基于密度峰值聚类的动态群组发现方法

近年来,群组推荐由于其良好的实用价值得到了广泛关注.群组发现作为群组推荐的前提环节,其发现结果对推荐效果有着至关重要的影响,群组相似度越高,推荐的效果和稳定性越好.针对现有群组发现方法中存在忽略用户倾向具有时间迁移性和群组可重叠性展开研究,提出了一种基于密度峰值聚类的动态群组发现方法.该方法首先通过动态泊松分解得到量化的用户动态倾向,然后通过高阶奇异值分解预测不同的时间节点下用户对不同项目的倾向,并根据计算所得的用户倾向构建高相似度用户集合,最后利用改进的基于密度峰值的聚类算法对用户集合进行划分,实现群组发现.仿真实验对比结果表明:上述基于密度峰值聚类的群组发现方法具有更好的群组推荐效果.

一种基于多视图学习的群组发现方法

近年来,群组推荐因其良好的实用价值得到了广泛关注。作为群组推荐的一个重要环节,群组发现对推荐结果具有至关重要的影响。对于同一群组中的用户,用户的相似度越大,推荐的精度就越高。为了有效提升群组内用户相似度,改善推荐的精度,降低误差率,文中提出了一种基于多视图学习的群组发现方法。该方法首先提取多维度的显式信息,并用相似度矩阵表示,采用动态主题模型更新用户的偏好;然后,基于多视图学习对用户相似度矩阵分配权重,利用无监督学习训练得出隐式信息;最后,根据用户相似度矩阵和分组方法提出群组发现算法,实现用户群组划分。仿真对比实验表明本文所提的方法分组效果更好。

一种新的群组发现算法

分析了两种传统群组发现算法——Betweenness算法和Wu-Huberman算法。鉴于传统群组发现算法不具有普遍适用性,借鉴Wu-Huberman算法思想提出一种新的普遍适用的群组发现算法——M-based Wu-Huberman算法。在理论分析基础上对M-based Wu-Huberman算法进行了实验验证,实验结果表明该算法能有效应用于群组发现。

用户群组发现及兴趣用户推荐的改进的K-Means聚类算法

当前,电子商务网站、学习资源平台网站以及社交网站普遍都具备对评价事物的推荐功能,而不具备给用户发现和推荐感兴趣用户的功能。针对此问题,本文在K-means聚类算法的基础上加入包含抽样、降维、层次聚类等过程的预聚类阶段,设计出为用户推荐兴趣用户的FPSHK-means群组发现算法,并通过其与经典K-means聚类算法的对照实验,验证了FPSHK-means群组发现算法能比经典K-means算法发现更多的群组,且聚类结果更贴近数据对象的实际分布情况。

群组推荐分析与研究综述

随着大数据时代的到来,推荐系统的应用领域也愈发广泛,组推荐系统的推荐服务对象由单一用户扩展为群组成员,正成为推荐系统领域的研究热点之一。组推荐系统需要考虑所有群体成员的偏好,将各成员的偏好融合,缓解群组成员之间的偏好冲突,使推荐结果尽可能满足所有群组成员。主要对最近的组推荐的研究进展进行综述,分别对群组分类、群组发现、群组预测推荐的前沿进行总结,并概括了群组推荐的影响因素。最后,对组推荐的研究点及其展望分别进行阐述。

组推荐系统及其应用研究

近年来,组推荐系统逐渐成为推荐系统领域的研究热点之一.大部分推荐系统主要关注单个用户的推荐,然而在许多日常活动中需要为多个用户形成的群组进行推荐.组推荐系统作为解决群组推荐问题的有效手段,将单个用户推荐扩展为群组推荐,这为推荐系统的研究带来了一些新的挑战.根据群组特征和社会化因素,融合群组成员偏好以满足所有群组成员的偏好需求是组推荐系统的主要任务.该文对最近几年组推荐系统研究进展进行综述,从组推荐系统的形式化定义和研究框架入手,对组推荐系统的用户偏好获取、群组发现、偏好融合算法、社会化组推荐以及效用评价等关键技术进行前沿概况,并分析了群组特征对偏好融合算法的影响.对组推荐系统在不同领域的应用进展进行归纳和总结.最后,对组推荐系统有待深入研究的难点和发展方向进行展望.