混合分层抽样统计与贝叶斯个性化排序的旅游景点推荐模型研究

传统协同过滤推荐模型仅处理稀疏的评分数据,未深入挖掘用户及对象的潜在语义,且用户喜好信息也未充分利用.围绕旅游景点推荐这一热点问题,提出全新的混合分层抽样统计与贝叶斯个性化排序的推荐模型:采用分层抽样统计及主观赋值评价法刻画用户旅游喜好;基于矩阵分解算法(Matrix Factorization,简称MF)分析用户及对象(景点)的潜在语义,运用贝叶斯个性化排序算法(Bayesian Personalized Ranking,简称BPR)对推荐模型进行优化;综合用户旅游喜好信息及BPR优化结果,生成混合推荐列表.在新的"Wisdom Tourism"数据集上进行仿真实验.实验表明:推荐模型的RMSE、MAE、F1值较最强基线分别提升16.59%、10.05%、5.04%;相比于分层抽样统计方法,BPR算法在推荐过程中发挥更显著的作用.

基于遗忘函数的均值贝叶斯个性化排序算法研究

针对贝叶斯个性化排序算法未能充分应用用户的行为信息,导致算法在数据稀疏情况下推荐性能以及鲁棒性均大幅度降低的问题,提出了均值贝叶斯个性化排序(MBPR)算法,来进一步挖掘用户对隐式反馈信息的偏好关系。考虑到用户兴趣随时间变化的特征,又将遗忘函数引入MBPR算法中。该算法首先对用户的历史评分记录进行预处理;然后根据用户的评分信息对项目进行正负反馈的划分,对每名用户进行个性化建模,挖掘用户对未参与项目的喜好程度,生成推荐列表。为验证提出算法的推荐性能,在公开数据集MovieLens及Yahoo上进行分析和对比实验。实验结果表明该算法的推荐性能及鲁棒性较对比算法均有显著提高。

企业搜索引擎个性化排序方法

针对传统搜索引擎"面向检索"而非"面向用户"的缺点,将个性化服务思想引入到企业搜索引擎排序中,对其关键技术即用户兴趣建模进行了研究,将模型用于查询扩展及排序中,并为企业搜索引擎设计基于用户兴趣的个性化排序方法,能为不同用户的同一检索请求提供不同的检索结果列表.通过将研究用于油田企业搜索引擎的实验证明,本研究能有效地提高企业搜索引擎检索精确度及满足用户的个性化检索需求,并具有较好的自适应能力.

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。

相关性视觉对抗贝叶斯个性化排序推荐模型

传统推荐模型存在数据稀疏、鲁棒性较低问题,且未能有效挖掘异构特征间的深层语义。为解决以上问题,提出相关性视觉对抗贝叶斯个性化排序(correlation visual adversarial Bayesian personalized ranking,CVABPR)推荐模型。首先,基于MovieLens数据集中的电影标题,在互联网电影资料库(Internet movie database,IMDB)爬取对应电影海报图像,构建全新多模态数据集MovieLens–100k–WMI和MovieLens–1M–WMI。其次,基于SENet模型提取一组具有互补性的异构特征,准确描述电影海报图像。然后,改进聚类典型相关性分析模型,深入挖掘异构SENet特征间的聚类典型相关性特征;基于该相关性特征优化视觉贝叶斯个性化排序模型,精准刻画待推荐电影。最后,在推荐模型中加入扰动因子,通过对抗学习来增强推荐模型鲁棒性,使推荐更稳定,生成高质量推荐结果。为验证CVABPR模型,在多模态数据集上完成实验,结果表明:CVABPR模型在这两个数据集上都有效,在MovieLens–100k–WMI数据集上,其推荐的平均精度均值(mean average precision,MAP)较最强基线提升3.802%;在MovieLens–1M–WMI数据集上,其推荐的MAP指标较最强基线提升4.609%。CVABPR模型优于主流基线。消融分析实验表明:相比聚类典型相关性,对抗学习在推荐中发挥更重要的作用。此外,在数据稀疏度更高的MovieLens–1M–WMI数据集上,CVABPR模型能获得更大幅度性能提升,数据稀疏问题得到有效缓解且异构特征间的深层语义也得以充分利用,CVABPR模型已具备较强鲁棒性。

基于用户偏好置信度的增强贝叶斯个性化排序算法

针对贝叶斯个性化排序(Bayesian Personalized Ranking,BPR)模型只考虑到用户单类反馈和用户偏好反映程度过低的问题,提出一种基于用户偏好置信度的增强贝叶斯个性化排序算法。通过量化获取各种反馈行为的权重,根据用户反馈行为的类型和时间计算用户偏好置信度,根据置信度建立用户对互动过的商品的偏序对。将该偏序对与用户对互动过的商品和未互动过的商品的偏序对结合,一起训练模型。在数据集中进行仿真实验,并与相关算法进行对比。实验结果表明该推荐算法具有较好的性能。

