基于标签权重评分的推荐模型及算法研究

推荐系统已经被越来越频繁地应用到电子商务网站与一些社交网站,在提高用户满意度的同时也带来了巨大的商业利益.然而,当前的推荐算法由于原始数据的不完整性以及算法本身处理数据的特殊性,导致推荐效果不理想.例如,某些推荐系统会产生冷启动、复杂兴趣推荐困难、解释性差等问题.为此,该文提出一种基于标签权重评分的推荐系统模型(Label-Weight Rating based Recommendation,LWR),旨在使用一种较为简洁的方式——标签权重评分来获取用户最准确的评价和需求,并通过改进当前的一些推荐算法来处理标签权重评分数据,从而生成对用户的推荐,最后以标签权重评分的形式向用户展示推荐结果并作出合理的解释.扩展实验中,通过电影推荐实验,证明了该文技术的有效性和可行性.

美国NuVal评分标签发展的经验分析与启示

为探索企业主导包装正面(FOP)标签提供的启发,研究利用美国NuVal评分标签官方资料总结国际经验。结果发现,NuVal评分标签基于整体营养质量指数,用1~100表达包装食品、生鲜农产品的营养价值,评分越高,营养状况越好。标签与食品价格相结合,方便消费者比较所支付的营养价值。因此,中国可尝试设计营养评价信息与价格一体化的FOP标签,并在生鲜农产品试行推广,以及按照国民营养需求适时调整FOP标签算法。

基于标签自适应选择的矩阵分解推荐算法

将标签融入矩阵分解方法是当前推荐系统研究的热点。提出了一种基于标签自适应选择的矩阵分解推荐算法。首先,提出了标签-评分稀疏系数,较好地平衡了推荐过程中潜在特征与标签的使用问题。其次,利用标签的次数来计算标签向量,体现了标签的不同频率对不同物品的影响。最后,给出了算法的总体描述。实验结果表明,算法具有较高的推荐精度和较快的收敛速度。

基于改进TF⁃IDF的电梯传媒广告推荐方法

随着国家个人信息保护法的出台,电梯传媒终端精准广告投放面临多方面挑战,如何在不采集市民隐私信息的情况下,提高电梯传媒终端广告投放的精准度,为广告投放商提高经济效益是当前终端计算广告研究的重点,为此提出了基于改进TF⁃IDF的电梯传媒广告推荐方法。利用改进的TF⁃IDF对电梯点周边POI、居民等情况进行标签提取,构建了电梯传媒终端标签向量模型;然后利用商户对电梯的评分计算商户对标签兴趣度,最后构建商户兴趣模型对TOP⁃N部电梯终端广告位进行排序,推荐给商户。实验结果表明,该推荐方法的准确率、召回率等均优于采用传统TF⁃IDF算法的结果,而且不用采集市民个人隐私数据,具有较强推广应用效益。

识别高质量重叠社区的高效算法

现实的社区结构通常具有相互重叠的现象,发现重叠社区结构有助于研究网络的特性、预测网络的变化趋势.通过改进非重叠社区发现算法LabelRank的后处理过程,以使得算法能够发现网络中重叠的社区结构;引入标签更新相似度作为标签更新的判别依据,给出一种能够消除标签震荡现象的迭代终止条件,以提升发现重叠社区结构的质量,同时显著减少社区识别算法的计算量和迭代次数.在人工生成网络数据集和真实网络数据集上的实验结果表明,与现有的重叠社区发现算法相比,给出的算法能够更加高效地发现更高质量的重叠社区.