项目属性级别注意力旨在学习项目及项目属性间的自适应相关性;序列级别注意力聚焦从项目级别序列和属性级别序列上学习序列动态性。在两个公开数据集上的实验结果表明,所提方法相比其它主流序列推荐算法在Hit、NDCG和MRR指标上有明显提升。

基于评分矩阵填充与用户兴趣的协同过滤推荐算法

针对传统协同过滤推荐算法评分矩阵稀疏和推荐精度不高的问题,提出一种改进的协同过滤推荐算法。通过用户属性偏好和项目流行度计算用户对项目的偏好度,结合用户平均评分对评分矩阵中未评分项目进行填充。考虑到用户兴趣随时间的变化,将基于时间的兴趣度权重函数和偏好度引入到项目相似度计算和推荐过程中,确定项目最近邻集合,从而实现最优推荐。实验结果表明,与传统协同过滤推荐算法相比,该算法较准确地反映了用户的兴趣变化趋势,并且在有效解决评分矩阵稀疏问题的同时提高了推荐准确率。

基于用户兴趣和项目周期的协同过滤推荐算法

协同过滤推荐算法以没有限定推荐对象类型、无需用户反馈信息等优势在众多个性化推荐算法中脱颖而出。但是现有算法缺乏对用户之间的差异和用户自身的兴趣考虑,对用户和项目之间的潜在关联考虑不充分,这些问题均会影响推荐精度。该文提出一种基于用户兴趣和项目周期的协同过滤推荐算法,该算法在计算相似度时引入用户兴趣权重UI、项目时间等因素,并采用融合因子将改进后所得用户和项目信息进行综合,获得推荐列表。对比实验得出:该算法在推荐精确度上提高了11.034%,研究结果表明:该算法可有效提高推荐精确度。

结合项目区分用户兴趣度的协同过滤算法

协同过滤是推荐系统中应用最为广泛的方法.基于用户的协同过滤算法在计算用户相似性时,对不同的项目给予相同的权重,然而在现实中不同项目对刻画用户的兴趣所起作用不同,从而基于用户的协同过滤会造成对流行的项目打分高的问题,而不能真正反映用户的兴趣.本文提出项目的区分用户偏好值概念,从而更好的刻画了用户的兴趣,在此基础上,改进了计算用户相似度的方法,使推荐算法具有较高准确度.算法在标准数据集MovieLens上进行了测试,实验表明了算法的有效性.

基于用户兴趣和项目属性的协同过滤算法

针对传统协同过滤算法不能及时反应用户的兴趣变化、时效性不足而导致推荐精度不高的问题,提出一种基于用户兴趣和项目属性的协同过滤算法。在传统协同过滤基础上综合考虑评分时间、相似度以及项目属性等因素,首先在计算相似度过程中加入基于时间的用户兴趣度权重函数,然后再与项目属性相似度进行融合,最后进行项目预测与推荐。在Movielens数据集上的实验结果表明,所提出的算法与已有的经典算法相比,平均绝对误差降低了3%~6%,有效提高了推荐的准确性。

反映用户兴趣变化的协同过滤算法

针对传统协同过滤算法存在的两个弊端:一是传统的相似性度量方法在评分矩阵稀疏的情况下很难准确地反映用户间的相似性,二是不能及时反映用户的兴趣变化,提出一种新的相似性计算方法。此方法把基于用户兴趣度的相似性度量与基于项目相似度的数据权重结合,形成一种考虑用户兴趣变化的相似性度量方法。实验结果表明,改进后的算法集成了上述两种方法的优点,对传统算法中存在的两个弊端进行了改善,在推荐准确度上有所提高。

区分用户长短期兴趣的IBCF改进算法

协同过滤算法已被成功应用于许多领域,但遇到了可扩展性和精度低等问题,目前提出了许多改进算法,但它们均忽视了用户长短期兴趣对推荐的不同影响.针对这个问题,介绍了一种改进的长短期兴趣数据权重策略,它的关键是识别用户长期兴趣,为此提出了基于资源类别相似性和基于访问资源类别出现频率两种识别方法,并详细分析了这两种识别方法的优缺点.实验表明,将上述方法引入基于资源的协同过滤算法中,能提高推荐精度.