一种融合社会化标注系统中主题域相似的个性化排序方法

随着网络技术的发展,互联网中越来越多的资源被应用于信息检索中,大量的研究表明,社会化标注可以用于改善信息检索。现有个性化排序的方法中,用户之间的相似度大多通过其共同使用过的标签集来计算。然而,现实中用户标注数据存在稀疏性和标签同义词等问题,导致相似度计算并不准确。在前人研究的基础上,提出了一种融合主题域相似的个性化排序方法。该方法首先通过主题域的划分,将不同主题含义的网页及标签分开,通过构建的标签相似网络找出标签同义词。然后结合用户标签和主题偏好找出兴趣相近的用户,并对用户的标注信息进行扩展,从而能够有效地改善个性化信息检索的效果。在真实数据上的实验结果表明,该方法能有效缓解标注稀疏性和标签同义词问题,有助于改善用户检索体验。

基于贝叶斯个性化排序的目的地预测

目的地预测可以帮助车辆辅助系统提前推荐相关服务,改善用户的驾驶体验,受到研究者的广泛关注。然而,相关研究主要是基于车辆的行驶轨迹来预测目的地,难以实现早期的目的地预测。为此,本论文提出了一个早期目的地预测模型DP-BPR,通过用户的出行时间和地点来预测目的地。该模型的实现有三个方面的挑战:1)稀疏的历史数据使得直接从原始数据中预测目的地非常困难;2)目的地不仅与出发点有关,而且与出发时间有关,在预测时应将两者都考虑在内;3)如何从历史数据中准确地学习目的地偏好。为了应对这些挑战,我们利用深度神经网络将稀疏的高维数据映射到稠密的低维空间,并学习用户、位置和时间的嵌入,然后,使用贝叶斯个性化排序学习并对目的地进行排名。在Zebra数据集上进行了实验,实验结果表明了DP-BPR的有效性。

混合贝叶斯个性化排序与内容的推荐算法研究

传统协同过滤算法基于矩阵因式分解,仅使用全局评分优化来预测用户对于未知物品的评分,不能单独对用户进行感兴趣点的排序,造成推荐效果不理想。围绕个性化知识推荐热点问题,提出一种全新的混合贝叶斯个性化排序与内容的推荐算法,贝叶斯个性化排序算法(BPR)使用三元组训练集进行训练,最终达到收敛;基于内容推荐算法对推荐结果进行部分纠正;通过计算用户匹配分值,根据相似度进行处理增强和减弱处理,最终得到混合推荐列表。

微博转发者的个性化排序

转发行为是微博平台上信息传播的主要形式。目前已有的工作大多数聚焦在转发行为的分析和预测。针对给定的一条微博时如何找到其转发者这个问题并没有得到很好的解决。结合贝叶斯个性化排序优化标准(BPR-OPT)和分解机(FM),提出了一种通用的方法用于对微博转发者进行预测,并进一步对影响用户成为转发者的特征因素进行了细致分析,然后根据这些特征,在大规模真实数据集上对微博转发者进行了预测。实验证明该方法能够明显提高预测效果,同时也验证了基于pair-wise和特征相关的方法能更有效解决微博转发者预测问题。

基于用户类别兴趣偏好的个性化排序方法

信息检索中,个性化排序在传统的基于内容匹配的排序算法基础上,结合用户兴趣特征,返回更符合用户需求的检索结果.由于用户数据存在稀疏性和兴趣爱好不均衡等问题,用户兴趣偏好模型构建通常不是很精确,检索效果也不佳.本文在前人研究的基础上,提出了一种基于用户类别偏好的个性化排序方法.该方法首先借助词向量技术计算查询词和文档标签集之间的语义相似程度,其次,考虑到用户对不同兴趣的偏好程度不一,通过构建用户兴趣偏好模型,计算出用户对不同兴趣类别的偏好程度,对待查询文档进行个性化处理,以达到个性化排序的目的.在真实数据集上的实验表明,与传统方法相比,本文提出的方法可以有效地改善用户的个性化检索效果.

一个新的个性化搜索引擎排序算法

通过对现有个性化搜索引擎排序算法的研究,提出了一个新的排序算法。该算法首先在不同粒度上多次使用SVD技术和k-means聚类技术,将用户浏览历史及其所包含的词在不同层次上进行文档聚类和词聚类,创建两棵加权兴趣树:文档类树和词类树。其中,树中每个节点的权值表示用户对该类文档或该类词的感兴趣程度。接着,利用朴素贝叶斯分类器对搜索引擎得到的网页进行文档分类和词分类,并根据分类结果进行网页评分。最后,将网页根据文档得分降序排列。实验表明该方法能为用户提供更为精确的个性化排序。

基于逻辑回归的文献推荐系统的排序方法

应用数据挖掘技术对知识服务平台上的海量文献进行特征发掘,使用机器学习算法推荐文献,能帮助用户快速获取有效信息。基于逻辑回归的文献推荐系统的排序方法是将文献推荐作为分类问题,采用逻辑回归模型作为排序模型,对文献进行打分推荐。文章认为,可通过分析推荐应用场景和用户日志分布,确立学习目标和采样方案;进而分析文献侧、机构侧、作者侧以及交互特征,进行特征筛选,构建特征数据集合,而后采用逻辑回归模型进行拟合。将线上流量划分为多个同等流量组,并将训练好的模型进行线上对照试验发现,点击率显著增加,说明该方法能够利用文献、用户、上下文等多种特征,通过预测正样本的概率对文献进行个性化排序,效果显著且训练和工程成本低,是一种投入小、见效快的方案。

