基于加权贝叶斯的数字图书资源个性化推荐方法研究

传统图书资源推荐方法的推荐准确率较低,难以实现精细化和个性化推荐。因此,提出基于加权贝叶斯的数字图书资源个性化推荐方法。首先,采集数字图书信息后,利用贝叶斯分类器对个性化图书实施分类处理。其次,设置情景化偏好模块,并计算情景下读者的相似度。最后,根据相似度计算结果,利用加权贝叶斯算法为读者推荐书籍。实验结果表明,与传统方法相比,该方法的推荐准确度高且稳定性强。

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。

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。

基于加权贝叶斯的小学英语个性化资源推荐

在小型的自适应学习系统中,学习资源的个性化推荐是实现自适应学习的关键内容之一。为了更好地进行个性化资源推荐,本文采用朴素贝叶斯分类算法构建了个性化资源推荐模型,并针对算法中条件独立性假设与模型实际应用相悖的问题,对原算法进行加权改进。通过在UCI标准数据集对该加权算法进行理论验证,并将其应用于小学英语自适应学习系统的个性化资源推荐模型中进行系统实验。实验结果表明:提出的加权算法在分类精准度上准确率有所提高,基于该加权算法的模型在个性化资源推荐满意度上也有所提升。因此,我们认为在小学英语自适应学习系统中,基于加权朴素贝叶斯分类算法的个性化资源推荐模型能够更好地解决小样本条件下以学习者为中心的个性化学习资源推荐的问题。

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。

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。

Lucene排序算法的个性化改进

Lucene为Java开源全文检索引擎,本文在Lucene现有的快速索引和基于全文索引的基础上,结合加权TF-IDF算法对Lucene现有排序算法进行个性化改进,改进后的Lucene排序模块能够更好的根据用户对不同信息的敏感度给出用户想要的结果,使得构建的全文检索与管理系统更贴近用户的实际需求。

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。

基于地理偏好排序的兴趣点混合推荐模型

随着基于位置的社交网络(LBSN)迅速发展,作为缓解信息过载的有效手段,兴趣点(POI)推荐备受关注。由于用户签到数据是隐式反馈数据,且十分稀疏,为了有效地从用户签到数据中捕获用户POI偏好,提出了一个基于地理偏好排序的POI混合推荐模型。首先,考虑用户签到数据的隐式反馈特性及用户活动的空间约束,利用传统贝叶斯个性化排序(BPR)模型计算POI距离对POI排序的影响,提出加权BPR(GWBPR)模型;然后,针对用户签到数据的稀疏性,融合GWBPR模型和逻辑矩阵分解(LMF)模型,提出混合模型GWBPR-LMF。在两个真实数据集Foursquare和Gowalla上的实验结果表明,GWBPR-LMF模型的性能优于BPR、LMF、SAE-NAD(Self-AttentiveEncoderand Neighbor-Aware Decoder)等对比模型。与较优的对比模型SAE-NAD相比,GWBPR-LMF模型的POI推荐的精确率、召回率、F1值、平均精度均值(mAP)、归一化折损累积增益(NDCG)在数据集Foursquare上分别平均提升了44.9%、57.1%、78.4%、55.3%和40.0%,在数据集Gowalla上分别平均提升了3.0%、6.4%、4.6%、11.7%和4.2%。

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。

嵌入双曲层的神经排序式图表示学习方法

为解决已有图表示学习方法复杂性较高的问题,提出一种能在维持图特征表达力的同时提升学习效率的方法。通过在神经网络表示模型中设置适当的双曲几何结构捕获图数据的基本属性,利用贝叶斯个性化排序目标最大化节点之间正确链接和错误链接的差距从而自动学习相似性信息,在所设计的神经排序模型中使用双曲距离函数计算节点之间的层次距离。在此基础上,基于黎曼梯度下降法学习节点的特征向量。实验结果表明,相对DNGR、HARP等方法,该方法能够高效地学习节点特征,而且能获得更加紧凑、更具表达力的特征向量表示。

基于LBPR-NET的融合时空特征的兴趣点推荐模型

传统的兴趣点推荐算法都是通过用户签到信息建模用户与兴趣点之间的偏好直接进行兴趣点的推荐及优化,针对传统方法存在高维稀疏、噪声、计算复杂度高和无法建模用户兴趣的动态变化等问题,提出基于LBPR-NET的融合时空特征的兴趣点推荐模型.首先引入时间特征建模用户兴趣的动态变化,通过观察用户不同时刻在兴趣点类别之间的转移关系,并采用List-BPR方法进行兴趣点类别建模,根据ListNet方法优化兴趣点类别排序列表,克服了高维稀疏问题,降低计算复杂度;其次,在类别内部通过启发式算法筛选出兴趣点的候选集,降低了噪声.实验结果表明,该模型能有效提高推荐质量和准确率.

