融合显式反馈与隐式反馈的协同过滤推荐算法

显式反馈与隐式反馈相结合,可以有效提升推荐性能.但是现有的融合显式反馈与隐式反馈的推荐系统存在未能发挥隐式反馈数据缺失值反映用户隐藏偏好的能力,或者未能保留显式反馈数据反映用户偏好程度的能力的局限性.为了解决这个问题,提出了一种融合显式反馈与隐式反馈的协同过滤推荐算法.该算法分为两个阶段:第1阶段利用加权低秩近似处理隐式反馈数据,训练出隐式用户/物品向量;第2阶段引入了基线评估,同时将隐式用户/物品向量作为补充,通过显隐式用户/物品向量结合,训练得出用户对物品的预测偏好程度.该算法与多个典型算法在标准数据集上进行了实验比较,其可行性和有效性得到验证.

具有显式反馈的拥塞控制系统研究进展

近年来越来越多的高带宽光纤网络和长时延的卫星网络融入到Internet中来。研究发现,传统TCP协议的拥塞控制机制随着网络带宽和延迟的增大而趋于不稳定。研究这种高带宽时延乘积网络环境下的拥塞控制机制成为热点研究课题,其中一个重要趋势就是采用显式反馈方法。本文讨论了基于IP网络中的显式反馈机制,包括传统ECN、各种类ECN机制以及新的拥塞控制协议;分析了各种机制的特点,总结了现有研究的问题并指出了几个值得继续研究的要点。

基于显式反馈协同过滤算法的偏好与共性平衡

基于显式反馈的协同过滤算法只存在3个变量,其相似度计算方法依赖用户评分数据的显式反馈行为,而未考虑现实推荐场景中存在的隐性因素影响[5],这决定了协同过滤算法被限制于挖掘用户及商品的偏好,而缺乏挖掘用户和商品共性的能力。对此,学术界提出了不同的创新想法以改进传统协同过滤算法,但大多数的改进是基于协同过滤的垂直改进,如向算法加入分类、聚类、时间序列等机制,即对算法结构进行改进而不对变量因素进行改进,因此仍然无法深入挖掘用户和商品的共性因素。文中提出水平改进方法,即协同过滤与回归加权平均(Collaborative Filtering&Regression Weighted Average,CRW),旨在保留协同过滤对偏好的计算,并通过树回归算法计算且挖掘出用户和商品的共性因素,对协同过滤的预测结果和回归预测结果进行加权平均,以平衡协同过滤偏好性强而共性弱的问题。实验结果表明在适当的加权系数a下,CRW预测结果均方误差相比于单一的协同过滤和回归的预测结果均方误差有明显的降低,表明CRW具有更高的推荐精度。

融合显/隐式反馈的协同排序算法

之前有关协同排序算法的研究没有充分利用数据集中信息的问题,要么只侧重于研究显式评分数据,要么只侧重于研究隐式评分数据,目前还没有人运用排序学习的思想把二者结合起来进行研究。针对之前研究的不足,在最新的扩展的少即是好协同过滤(x CLi MF)模型和最经典的变形的奇异值分解(SVD++)算法的基础上,提出了一种融合显/隐式反馈的协同排序算法MERR_SVD++来直接优化排序学习的评价指标ERR。在实际数据集上实验验证,与经典的x CLi MF、Cofi排序(CofiRank)、PopRec、Random算法相比,MERR_SVD++算法在归一化折损累积增益(NDCG)和预期的相关性排序(ERR)这两个评价指标下性能均提高了25.9%以上,而且算法运算时间与评分点个数线性相关。由于MERR_SVD++算法推荐精度高、可扩展性好,因此适用于处理大数据,在互联网信息推荐领域具有广泛的应用前景。

