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。

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。

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%.

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.

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。

融合用户兴趣漂移的Top-N推荐算法

传统推荐算法多基于用户兴趣的静态属性获得用户偏好,忽略了用户兴趣漂移问题,为此,提出了解决该问题的融合用户兴趣漂移的Top-N推荐算法。利用长短期记忆网络(LSTM,long short term memory)处理时序数据的优势表示用户短期兴趣漂移规律,用矩阵分解得到的固定向量表示用户的长期兴趣,将注意力机制纳入LSTM隐藏状态的表示中来获取用户长短期兴趣关联。实验结果表明,所提算法与当前流行算法相比,在Top-N项目推荐中具有更优性能。

邮件系统中的兴趣漂移混合模型

针对如何在邮件系统中进行用户兴趣模型更新的问题,提出了一种兴趣漂移方法。根据用户长期兴趣和短期兴趣的不同特点,对短期兴趣模型采用时间窗口方法,对长期兴趣模型采用遗忘函数方法进行模型更新。实验结果表明,短期兴趣模型能很好地预测用户近期的兴趣,长期兴趣模型对较长时间段内用户兴趣的预测更稳定。采用混合模型能更好地描述用户兴趣。

基于分类的用户兴趣漂移模型

针对个性化信息服务系统中如何表示用户兴趣和用户兴趣的漂移问题,提出了一种基于分类模版的用户兴趣模型构造方法。采用遗忘算法,将用户的长期兴趣和短期兴趣相结合,体现用户兴趣的漂移。

基于隐马尔可夫模型的用户兴趣漂移模式发现方法

把隐马尔可夫模型引入到兴趣漂移模式发现方法中,采用概念漂移的思想处理用户兴趣的漂移,拓展了隐马尔可夫模型的应用领域,提出了基于隐马尔可夫模型的用户兴趣漂移方法,由此可以发现用户带有兴趣的漂移模式,反映用户的访问偏好.

基于用户多重兴趣漂移特征权重的网络出版物推荐研究

【目的】基于用户多重自适应偏好特征时间权重改进强化潜在因子模型,以提高推荐的准确性。【方法】基于时序潜在因子模型进一步融合兴趣遗忘特征、出版物兴趣重合度以及评论文本语义层面的相似度等用户不同时间段的偏好,通过偏好权重对用户评分矩阵加权并分解,以捕捉用户在每个时间对不同出版物的多重偏好变化。【结果】在三个数据集中与4种基于时序矩阵分解基线方法进行对比实验,结果表明本文模型的准确率相较于TDMF平均提高9.26个百分点,相比TMRevCo提高17.35个百分点,相比BPTF提高38.63个百分点,相比TCMF提高26.24个百分点,说明本文模型对于用户时序特征抽取更为准确。【局限】由于兴趣漂移演变分析依赖用户历史数据,当历史数据量过于稀疏时需采用用户其他信息进行冷启动。【结论】本文模型考虑用户的遗忘特征和评论演化特征,对于用户时序兴趣漂移的捕捉更有效,更能反映用户对出版物兴趣的演化关系,提高了推荐的准确率。

融合用户兴趣漂移特征的个性化推荐研究

[目的/意义]基于社交网络用户短期兴趣和长期兴趣,挖掘用户不同时间窗口下长短期兴趣,能够提高用户兴趣发现的准确性,解决推荐系统不能适应用户兴趣变化的问题。[方法/过程]通过对社交网络用户兴趣的研究发现,社交网络用户兴趣可以分为短期兴趣和长期兴趣,据此构建融合用户兴趣漂移特征的个性化推荐模型。采用时间窗口的方法挖掘用户短期兴趣,利用遗忘曲线跟踪用户长期兴趣变化。在此基础上对用户进行聚类,根据用户聚类结果为用户推荐兴趣相似用户。并以微博真实数据为例进行实证。[结果/结论]融合用户兴趣漂移特征的个性化推荐模型能够较准确地发现用户兴趣漂移特征,满足用户个性化信息需求。[局限]仅使用"微博"这一应用广泛的网络社交平台进行实证,未能从多个网络社交平台进一步验证模型的可行性和准确性。

引入漂移特性的用户兴趣模型优化研究

根据用户浏览网页时的操作行为,通过量化的方法建立起用户兴趣模型来反映用户兴趣,从而针对不同用户推荐其可能感兴趣的文章。基于兴趣模型的更新效率问题和用户兴趣的漂移特性,引入兴趣模型的时间分段机制和时间衰减机制,对兴趣模型进行了持续优化。实验表明,优化的兴趣模型在系统性能上有较大的提升,并能较好地反映出用户的兴趣变化,对于用户兴趣的表征更加准确,从而进一步提高了兴趣模型推荐文章的准确率。

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。

基于多维度权重动态更新的用户兴趣模型

面向个性化电影推荐领域,提出一种基于多维度权重动态更新的用户兴趣模型。将电影分成演员、导演、类别、地区和时间5个维度,分别计算电影在这些维度上的相似度。采用归一化方法将电影之间的相似度转化为用户兴趣模型中的多维度权重,并应用TF-IDF算法计算各维度中特征词的权重,从而实现电影各维度权重及其特征词权重的动态更新。利用基于内容的推荐算法,在MovieLens数据集进行实验,结果表明,该模型具有较高的推荐准确率和召回率,并且能够发现用户对电影维度的偏好,解决用户兴趣漂移问题。

面向新闻推荐的用户兴趣模型构建与更新

针对新闻推荐系统中用户兴趣模型构建与用户兴趣漂移问题,提出了一种面向新闻推荐的用户兴趣模型构建与更新方法。首先采用向量空间模型与bisecting K-means聚类算法构建了原始用户兴趣模型;然后以艾宾浩斯遗忘曲线为基础构造了遗忘函数,并以此对用户兴趣模型进行时间加权,从而达到对用户兴趣模型更新的目的。实验以基于用户的协同过滤推荐、基于物品的协同过滤推荐为baseline,实验结果表明所构建的原始用户兴趣模型推荐性能更优,在F值上提升了4%,更新后的模型与原始模型相比F值提高了1. 3%。

契合用户兴趣变化的评论文本深度建模

针对目前推荐系统对评论文本的特征提取能力不足导致的性能局限,以及数据稀疏性问题和用户兴趣漂移问题导致的推荐精度下降问题进行研究,提出一种契合用户兴趣变化的评论文本深度建模方法,基于深度学习改进传统推荐算法。使用词嵌入技术,挖掘并利用数据集评论中的语义得到表达结果;通过使用并行的一组卷积神经网络,充分挖掘用户和项目评论数据中的隐含特征;设计兴趣衰减曲线,针对用户兴趣漂移现象进一步调整用户建模的契合度;设计一层耦合结构,将两组特征作为输入使用因子分解机进行评分预测,得到推荐结果。仿真结果表明,推荐结果的准确度得到了提升,该方法可行有效。

区分长短期兴趣的用户动态推荐模型研究

本文基于隐形反馈数据集提出区分用户长期兴趣和短期兴趣的推荐模型DYLSI,该模型主要考虑到用户兴趣、项目流行度随时间的变化以及长短期兴趣的不同,针对数据稀疏、用户兴趣刻画不细致等问题提出解决方案。实验结果表明:与传统的遗忘曲线、时间窗口和基于矩阵分解的协同过滤相比,本模型在F1-Score评价指标上展现出更加优越的性能。同时,本文计算用户兴趣偏好时,提取长短期兴趣集合、用户活跃度、项目流行度相关指标,可为用户自动打标签,为后续研究用户兴趣的动态演化过程或者网站功能扩展提供更多选择。

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。