基于电商用户行为的隐式反馈推荐应用研究

贝叶斯个性化排序(BPR)算法是隐式反馈问题中最具代表性的算法之一,但BPR算法中提出的用户间独立性假设和个人对2个项目的成对偏好假设都过于严格。GBPR算法重新定义了用户的个人偏好,并使用由志趣相投的多个用户形成的组偏好来代替个人偏好,以放宽用户间独立性的假设。DPR算法把偏序对作为基本单元来优化偏好间的差值而不是偏好的差值,以放宽个人对2个项目的成对偏好的假设。结合上述研究,本文提出e-GDPR算法,进一步提高用户对物品的偏好预测能力。该算法可以充分利用数据集中的用户信息(如性别、消费水平)和商品信息(如商品种类),把组偏好引入DPR算法并根据消费水平与性别对用户进行分组后随机抽样,以创建更具代表性的用户组,本文对采样方式进行改进,不再使用随机采样,而是随机抽取由同一种类的2个商品构成的三元组样本,并认为它们比随机选择的商品所组成的三元组样本更可靠。然后,引入隐式反馈偏好量化模型来计算用户的个人偏好,并能充分考虑隐藏在各种隐式操作类型背后的用户偏好。最终,在京东电商数据集上进行仿真推荐实验,实验结果表明与基线算法相比e-GDPR算法可以取得更好的推荐效果。

融合神经网络和泊松分解的兴趣点推荐算法

针对兴趣点推荐系统存在的隐式反馈建模用户-POI交互准确率不高和忽视用户签到数据的隐性反馈属性的问题。提出了一种新颖的兴趣点推荐算法。具体而言,采用一种基于神经网络的排序算法来捕获用户-兴趣点的交互关系,结合泊松分解算法和贝叶斯个性化排序技术建模用户的签到行为,将上述2个步骤得到的算法整合到统一的推荐算法架构中,从而提供兴趣点推荐服务。实验结果表明,提出的算法推荐性能优于传统主流先进兴趣点推荐算法。

BPR优化的矩阵补全图像分类算法

在图像分类领域,通过预测图片标签信息以加强图片信息矩阵的稠密度,是解决因信息过载导致图像检索效率低的一种比较流行的思路.本文在该思路的基础上,提出了利用矩阵补全的BPR优化方法来提高图像分类效率的算法.本文先通过矩阵补全将图像学习得到的低维向量空间恢复成高维的图像ID-标签矩阵,再通过贝叶斯个性化排序(Bayesian Personalized Ranking,BPR)算法改进基于矩阵分解的矩阵补全算法,优化标签排序,进而预测图片标签,完成图像分类.本文首先对比了三种矩阵补全模型,分析得到矩阵分解的矩阵补全模型性能最优;其次,在Librec工具库和Google的Open Image数据集上,将改进的奇异值分解算法(FunkSVD)与贝叶斯个性化排序(Bayesian Personalized Ranking,BPR)优化的矩阵分解算法进行对比实验.结果表明,无论是在准确率、召回率、AUC还是计算效率上,BPR优化后的矩阵补全结果值都优于FunkSVD.

基于特征权重与情感偏好的可解释推荐

针对协同过滤算法在为用户商品相关性建模时未考虑用户/商品对特征属性的不同关注度及不可解释性问题,提出基于特征权重与情感偏好的可解释推荐算法。利用评论中抽取的特征及对应情感设计用户商品的表征,根据TF-IDF算法确定其重要性,将其加入相关性建模中;在评分预测时引入贝叶斯个性化排序减小评分误差;在生成推荐的同时,提供特征短语级别的解释。实验结果表明,对比现有模型,该模型均方根误差平均降低了3.62%,最大降低了4.93%。