融合显/隐式反馈的社会化协同排序推荐算法

传统的基于评分预测的社会化协同过滤推荐算法存在预测值与真实排序不匹配的固有缺陷,而基于排序预测的社会化协同排序推荐算法更符合真实的应用场景。然而,现有的大多数基于排序预测的社会化协同排序推荐算法要么仅仅关注显式反馈数据,要么仅仅关注隐式反馈数据,没有充分挖掘这些数据的价值。为充分挖掘用户的社交网络和推荐对象的显/隐式评分信息,同时克服基于评分预测的社会化协同过滤推荐算法存在的固有缺陷,在xCLiMF模型和TrustSVD模型基础上,提出一种新的融合显/隐式反馈的社会化协同排序推荐算法SPR_SVD++。该算法同时挖掘用户评分矩阵和社交网络矩阵中的显/隐式信息,并优化排序学习的评价指标预期倒数排名(ERR)。在真实数据集上的实验结果表明,采用归一化折损累计增益(NDCG)和ERR作为评价指标,SPR_SVD++算法均优于最新的TrustSVD、MERR_SVD++和SVD++算法。可见SPR_SVD++算法性能好、可扩展性强,在互联网信息推荐领域有很好的应用前景。

一种基于显式反馈的内容中心网络?NDN拥塞控制算法

针对传统TCP协议的隐式拥塞控制算法不适合内容中心网络(Named Data Networking,NDN)的问题,本文提出了一种显式的拥塞控制算法(Explicit Control Algorithm,ECA)。ECA算法通过主动检测网络中间节点上的传输队列长度来判断网络拥塞水平,并显式地反馈给接收端,接收端据此调整Interest包的发送速率,以控制发送端发送Data包的速率,从而实现网络的拥塞控制。基于ndnSIM的仿真实验结果表明,ECA和传统TCP的AIMD算法相比,具有更高的传输效率和更好的稳定性。

融合显隐式反馈的协同过滤推荐算法研究

针对目前融合显隐式反馈的推荐算法发展仍存在显式反馈数据利用不合理、隐式反馈缺乏负反馈样本等问题,本研究基于融合显隐式反馈的SVD++算法和针对正负反馈的PSVD算法的核心思想,根据全反馈思想进行正负反馈层面上的尝试,利用基准预测思想在显隐式反馈中建立正负反馈的区分标准,优化显式反馈对于获取正负样本的评价公式,建立隐式反馈区分用户偏好的计算标准,重新构建用户与推荐对象之间的评分预测模型,提出一种新的融合显式反馈和隐式反馈的协同推荐算法PNF_SVD++.实验结果表明,PNF_SVD++算法在验证评分预测准确性的指标上数据表现较好,其可行性和有效性得到充分验证,同时为融合显隐式反馈的协同过滤推荐算法提供了新的研究思路.

融合显隐式特征的深度协同过滤推荐算法

针对当前协同过滤算法中的用户和项目耦合关系利用不足、显式反馈与隐式反馈之间的互补关系考虑不充分等问题,提出一种融合显隐式特征的深度协同过滤推荐算法。构建一个双通道卷积神经网络用于学习用户/项目属性之间的显式关联,搭建一个深度潜在特征表示网络,间接利用用户/项目评分学习两者之间的隐式关联。将两个分支的结果联合训练,预测当前用户和项目的交互概率。在公开数据集MovieLens 1M和Tafeng上进行了充分的实验,结果表明本文所提出的方法有效提高了推荐性能。

一种新的基于显式速率反馈的TCP拥塞控制方法

提出了一种新的控制方法，即基于显式速率反馈应用Dahlin算法进行TCP拥塞控制，较好地克服了网络的传播时延给拥塞控制所带来的不利影响，使TCP的发送窗口能快速响应网络负荷状况的变化，从而避免了分组的丢失，并使得TCP的流量较为平稳，而且此算法对网络的时延估计误差具有很好的鲁棒性，能满足实际应用的需求。

命名数据网络中一种显式拥塞控制方法研究

针对命名数据网络中的数据拥塞控制问题,提出了一种基于即时调整兴趣包发送速率的显式拥塞控制方法.当网络发生拥塞时,通过计数器和整形队列对贪婪流的速率进行限制,并更新兴趣包中的拥塞信息域将其逐跳反馈给下游路由节点;通过数据包将拥塞信息反馈给内容请求者,内容请求者据此调整兴趣包发送速率.同时引入延时差值来对不同数据流进行优先级的划分,保证了不同数据流的服务质量.基于ndnSIM 2.0的实验结果表明:该方法能在有效提高瓶颈链路利用率的同时实现较低的丢包率.

