神经网络推荐系统协同过滤算法研究

针对传统协同过滤算法中的冷启动和推荐准确度问题,提出一种在神经网络的基础上的算法。利用卷积神经网络对用户以前的历史行为和评价项目属性建立卷积神经网络模型,然后,提取用户和其项目属性的特征,通过全连接的方式对评分进行拟合,其次,运用关联和推理思想,利用关联矩阵计算方法,结合用户使用信息的评测和系统内的关联项目进行对接,并自动生成关联矩阵所对应的信息项目集。最后,算出实际用户与其他用户之间的评分信息相似性大小,依据评分的相似性大小。依照最相似邻居的评分信息算出实际用户没有评过的项目预测大小值,接着根据预测值排名在前面项目对用户进行推荐,此推荐算法通过在数据集MovieLens采用对比试验进行验证,得出该研究的算法解决了冷启动问题并同时提高了推荐的准确率。

基于神经网络和注意力机制的协同过滤推荐算法的研究

针对协同过滤推荐算法中用户-物品矩阵的稀疏性,使得传统协同过滤算法推荐度较差的问题,提出一种改进的基于神经网络和注意力机制的协同过滤推荐算法B-SDAECF,旨在解决传统推荐系统中数据稀疏的问题。结合Transformer模型的变式Bert模型和堆叠式降噪自动编码器(SDAE),利用Bert模型从用户评论中提取高质量的特征表示,以获得向量矩阵;并将向量矩阵作为SDAE的初始权重,从而使SDAE模型能够更快速地运算,进而填充原有的用户-项目评分矩阵。实验结果显示,相比传统方法,所提方法在推荐系统的准确性和鲁棒性上有显著提升,推荐效果更优秀。

基于图神经网络的协同过滤推荐算法综述

推荐系统因可有效解决信息过载问题而受到学术界与工业界的广泛关注。基于图神经网络的协同过滤推荐算法可有效表征用户和项目特征,并可学习用户和项目间的复杂关系,成为近年来推荐系统中广泛使用的一种技术。作者首先根据拟解决问题的不同对算法进行分类,然后对每个类别下的代表性算法进行比较与分析;其次,对实验中常用的数据集进行分类汇总,并对常用的评价指标进行简要介绍;最后,给出该领域面临的挑战和未来可能的研究方向。

UCBiG-Plugin:改进图神经网络协同过滤的通用插入式框架

图神经网络已成为协同过滤的新技术,虽然能通过迭代聚合邻域信息,自然捕获高阶的协同信号,但大部分相关工作均在在用户—物品的二部图上开展。然而,二部图中用户与物品交替连接使得用户兴趣广泛,导致在传播过程中会引入大量噪声。为此,提出一种新型的通用插入式框架(UCBiG-Plugin)直接捕获物品—物品共现图中存在的团结构,并将其粗化为新节点以构造一张全新的用户—团节点二部图,然后利用这些团结构中不同物品间存在的强接近关系,发现用户的潜在高阶语义。在3个常用的公共数据集上,应用该框架的两个改进变体进行实验评估发现,改进变体最高分别达到9.51%和8.89%,证明了同时在用户—物品二部图和用户—团节点二部图上传播协作信号能更好地捕获相关的高阶连通信息,并用于推荐任务。

融合交互意图的图神经网络协同过滤算法

传统的协同过滤方法很大程度上以一种统一的方式进行建模,没有在交互意图的细粒度上考虑建模关系。为此提出一种融合交互意图的图神经网络协同过滤算法(INTNGCF)。首先,通过将边分解成多个潜在空间来识别潜在意图;其次,利用交互意图融合层确定这些潜在意图的重要性;最后,生成用户对项目的预测评分。在三个真实数据集上与七种基线模型进行对比实验,结果表明,提出的算法与其他先进的推荐模型相比具有一定的性能优势。