个性化微博推荐算法

微博不同于传统的社会网络和电子商务网站,存在用户活跃程度低,微博数据稀疏和用户兴趣动态变化等特点,将传统推荐算法应用于微博推荐时,效果并不理想。提出了一种基于贝叶斯个性化排序的微博推荐算法,对用户进行个性化微博推荐。该基于贝叶斯个性化排序的微博推荐算法,以微博对的形式提取微博系统中的隐式信息,对这些微博对进行学习,从而得到用户对不同微博的兴趣值。根据每条微博发出的时间,估计每条微博对的可信度。发出时间越接近的微博对,它的可信度就越高,并且对用户的兴趣值影响就越大。在新浪微博的真实数据上进行实验和评测,结果表明该基于贝叶斯个性化排序的微博推荐算法相比于对比算法,在进行微博推荐时有更好的效果。

本体进化驱动的个性化语义搜索研究

语义搜索在Web搜索领域中是一个新颖且具有广阔前景的搜索技术，为Web搜索的发展带来新的契机。在语义搜索引擎中，搜索结果的质量是至关重要的，并且主要依赖于领域本体。然而，由于语义搜索引擎中的领域本体往往无法及时更新，从而不能保证为网络搜索提供足够的语义，这常常成为劣质搜索结果的根源。鉴于此，提出一个本体进化驱动的语义搜索引擎系统，通过定期自动的本体进化丰富领域本体中的语义，从而提高搜索的准确率，进而更准确地向用户返回最符合其需求的搜索结果。另外，为了进一步增强搜索用户的满意度，在构建用户语义兴趣模型的基础上提出了个性化的排序算法。试验结果表明，与无本体进化功能的语义搜索引擎相比，所提出的本体进化驱动的语义搜索引擎显著提高了搜索结果的准确率。

高效个性化PageRank算法综述

对高效的个性化PageRank算法进行综述,从个性化程度、可扩展性、计算效率和精确度等方面对部分个性化算法、可扩展的PPV算法和混合算法等3类算法进行了详细分析和比较,并讨论了目前工作中的不足及未来的研究方向。

面向食品安全领域的个性化知识搜索系统研究

大数据时代,从海量的数据中发现对用户有用的知识成为研究领域重要的问题.通过集成多个搜索引擎的查询结果,实现食品安全领域中搜索信息的集成和个性化自适应排序.本文设计基于元搜索技术、知识本体和自适应的排序学习技术,实现多个搜索引擎相关查询结果集成,在对用户点击的标注和知识本体的基础上,利用基于监督学习的排序技术,实现对食品安全领域信息的个性化自适应排序.系统实现了集成多个搜索引擎的食品安全相关知识的提取和相关结果的重新排序.本研究不仅实现了多个搜索引擎食品安全信息查询相关的结果集成,而且能够根据用户的偏好实现结果的自适应排序.

基于层次隐马尔可夫模型和神经网络的个性化推荐算法

传统推荐系统将推荐准确性作为主要目标,而推荐结果的多样性和个性化有所欠缺。对此,设计一种基于层次隐马尔可夫模型和神经网络的推荐算法。采用层次隐马尔可夫模型建模用户喜好和上下文环境的关系,并通过隐马尔可夫模型预测上下文。设计神经网络结构来解决协同过滤推荐的问题,同时神经网络满足贝叶斯个性化排序的条件,实现对推荐列表的个性化排序。实验结果表明,该算法在保持推荐准确性的前提下,提高了推荐的多样性和个性化。

基于向量空间模型的个性化搜索算法研究

基于向量空间模型(Vector Space Model,VSM)实现用户搜索结果的个性化排序,通过用户提供其感兴趣的文本集作为训练样本实现用户模型的初始化,并引入遗忘因子,结合机器学习的方法,通过用户后期的上网行为实现用户模型的动态更新,同时采用TF-IDF算法进行文本特征的提取,并针对文档模型与用户模型的统一提供了解决方案。

基于潜在标签挖掘和细粒度偏好的个性化标签推荐

为进一步提高个性化标签推荐性能,针对标签数据的稀疏性以及传统方法忽略隐藏在用户和项目上下文中潜在标签的缺陷,提出一种基于潜在标签挖掘和细粒度偏好的个性化标签推荐方法。首先,提出利用用户和项目的上下文信息从大量未观测标签中挖掘用户可能感兴趣的少量潜在标签,将标签重新划分为正类标签、潜在标签和负类标签三类,进而构建〈用户,项目〉对标签的细粒度偏好关系,在缓解标签稀疏性的同时,提高对标签偏好关系的表达能力;然后,基于贝叶斯个性化排序优化框架对细粒度偏好关系进行建模,并结合成对交互张量分解对偏好值进行预测,构建细粒度的个性化标签推荐模型并提出优化算法。对比实验表明,提出的方法在保证较快收敛速度的前提下,有效地提高了个性化标签的推荐准确性。