基于加权相似度显隐式反馈的协同过滤算法

针对传统的协同过滤算法没有考虑到不同用户之间相似度的差异以及用户对项目的评分时间等因素的影响,提出了一种基于加权相似度显隐式反馈的协同过滤算法:先获取用户的显式和隐式反馈评分信息以及用户-项目的评分时间信息。再对评分信息进行基于时间的加权处理,并对传统的相似度计算方法进行修改,引入相关度因子。最终根据预测公式获得用户的推荐结果。实验仿真表明算法在平均绝对误差和精确率两个指标上有了一定的提高,并在一定程度上提高了推荐算法的准确性。

融合显隐式反馈的协同过滤推荐模型

融合显式和隐式反馈已被应用于提升推荐模型的性能,但是,现有的此类推荐模型未能保留显式反馈中反映用户偏好程度的信息,且现有研究认为拥有显式反馈的数据和仅拥有隐式反馈的数据对于模型具有同等影响,未能充分发挥显式反馈的优势.针对这些问题,提出一种新的融合显式和隐式反馈的协同过滤推荐模型(CEICF).首先,所提出模型提取显式反馈中的特征得到用户/物品的全局偏好向量;然后,从隐式反馈中提取用户/物品的潜在向量,进而将两种向量进行融合得到用户/物品的偏好向量;最后,使用神经网络预测用户与物品交互的可能性.在训练模型时,定义一种加权的二进制交叉熵损失函数,加强显式反馈对模型的影响来增强模型捕获用户偏好的能力.为了验证所提出模型的有效性,在覆盖不同领域的现实数据集上进行实验,实验结果表明,CEICF可有效地融合显式和隐式反馈,且推荐效果相对于基线模型有显著提升.

无线网络中模糊自适应显式窗口流量控制

将显式窗口自适应技术应用于无线网络中,设计出一种基于模糊逻辑的显式窗口自适应流量控制算法.该算法依据基站缓存的变化量,通过模糊推理和判断,自适应地调整通知窗口,并将结果以显式的方式反馈给发送端,使发送端的发送窗口能够快速响应网络负荷状况,从而避免了发生网络拥塞和丢失数据分组.仿真结果显示,采用所提算法可以提高网络吞吐量,降低缓存用量,特别是当无线链路误码率较高时,其网络吞吐量比Snoop算法可提高2.3倍,而缓存用量只有Snoop算法的40%.

新一代Wi-Fi的新型感知信息压缩方法

通信设备由于和雷达设备的工作存在重叠,也可以实现目标检测。但是传统的通信协议采用显式反馈传输信息,导致采用通信设备检测无法保留感知信息,因此可以对显式反馈的分解流程进行改进,从而在通信的间隙实现对环境目标的感知。在MIMO系统中,波束成型是发射端利用MIMO信道状态信息生成导向矩阵,从而提升接收端接收性能的一种技术。目前显式反馈波束成型是通信中波束成型的主流方式,接收端会对接收到的信道矩阵进行奇异值分解后转换成一系列角度值传回发射端。虽然采用传统的矩阵分解流程获得反馈矩阵可以有效降低反馈的冗余信息量,但是通常会丢失掉通信设备在感知过程中获得的大部分重要信息,从而导致利用Wi-Fi信号进行目标探测的功能受到限制。研究发现对于接收到的信道矩阵利用传统的分解方式获得的反馈矩阵特征向量无法保留目标的距离,速度信息。本文提出了一种新型的分解方式,基于信道矩阵的协方差矩阵,先求解左奇异矩阵,再利用左右两个酉矩阵正交向量的对应关系,进一步求解从而获得改进的右奇异矩阵,所提改进方法保留了目标的距离、速度以及角度信息,极大地提升了有效反馈信息量。最后通过仿真实验验证了所提方法的有效性。