基于图神经网络特征交叉的协同过滤算法

学习用户和项目有效的向量表示是推荐系统的核心目标,现有的推荐模型大多通过深度神经网络或专门设计的特征交叉,来学习用户-项目间的特征交叉生成用户(项目)向量表示,但并未将用户(项目)特征间的交叉信息编码到嵌入向量中充分利用特征交叉信息,且多个特征交叉信息对于生成最终的用户(项目)向量表示的影响不同.基于此,构建两个图神经网络模块,学习用户(项目)特征间的交叉信息、用户-项目之间的特征交叉信息,并通过计算注意力分数对特征交叉信息进行加权,得到用户(项目)的特征信息;然后通过门控循环神经网络(GRU)聚合原始的特征信息和网络层学习到的特征交叉信息,得到最终的用户(项目)向量表达;最后通过用户向量与项目向量的元素积得到最终的推荐结果.在数据集MovieLens 1M、Book-Crossing和Taobao上验证了模型的有效性.

基于图注意力的神经协同过滤社会推荐算法

互联网技术的发展使得信息过载问题日趋严重,为了解决传统推荐技术的数据稀疏和冷启动问题,社会推荐逐渐成为近年来的研究热点。图神经网络(GNNs)作为一种能够自然整合节点信息和拓扑结构的网络,为改进社会推荐提供了巨大的潜力。但基于图神经网络的社会推荐还存在许多挑战,例如,如何从用户项目交互图和社交网络图中学习准确的用户和项目的潜在因子表示;简单映射用户和项目的固有属性来获取嵌入,但用户项目交互的关键协作信号未被学习。为了学习更准确的潜在因子表示,捕获关键的协作信号,提升推荐系统的性能,提出了基于图注意力的神经协同过滤社会推荐模型(AGNN-SR)。该模型基于用户项目交互图和社交网络图,通过多头注意力机制多角度地学习用户和项目的潜在因子;此外,图神经网络利用高阶连通性递归地在图上传播嵌入信息,显式编码协作信号,探索用户和项目之间的深层复杂的交互关系。最后,在3个真实数据集上验证了AGNN-SR模型的有效性。

基于CNN和关联规则的协同过滤混合推荐

针对传统协同过滤算法在药品推荐领域中对用户评价过于依赖、数据稀疏性严重等问题,提出一种基于卷积神经网络(CNN)和关联规则的协同过滤混合推荐算法。首先利用CNN从药品文本数据中获取深层功效特征向量,然后使用Apriori算法发掘药品间的关联规则。在此基础上,从药品功效特征和关联性两个角度结合对应的相似度计算公式计算药品相似度,进而预测评分缺失值,最终对稀疏矩阵进行叠加填充实现药品推荐的优化。经试验对比,论文算法相比传统的协同过滤算法在MAE和RMSE指标上下降了3%~4%,在数据较稀疏的情况下具有良好的推荐效果。

融合原型对比与特征筛选的图协同过滤模型

图卷积在协同过滤推荐系统上取得了巨大的成功,但在真实的推荐场景中基于协同过滤的推荐方法往往会受到稀疏数据的影响,同时现有的图协同过滤方法又普遍存在对用户-项目交互信息的分析和利用不彻底的问题,如未对交互特征中的噪声进行处理,这些问题使得现有方法的推荐效果不理想。针对上述问题,提出了一种融合原型对比与特征筛选的图协同过滤模型,在对交互信息进行噪声特征过滤的同时,利用提出的原型对比学习任务捕捉节点间的潜在联系,以此增强用户和项目的表示。在3个真实的数据集上的实验结果表明,该方法在缓解数据稀疏问题的同时,提高了推荐的效率和性能。

基于通道注意力的神经协同过滤推荐算法

现有的协同过滤推荐算法使用表示学习方法和匹配函数学习的方法来匹配用户喜欢的物品,但这不能充分表达用户对不同物品的真实偏好,且这些模型并不能有效捕获用户和物品交互时嵌入维度之间的相关性。为此,该文提出基于通道注意力的神经协同过滤模型NCFCA(Neural Collaborative Filtering based on Channel Attention)。首先,在网络中通过注意力机制对不同的物品分配不同的权重,来影响用户对物品的偏好程度;其次,模型利用卷积神经网络来提升用户和物品的关联性,并在卷积神经网络中加入通道注意力机制来挖掘丰富的语义信息;最后,利用广义矩阵分解方法来缓解因用户物品交互产生的数据稀疏问题并且将三个不同的模块(A-MLP、E-CNN、GMF)融合在一起。在MovieLens 1M和Lastfm数据集上的大量实验表明,NCFCA模型的准确率有不同程度的提高,表现出较为优越的推荐性能。

