融合信息瓶颈与图卷积的跨域推荐算法

基于迁移学习的跨域推荐可以有效地学习连接源域和目标域的映射函数,但其性能仍然受到表征质量不高和负迁移问题的影响,不能有效地为冷启动用户进行推荐,为此提出了一种融合信息瓶颈与图卷积网络的跨域推荐模型(IBGC)。利用图卷积神经网络聚合有关联的用户-用户和项目-项目信息;利用注意力机制学习用户和项目偏好,以提高节点特征表示质量;考虑到两个领域的信息交互,将重叠用户进行嵌入表示的同时限制特定信息的编码,利用信息瓶颈理论设计了三种正则化器,以捕获域内和跨域用户-项目的相关性,并将不同领域的重叠用户表征对齐以解决负迁移问题。在Amazon数据集中的四对公开数据集上进行实验,实验结果表明该模型在MRR、HR@K和NDCG@K三个推荐性能指标上的表现均优于基线模型,在四对数据集上与最优对比基线模型相比,MRR平均提升34.36%,HR@10平均提升34.94%,NDCG@10平均提升36.83%,证明了IBGC模型的有效性。

基于邻居交互增强和多头注意力机制的跨域推荐模型

针对基于映射的跨域推荐模型未充分关注源域中数据稀疏的用户,导致用户偏好的迁移效率降低的问题,提出了一种基于邻居交互增强和多头注意力机制的跨域推荐模型。首先,利用邻居用户的交互项目来增强源域中数据稀疏用户的交互序列,以捕获更丰富的用户行为信息。然后,采用多头注意力机制从交互序列中提取用户可迁移的偏好特征,以全面捕捉用户兴趣的多个方面。最后,将提取的用户特征输入元网络生成个性化映射函数,并根据源域迁移的用户嵌入来实现目标域的个性化推荐。在亚马逊和豆瓣数据集上进行实验,结果表明所提出的模型相较于最优的基线模型,平均绝对误差指标最高提升了6.54%,均方根误差指标最高提升了3.73%。有效地提高了目标域的推荐性能,能够在电子商务等领域为用户提供更准确的项目推荐。

基于标签挖掘和聚类算法的新用户快速兴趣建模

旅游网站上有着数不胜数的景点信息,但是对新用户来说,网站缺少他们的浏览记录、旅游经历等数据,因此很难从众多景点中精确推荐出适合他们的景点。本研究提出了一种通过标签挖掘和聚类算法快速构建新用户兴趣模型的方法,以提高旅游推荐系统中新用户的用户体验感。

基于受限信任关系和概率分解矩阵的推荐

现有的推荐算法很难对没有任何记录的冷启动用户或者历史记录稀疏的用户给出准确的推荐,即用户的冷启动问题.本文提出一种基于受限信任关系和概率分解矩阵的推荐方法,由不信任关系约束信任关系的传播,得到准确且覆盖全面的用户信任关系矩阵,并通过对用户信任关系矩阵和用户商品矩阵的概率分解联合用户信任关系和用户商品矩阵信息,为用户给出推荐.实验表明该方法对冷启动用户和历史记录稀疏的用户的推荐效果有较大幅度的提升,有效地解决了用户的冷启动问题.

新闻推荐系统中用户冷启动问题的研究

提出利用用户上下文信息,解决新闻推荐系统中用户冷启动问题的方法.通过已有用户对于新闻的点击浏览记录,提取其在不同环境中的上下文信息,并利用兴趣分类记录构建决策树分类模型.新用户到达时,提取此用户在当前环境中所带有的上下文信息并与决策树模型进行匹配,以此预测新用户的新闻浏览兴趣,并将新闻主题与用户兴趣进行匹配,进而完成新闻推荐.实验结果表明,本文提出的基于用户上下文信息的方法能够有效缓解新闻推荐系统中用户冷启动问题,用户满意度明显提高,新闻推荐结果更为人性化.

一种基于协作过滤的电影推荐方法

在海量网络资源中,用户为了寻找喜欢的视频往往需要进行频繁操作,个性化推荐服务可以有效解决该问题,但当前推荐服务准确度较低,为此,提出一种基于协作过滤的改进推荐方法。根据相似用户群,即邻居集的点播记录确定当前用户的推荐电影子集,挖掘当前用户的喜好,建立兴趣模型,并与推荐子集中的电影进行匹配,按匹配度高低进行推荐。对推荐电影子集进行分类,以适应家庭中多用户观看的情况。另外在系统运行初期采用相似影片的推荐以一定程度地缓解冷启动问题。实验结果表明,与现有协作过滤算法相比,改进推荐方法的推荐准确度有明显提高。

基于三部图网络结构的知识推荐算法

针对传统的知识推荐算法存在用户冷启动和冷门物品推荐的问题,提出了一种基于三部图网络结构的知识推荐算法。在计算相似度时引入网络结构中的度,综合考虑项目的度和权值及标签的度和权值对推荐算法的影响。实验结果表明,该算法提高了推荐的个性化和多样性,有效地解决了用户冷启动和冷门物品推荐的问题,改善了推荐效果。

