基于LSTM与深度矩阵分解的推荐融合模型

针对现实推荐场景中多数推荐算法忽略用户偏好动态变化的时效因素,导致模型性能受限的问题,提出一种基于LSTM和深度矩阵分解的推荐融合模型LFDMF。该模型通过广义矩阵分解学习用户和项目间非线性低阶特征,运用多层感知机学习用户和项目间非线性高阶特征,获取用户长期动态偏好,利用LSTM对时间序列的强拟合能力,获取用户短期动态偏好。为验证LFDMF模型的有效性和可行性,在公开数据集MovieLens-1M和Pinterest上进行对比实验。仿真实验表明,LFDMF模型的HR@10和NDCG@10指标相比传统MF算法分别提升了0.1034和0.1322、0.1181和0.1018;相比DMF模型分别提升了0.0228和0.0323、0.0169和0.0135,推荐性能显著提升。

单条件三元概念构建及其融合推荐应用

三元概念分析已被引入推荐系统领域,但是概念融合环节增加了三元概念的构建复杂度,另外概念信息在推荐时未得到充分利用。本文直接利用单条件三元概念进行推荐,为此设计一种针对单条件三元概念的构建方法和融合推荐算法。首先分解三元背景为多个单条件三元背景,设计概念比例作为启发式信息生成单条件三元概念;接着计算待推荐项目在单条件三元概念上的项目流行度,并结合三元背景的项目条件权重设计融合推荐置信度;最后结合项目的融合推荐置信度和推荐阈值,为目标用户进行推荐预测。本文在6个公开数据集中进行了实验,结果表明在稀疏度较低的数据集上,本文提出的算法相比GRHC和GreConD-kNN的推荐效果略好,与IBCF和kNN的效果相当。

基于协同过滤和机器学习的新闻推荐

针对传统基于内容的推荐、协同过滤和机器学习推荐存在的问题,如庞大数据的弱处理能力、时效性差以及缺乏可解释性,提出了一种基于协同过滤和机器学习融合的新闻推荐算法。首先构建了用户-新闻交互评分模型、新闻时效性评分模型和新闻内容评分模型,利用协同过滤相关算法预测用户新闻推荐分数。然后通过构建用户档案和新闻档案提取用户特征和新闻特征,利用机器学习模型预测用户-新闻评分。最后,通过软投票机制将用户-新闻对的协同过滤分数和机器学习分数融合,进行全面的新闻推荐。实验结果表明,该算法能够有效提高新闻推荐的准确性。

基于偏好融合的群组推荐方法研究综述

群组推荐是推荐系统领域的研究热点之一,相比传统推荐系统,群组推荐针对团体性活动对群组成员进行推荐,很好地缓和了群组成员间的偏好冲突,取得了更好的推荐效果.本文介绍了近年来基于偏好融合的群组推荐方法相关研究进展;总结了群组推荐方法常使用的评价指标和数据集;并通过实验重点分析比较了不同偏好融合对推荐结果的影响及偏好融合、推荐特征、推荐方法之间的关系;最后对群组推荐中偏好融合策略和方法的下一步研究重点进行了展望.为基于偏好融合的群组推荐方法进一步深入研究提供参考.

高校科研资源的个性化融合推荐

为满足高校师生对科研资源复杂的个性化服务需求,设计了高校科研资源个性化服务系统,简称个性化科研服务系统(PSRSS,personalized scientific research service system)。全面分析了高校科研用户的个性化科研资源服务需求,设计了基于数据层、融合多种推荐策略的推荐计算层、应用呈现层的多引擎融合推荐系统架构,基于不同推荐场景,比较了不同的推荐算法并对选择的算法进行了针对性优化,探讨了用户模型和科研资源模型的设计,实现了基于资源热度、项目内容相似度、相似用户协同过滤的Top-N推荐。系统提升了高校师生获取科研资源的体验,为高校科研资源个性化服务系统建设提供了新思路。

一种分段组合的个性化组推荐方法

提出一种分段组合两种推荐算法的后融合方法。首先选择两种基本算法对用户参与小组的历史信息进行挖掘,进而为用户推荐可能感兴趣的小组,然后对两种基本算法产生的推荐列表小组进行分段,接着利用所设计的分段函数组合预测概率,通过最远邻方法优化推荐小组,最后按照组合后的预测概率重新排序产生新的推荐列表。实验表明该方法提高了推荐的准确率,有利于用户更快速地定位感兴趣的小组。