基于多属性融合的神经协同过滤电影推荐模型

随着科技和信息技术的发展,“信息过载”使得用户很难在大量电影资源中快速、准确获取自己想要的内容,成为影响用户体验的主要制约因素。因此,个性化的电影推荐成为新时代研究的重点。深度学习的空前发展已经在多个领域取得了很大的成功。为了缓解推荐算法的数据稀疏问题,本文将多种属性信息整合到用户和物品的特征表示中,以获得用户和物品的完整初级特征表示。此外,使用注意机制来区分这些属性的重要性,然后采用拼接和外积两种融合策略建模用户–电影的潜在特征,并分别应用多层感知器和卷积神经网络来充分学习用户与电影之间的非线性交互关系。在电影数据集MovieLens 1M上的实验表明:与传统的DeepCF模型相比,本文提出的模型在命中率和归一化折损累计增益上分别提高了4.19%和0.38%。

基于改进神经协同过滤模型的高校选课推荐研究

目前高校线上选课大多不具有个性化推荐功能,导致学生学习效率低下,间接造成教学资源浪费。针对以上问题,基于某高校学生实际选课数据,提出一种改进后的神经协同过滤模型。首先,由于神经协同过滤模型是基于协同过滤思想进行构造,并未引入其他更多特征,所以通过融合上下文信息的方式,提升推荐准确度;其次,广义矩阵分解模型作为浅层模型,表达能力较差,所以通过将广义矩阵分解模型与多层感知机进行串联,赋予模型更深层的网络,增强模型的表达能力;最后,在某高校选课数据集上进行对比实验,验证了模型的可行性和有效性。

使用BP神经网络缓解协同过滤推荐算法的稀疏性问题

推荐质量低是协同过滤推荐技术面临的主要难题之一.数据集的极端稀疏是造成推荐质量低的主要原因之一.常见的降维法和智能Agent法虽然某种程度上能缓解这个问题,但会导致信息损失和适应性等问题.设计了一个新的协同过滤算法,根据用户评分向量交集大小选择候选最近邻居集,采用BP神经网络预测用户对项的评分,减小候选最近邻数据集的稀疏性.该算法避免了降维法和智能Agent法的缺点,而且实验结果表明,该方法能提高预测值的准确度,从而提高协同过滤推荐系统的推荐质量.

融合纳什均衡策略和神经协同过滤的群组推荐方法

群组推荐中的核心问题是群组成员的偏好融合.传统的融合策略大多属于单一型策略,在一定程度上无法更好地满足群组的整体偏好需求.为此,文中提出融合纳什均衡策略和神经协同过滤的群组推荐方法.首先,通过多层感知机获得用户与项目之间潜在特征向量的非线性交互,并联合潜在因子模型和多层感知机实现用户与项目之间的协同过滤推荐.然后,基于个体的推荐评分设计基于纳什均衡的融合策略,更好地保证群组成员的平均满意度达到最大化.最后,在KDD CUP数据集上的实验表明,文中方法在推荐模型和融合策略方面都具有较优的推荐性能.

基于动态负采样的图卷积协同过滤推荐模型

负采样对协同过滤算法的准确性有很大的影响。针对现有的图卷积网络缺乏对负采样策略的探索这一问题,提出一种基于动态负采样的图卷积协同过滤推荐模型(Dynamic Negative Sampling-Based Graph Convolution Collaborative Filtering Recommendation Model,DGCCF)。首先,为了能更灵活地适应不同图数据的需求,在图卷积网络中引入归一化参数来调节节点进行信息传递时邻域对其的影响;其次,提出一种动态负采样策略,从用户未交互过的物品节点中选取负样本集,经过图卷积后得到负样本评分,选取评分最高的负样本作为难负样本;最后,将得到的难负样本和正样本作为样本对输入贝叶斯个性化排序函数,对模型进行优化。在Gowalla,Yelp2018和Amazon-Book 3个公开数据集上与基线模型进行的对比实验表明,DGCCF在多个评价指标下均优于现有的基线方法,在3个数据集上,召回率分别比最优基线提升了0.3%,9.4%和10.6%。