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。

协同过滤的相似度融合改进算法

针对传统协同过滤推荐在数据稀疏性条件下性能不佳的问题,在相似度计算上做出了优化,提出了一种基于项目类别和用户兴趣相似度融合的协同过滤算法,算法将相似度的计算分解为两个方面进行:用户-项目类别评分相似度和用户-项目类别兴趣相似度,将两者用合适的权值加以融合得到最终相似度,参与最终预测评分的计算.利用MovieLens公用数据集对改进前后的算法进行对比.结果表明,基于项目类别和用户兴趣的协同过滤改进算法有效地缓解了数据稀疏性问题的影响,提高了推荐的准确性.

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。

基于项目分类和用户群体兴趣的协同过滤算法

由于用户评分数据在极端稀疏的情况下会导致传统协同过滤算法的推荐质量下降,针对该问题,提出一种基于项目分类和用户群体兴趣的协同过滤算法。该算法根据项目类别信息对项目进行分类,相同分类的项目具有较高的相似性;利用评分数据计算各个项目分类上的用户相似性矩阵,并计算用户群体在各个分类上的兴趣,通过二者构造加权的用户相似性矩阵;利用用户加权相似性矩阵寻找用户的最近邻以获得最佳的推荐效果。实验结果表明,该算法能有效提高推荐质量。

一种基于用户兴趣分析的协同过滤推荐算法

传统的协同过滤推荐算法以用户对所有物品的评分向量作为计算用户相似度的依据,没有考虑到物品属性对用户兴趣的反映。为此,提出一种新的改进的相似度计算方法,引入了"用户兴趣分布矩阵"的定义,设计了启发式的评分预测方式,即根据兴趣相似度选出TOP-K用户之后,以用户标记的物品数量作为该用户的权重来预测评分。在Movielens数据集上的测试结果表明,改进后的算法相比传统的算法在平均绝对误差(MAE)上降低了7.3%。

基于用户兴趣和项目分类的协同过滤推荐算法

随着用户产生的评分数据的稀疏性越来越高,传统的协同过滤算法在计算用户相似性和项目相似性的过程中暴露出弊端,导致推荐质量急剧下降。针对用户评分矩阵数据稀疏性高、推荐精度低等问题,首先采用用户兴趣分布对评分矩阵预测填充,以降低数据的稀疏性,然后在寻找最近邻居的过程中,提出基于项目分类的修正余弦相似性的度量方法,利用用户评分在项目类别内的偏离程度来改进修正余弦相似性,以寻找更加准确的K近邻。在MovieLens 1m数据集上进行了实验,结果表明,在用户评分数据稀疏性较高的情况下,该方法可以有效地改善传统的余弦相似性,修正余弦相似性度量方法所存在的问题,显著提高了推荐质量。

融合用户兴趣度的基于自注意力的序列推荐模型

序列推荐试图利用用户的连续行为、用户偏好、物品流行度以及用户和项目之间的交互动作进行建模,传统的马尔科夫链(MC)、递归神经网络(RNN)和基于自注意力的模型已被大量应用于序列推荐,但它们只是将交互历史假设成有序序列,忽略各个交互之间的时间间隔,也不考虑序列中项目之间交互的可能性存在大小关系以及用户对项目的兴趣度可能随着时间推移而发生变化。文中对基于时间间隔感知自注意力的序列推荐模型TiSASRec进行优化,提出了考虑到用户对项目的兴趣度会发生变化的改进模型TiSeqRec,该模型基于TiSASRec,进一步捕获用户整体偏好和局部偏好,并使用一致性感知门控网络将两种偏好智能结合,预测下一项的内容。通过大量的实验验证了TiSeqRec模型在稀疏、密集数据集和不同的评价指标上都优于已有的最新的序列推荐模型。