基于用户特征和项目属性的协同过滤推荐算法

在数据极度稀疏的环境下,仅仅依赖用户直接评分数据的传统协同过滤算法无法取得满意的推荐质量。提出基于用户特征和项目属性的协同过滤算法,在用户相似性计算过程中引入时间相关的兴趣度,使得最近邻的确定更加准确;预测评分时,通过衡量用户信任度来体现各邻居对目标用户最终推荐的贡献程度,并以用户对项目属性的偏好度代替评分数据对新项目进行推荐。基于MovieLens数据集进行的实验结果表明,改进后的算法有效解决了系统冷启动问题,明显提高了系统推荐的准确度。

推荐系统冷启动问题解决策略研究

推荐系统利用机器学习技术进行信息过滤,快速准确地定位用户需要的信息,并且能够预测用户对目标项目的喜好程度。由于新用户与新项目的存在,传统的推荐系统在缺少数据信息的情况下面临着冷启动问题的挑战,导致系统无法为用户产生准确的推荐。分析冷启动产生的原因,阐述解决冷启动问题的意义,从是否考虑冷启动类型等方面对目前推荐系统冷启动问题的研究成果进行分类总结,并尝试给出冷启动问题未来的研究重点与难点。目前较为普遍的处理方式是将多种数据源与多种推荐方法进行混合使用,从而提高系统推荐的准确度与效率,但是仍然存在着如在收集用户各类信息的同时如何保护个人隐私、如何建立推荐系统的效用评价等难点问题。

融合用户相似度与评分信息的协同过滤算法

推荐系统利用机器学习的技术进行信息过滤,准确地定位用户需要的信息,并且能够预测用户对目标项目的喜好程度。但是由于新用户和新项目的存在,传统的协同过滤推荐系统面临着冷启动问题的挑战。为了解决协同过滤推荐系统中用户冷启动问题,设计了融合用户相似度与评分信息的协同过滤算法(SR-CF)。该算法用基于人口统计学的推荐算法找出用户基本信息之间的相似度,再根据最速下降法对用户评分矩阵进行更新,从而产生对目标用户的推荐。基于Moive Lens公开数据集的实验结果表明,所设计的算法在保证推荐准确率的同时提高了推荐的覆盖率,能有效解决用户冷启动问题。

一种基于网站聚合和语义知识的电影推荐方法

针对传统个性化推荐方法中存在的稀疏性、冷启动、过度专业化且准确率低等问题,提出一种基于网站聚合和知识的电影推荐方法。利用网络爬虫聚合源网站对某部电影的相关推荐,得到待推荐电影集,使用电影知识构建基于本体论的电影模型,并在该模型的基础上给出一种学习用户偏好权重的算法,采用SimRank算法和加权平均值计算电影相似度,根据相似度高低向用户进行推荐。实验结果证明,该方法的推荐准确度在非实时推荐场景下较现有方法提高10%以上,且实时推荐的推荐质量有明显提高,在一定程度上解决了稀疏性、冷启动及过度专业化等问题。

融合项目属性偏好的矩阵分解推荐模型

为了解决传统协同过滤算法针对数据稀疏,特别是冷启动等一系列问题时,无法准确地计算出用户与用户、物品与物品之间的相似度,进而无法精准地为用户推荐相应物品的难题,结合基于近邻的协同过滤算法及基于模型协同过滤算法的优势,提出了一种基于矩阵分解的推荐模型。该模型使用基于模型的协同过滤,以矩阵分解为基础,同时融入其他辅助信息,以期优化矩阵分解的效果,从而进行更精准的评分预测。基于传统矩阵分解算法,在已有的推荐模型中,首先基于用户属性与项目属性信息进行相似度计算,构建评分矩阵,进行用户的初始评分预测;然后融合用户对项目属性的喜好构建用户兴趣矩阵,同时以用户属性信息、项目属性信息作为辅助,融入到新的矩阵分解模型中,进行冷启动用户的评分预测。与传统的个性化推荐模型相比,新模型有着更好的推荐准确性。通过仿真实验,也证实了这个推荐模型对于冷启动问题有一定程度的缓解,准确性也有所提升。同时,在模型可扩展性等方面,也取得了较好的效果。

集成社会化标签和用户背景信息的协同过滤推荐方法

针对传统的协同推荐算法存在数据稀疏和推荐精度低的问题,提出了一种集成社会化标签和用户背景信息的协同过滤(CF)推荐方法。首先,分别计算基于社会化标签和用户背景信息的用户间的相似度;然后,基于用户评分计算用户间的相似度;最后,集成上述3种相似性度量产生用户间综合相似度,并对目标用户进行项目推荐。实验结果表明,与传统的协同过滤推荐算法相比,所提方法在正常数据集和冷启动数据集下的平均绝对误差(MAE)平均降低了16%和22.6%。该方法不仅能有效地提高推荐算法的精度,而且能较好地解决数据稀疏和冷启动的问题。