用户兴趣的反馈学习

为了给用户提供个性化的信息服务,对用户兴趣需要进行机器学习,给出了用户兴趣的几种反馈学习方法,可以有效地发现用户兴趣。

基于显隐式反馈的个人信息隐私保护方法

【目的/意义】针对现有个人信息隐私保护方法未考虑隐式反馈数据,造成隐私保护效果低的问题,研究基于显隐式反馈的个人信息隐私保护方法,通过利用显隐式反馈信息,有效解决网络中包含个人信息的隐私保护问题。【方法/过程】首先根据提取规则提取个人信息,并将其保存至数据库中。然后,建立融合显隐式反馈数据的矩阵分解模型,利用EifSVD算法对隐式反馈矩阵进行分解。将特征向与显式反馈模型结合,实现了矩阵分解的模型求解。最后,利用个人隐私保护方案,完成矩阵分解模型求解结果的加密保护,利用基于差分隐私算法的目标函数扰动策略对个人隐私信息进行保护。【结果/结论】实验结果表明,该方法充分考虑了用户的隐式反馈数据,具有较高的安全性与可靠性,提升了个人信息隐私保护性能,可以保证个人信息隐私数据在服务端传输信息时的安全性,同时不影响网络传输性能以及数据查询效率。【创新/局限】但因本文中的实验案例较单一,因此研究结果仍存在一定局限性,后期将结合不同案例对所提出的个人信息隐私保护方法进行验证,保证方法的准确性。

中国外语学习课堂上反馈透明度与学习者修复之间的关系

该论文旨在研究中国外语学习课堂上反馈透明度与学习者修复之间的关系,并从反馈透明度的角度着重研究了两种不同类型的反馈:显式反馈和隐式反馈。在对学生在师生对话后立刻修复和一周之后学生修复进行对比的同时,该文分析了不同反馈的透明度对两种不同类型的学习者修复的影响。分析结果发现一周后显式反馈所导致的学习者修复和师生对话过程中显式反馈所导致的学习者修复呈现正相关性;相反,隐式反馈与学习者修复之间呈现负相关性。换句话说,与隐式反馈相比,显式反馈无论是在引出师生对话后学习者立刻修复还是在引导学生在一周后的自我纠错中都具备绝对优势。而且,尽管随着时间的推移,学习者仍然更能够修复那些紧跟显式反馈的错误而不是紧跟隐式反馈的错误。此外,研究还发现,不同种类的反馈与学习者修复之间的关系不受反馈透明度的影响。

融合评分上下文和物品相似度的推荐算法

推荐系统中用户的评分往往会受到评分上下文的影响,即用户先前对一些物品的评分会影响其对当前物品评分的客观性。稀疏线性方法在计算物品相似度时将受到上下文影响的用户评分与其他评分同等看待,然而该部分评分并不能客观地反映出物品之间的相似度。针对以上问题,在稀疏线性方法的基础上提出了融合评分上下文和物品相似度的推荐算法,算法分为三个阶段:第一个阶段使用加权评分计算物品最近邻进行特征选择;第二个阶段利用评分误差权重减少算法模型对受到上下文影响的评分的拟合,训练得出物品相似度矩阵;第三个阶段根据用户评分和物品相似度进行评分预测以完成物品推荐。在MovieLens的四个数据集上进行实验,采用平均准确率(MAP)、平均倒数排名(MRR)和归一化折损累计增益(NDCG)指标来评估算法效果。实验结果表明,融合评分上下文将进一步提高物品相似度的准确性,从而提高推荐的性能。

基于博弈论的命名数据网络拥塞控制策略

为解决命名数据网络中的拥塞控制问题,提出一种博弈拥塞控制算法。将路由器为数据流分配带宽问题构建成单主多从的Stackelberg博弈模型,建立路由器和数据流的效用函数,证明数据流非合作动态博弈纳什均衡解的存在性,运用分布式迭代方法,获得数据流最优带宽需求量和路由器最优价格策略,通过数据包将数据流最优带宽需求量对应的速率反馈给下游路由器和请求端。基于ndnSIM平台对该算法与ICP(interest control protocol)和HR-ICP(hop-by-hop and receiver-driven interest control protocol)算法进行仿真试验,结果表明该算法能有效提升瓶颈链路利用率并保证较低的丢包率。

个性化图书馆信息服务系统的实现

比较分析了显式反馈与隐式反馈解决数字图书馆信息服务困境中各自所具有的优缺点 ,在此基础上 ,采用Web挖掘思路实现了一个个性化图书馆信息服务系统。