基于项目属性和BP神经网络的协同过滤推荐

针对协同过滤推荐中存在的数据稀疏性问题,文中提出了一种基于项目特征属性和BP神经网络相结合的协同过滤推荐算法,并通过Movielens数据集验证了该模型的有效性。此方法首先将用户评分数据映射为用户对项目特征属性的偏好,然后使用BP神经网络训练得到目标用户的特征属性偏好模型并对新项目的评分进行预测,从而降低用户项目评分矩阵的数据稀疏性,最后使用协同过滤推荐算法,形成最近邻并生成推荐建议。

FastGR:一种基于神经协同过滤的群组推荐算法

群组推荐问题的关键在于如何对组内各成员不同的偏好进行融合来适应所有成员的需求.基于神经协同过滤框架和注意力机制的群组推荐算法从数据中动态地学习融合策略,相较于传统基于预定义策略的方法明显提升了推荐效果,但模型训练及推理时间较长.本文在此基础上重构了群组偏好融合模块,引入卷积神经网络来提取群组成员的特征,从而实现偏好融合:在公开数据集上的实验表明,本文算法比现有的算法具有更优的精度,训练速度提高了14倍.

基于卷积神经网络与改进协同过滤算法的电视产品推荐研究

在电信网、广播电视网、互联网三网融合的背景下,越来越多的家庭对机顶盒电视有了更高的需求。本文基于用户收视信息、产品信息,利用文本卷积神经网络进行电视产品名称的精确提取,排除了集数、时间等对电视产品名称提取的干扰;利用改进的协同过滤算法,从付费意愿等七方面确定用户特征向量,采用余弦相似度计算用户相似度矩阵以实现相似推荐,再从电视节目类型、地区、语种、主要演员四方面为电视产品贴标签,根据相同电视产品相似度实现预期型推荐。实验结果显示,本研究成果实现了相似用户的精准推荐以及预期型推荐,可推广至网络视频推荐领域。

基于深度神经网络与协同过滤的视频混合推荐算法

针对传统视频混合推荐算法中视频推荐响应时间较长、混合推荐效果较差的问题,设计基于深度神经网络与协同过滤的视频混合推荐算法。构建视频混合推荐模型,细化视频混合推荐效果,进行视频推荐模型的数据处理,保证模型数据的真实效果;基于深度神经网络与协同过滤计算视频内容的相似性,缩短视频推荐的响应时间;改进视频相似度量指标,进而实现视频混合的精准推荐。通过对比实验验证所设计算法视频混合推荐响应时间更短,推荐效果更佳。

多任务联合学习的图卷积神经网络推荐

基于图神经网络的协同过滤推荐可以更有效地挖掘用户项目之间的交互信息,但其性能依然受到数据稀疏和表征学习质量不高问题的影响,因此提出一种多任务联合学习的图卷积神经网络推荐(multi-task joint learning for graph convolutional neural network recommendations,MTJL-GCN)模型。利用图神经网络在用户-项目交互图上所聚集到的同质结构信息与初始嵌入信息形成结构邻居关系,设计节点邻居关系的对比学习辅助任务来缓解数据稀疏问题;向节点的原始表征添加随机的统一噪声进行表征级数据增强,构建节点表征关系的对比学习辅助任务,并提出直接优化对齐性和均匀性两个属性的学习目标来提高表征学习质量;将图协同过滤推荐任务与对比学习辅助任务和直接优化学习目标进行联合训练,从而提升推荐性能。在Amazon-books和Yelp2018两个公开数据集上进行实验,该模型在Recall@k和NDCG@k两个推荐性能指标上的表现均优于基线模型,证明了MTJL-GCN模型的有效性。