基于用户多属性与兴趣的协同过滤算法

传统的协同过滤算法广泛应用于推荐系统领域,但该算法仍存在用户冷启动和数据稀疏性问题,造成算法的推荐质量较差。对此,提出一种基于用户多属性与兴趣的协同过滤算法AICF(attributes and interests collaborative filtering)。首先通过对多种用户属性分配权重计算出用户多属性相似度。其次利用改进的Slope One算法填充用户—项目评分矩阵,然后计算基于隐性标签的用户兴趣相似度。最后基于两种相似度的组合进行推荐。实验结果表明,AICF算法不仅明显提高了推荐结果的准确性,同时也改善了用户冷启动和数据稀疏性问题。

基于主题序列模式的旅游产品推荐引擎

旅游产品推荐是当前推荐系统研究领域中的新兴议题之一.由于旅游产品描述信息维度多样复杂、"用户-产品"关联矩阵极为稀疏且冷启动问题突出,已经在电子商务领域获得成功的协同过滤推荐往往难以直接被应用于旅游产品推荐.提出基于主题序列模式的旅游产品推荐引擎SECT,试图通过在线旅游网站点击日志的挖掘产生推荐.首先,从页面语义描述文本中挖掘主题,以在泛化层面捕捉用户行为模式;其次,从页面访问时间序列数据中挖掘频繁序列模式及其候选产品集,形成序列模式库;最后,提出Markov n-gram模型,完成用户实时点击流与模式库匹配计算.为了提升在线匹配计算的效率,设计一种新的多叉树数据结构PSC-tree用于存储历史模式库,并与在线计算模块无缝衔接.在真实旅游数据集上的实验结果表明:该推荐引擎比传统推荐算法具有更优越的性能,而且能有效提升冷启动用户的推荐率和准确率.此外,针对长尾物品的推荐,SECT也优于基准算法.

基于用户特征分解的协同过滤冷启动解决算法

协同过滤中的冷启动问题是个性化推荐系统的一个难点,本文提出了一种基于用户特征分解的解决算法。首先构建了用户表示矩阵同时为保证不同用户评价的可比性,把每个用户的评价向量进行标归一化处理得到标准用户评价矩阵然后将两者进行合成得到用户特征对资源的标准评价矩阵。当新用户表示为用户特征向量,与特征评价矩阵合成得到新用户的预测评价向量,从而进行个性化推荐。基于MovieLens数据集进行的实验表明,该算法可以一定程度上解决系统冷启动问题,提高系统推荐质量。该算法还可以很方便地推广解决新资源的冷启动问题。

基于综合相似度和社交标签的推荐算法

针对传统个性化推荐方法所面临的冷启动、数据稀疏等问题,本论文结合了项目组的前期研究,在综合考虑用户特征和用户信任度的基础上,引入了用户兴趣,形成综合相似度.针对目前推荐系统中评分数据较少的问题,论文结合了社交标签,丰富了推荐数据.首先利用综合相似度,找到用户的相似近邻,并将相似近邻所标注的标签形成一个标签集.其次利用基于标签的推荐算法,产生最终的推荐列表.实验结果表明,该算法能够有效提高推荐的准确率和召回率.

基于动态社会行为和用户背景的协同推荐方法

针对传统协同过滤推荐算法推荐精度低及冷启动的问题,提出了一种基于动态社会行为和用户背景的协同推荐方法。作为用户标注行为的结果,变化的标签体现了用户行为的动态性。该方法首先根据动态社会化标签得出用户的动态兴趣偏好相似度,然后根据用户背景信息计算出用户相似度,最后计算基于时间权重的用户评分相似度,并集成上述3个相似度找出最近邻居集,以为目标用户提供更加准确的个性化推荐。实验结果证明,该方法不仅能较好地解决数据稀疏和冷启动的问题,还能有效提高推荐算法的精确度。

冷启动下用户特征模型的构建与个性化推荐

针对个性化推荐中的冷启动和用户模型主观个性特征描述不足的问题,提出一种基于用户初始特征模型优化构建的个性化推荐方法。通过对成对比较矩阵构建方法的优化和改进,减少提取主观性权重比较结果时,用户的比较操作次数,通过推导计算得出用户的初始特征模型,并据此完成推荐。通过将该方法应用到周边美食个性化推荐中,验证该方法所建立的初始用户模型,能够准确反应用户的主观偏好特征,得到满意的个性化推荐结果。

结合用户特征分类和动态时间的协同过滤推荐

针对推荐系统中数据稀疏、冷启动和用户特征动态变化及不同用户对同一特征依赖程度不同等问题的影响,提出了结合用户特征分类和动态时间的协同过滤推荐。考虑用户特征动态变化的同时将用户依据特征分类以弥补计算相似度的不足,并将用户特征和用户评分相结合解决冷启动问题。结果表明该算法能有效提高推荐质量。