融合动态兴趣偏好与特征信息的序列推荐

传统的序列推荐通常忽略用户和项目特征信息的重要性,且无法有效对动态的兴趣偏好进行建模.因此,提出融合动态兴趣与特征信息的序列推荐算法.该算法通过对目标项目进行动态兴趣建模,克服兴趣转移带来的影响;同时融合用户和项目特征信息模拟真实的用户行为以提高推荐的性能.首先,针对动态兴趣建模,采用辅助函数应用下一个行为监督上一个隐藏兴趣状态的学习,并采用带注意力机制的门控循环单元为不同的兴趣状态对目标影响程度赋予不同的权重;然后,针对用户和项目特征信息特征融合,采用平凡注意力机制为影响目标项目的特征赋予不同的权重,并通过多头注意力机制进行深层次的特征提取;最后,融合用户动态兴趣表示和用户项目特征表示输入到多层感知机.在Yelp和MovieLens-1M数据集上进行仿真实验,结果表明提出模型的性能比一些基线模型有较好的提升.

融合用户兴趣度与项目相关度的电影推荐算法研究

在目前的电影推荐系统中,传统的推荐算法具有用户评分数据稀疏的不足,因此无法根据用户喜好进行准确推荐。针对上述问题,本文提出一种融合用户兴趣度与项目相关度的电影推荐算法,此算法基于项目类别属性的用户兴趣度计算用户间相似性,并结合基于关联规则思想计算项目间相似性从而产生推荐。基于Movielens数据集的实验结果表明,本文所提出的算法比传统的推荐算法在推荐准确度上有明显提高。

融合项目属性和用户兴趣迁移的协同过滤算法

协同过滤算法作为各种商业推荐技术最常使用的方法之一。然而,由于数据的稀疏性和用户的评分存在单一的相似性,低精度相似度度量降低了推荐系统的性能。针对上述问题,提出了一种协同过滤改进方法。方法基于项目的分类属性,以用户的兴趣度量用户的相似度,量化用户的兴趣所发生的动态迁移,构建新的相似度量模型。Movielens测试结果表明,提出的算法缓解了数据稀疏性,优化了最近邻的选取,与传统算法相比有着更高的推荐精度。

基于热门物品惩罚和用户兴趣变化的知识推送算法

为了提高用户相似度计算的精度和知识推送的准确度,提出了一种基于热门物品惩罚和用户兴趣变化的协同过滤推送算法。该算法首先对知识项进行聚类;其次在每一类中引入用户兴趣度函数来对类内未评分知识项进行评分值预测;然后在每个类的用户相似度计算中引入热门物品权重系数,用以惩罚热门物品对用户相似度的影响;最后在推送当中引入用户兴趣随时间变化的权重系数。实验还采用MovieLens数据集进行了测试,结果表明,改进后的算法比传统的协同过滤算法在推送准确度上有明显提高。

基于用户兴趣的动态近邻协同过滤算法

为了帮助人们从大量互联网资源中找到感兴趣的信息,推荐系统由此而生.其中,应用最广泛,也是最早出现的推荐算法包括协同过滤算法,但是该算法还存在着许多不足之处.该算法主要考虑用户的评分数据,未能结合项目进行考虑,同时在选取当前用户的最近邻用户时,通常统一规定了近邻用户数目,没有结合每个用户的实际数据,导致推荐的效果无法取得最优.因此,本文在充分考虑用户评分的情况下,还结合项目信息加入了用户的兴趣偏好,提出了一种基于用户兴趣的动态近邻协同过滤算法.综合用户的标签数据和评分数据来计算相似度,可以很好的缓解仅依靠评分数据带来的稀疏性问题.同时在得到用户之间的相似度之后,设定2个阀值,分布选取最近邻用户.只有当用户间相似度超过阈值,该用户才会被选择为最近邻的用户,动态的找到每一个用户的严格最近邻用户.通过实验,与常用的协同过滤算法相比,本文提出的算法推荐的误差更小,并且为以后的研究工作奠定了基础.