基于遗忘函数的均值贝叶斯个性化排序算法研究

针对贝叶斯个性化排序算法未能充分应用用户的行为信息,导致算法在数据稀疏情况下推荐性能以及鲁棒性均大幅度降低的问题,提出了均值贝叶斯个性化排序(MBPR)算法,来进一步挖掘用户对隐式反馈信息的偏好关系。考虑到用户兴趣随时间变化的特征,又将遗忘函数引入MBPR算法中。该算法首先对用户的历史评分记录进行预处理;然后根据用户的评分信息对项目进行正负反馈的划分,对每名用户进行个性化建模,挖掘用户对未参与项目的喜好程度,生成推荐列表。为验证提出算法的推荐性能,在公开数据集MovieLens及Yahoo上进行分析和对比实验。实验结果表明该算法的推荐性能及鲁棒性较对比算法均有显著提高。

基于遗忘函数和流行度的旅游产品个性化推荐研究

非线性遗忘函数能够改进传统协同过滤推荐算法没有考虑游客兴趣稳定性的缺点,从而实现精准旅游个性化服务推荐。但是非线性遗忘函数并没有考虑到旅游产品的流行度,流行度越高的旅游产品,游客之间的兴趣相似度便越不准确,而流行度越低的产品,预测游客之间的兴趣相似度就更加准确。鉴于此,为了更进一步提高推荐精准度,在非线性遗忘函数的基础上构建考虑旅游产品流行度的数学模型,削弱流行度高的旅游产品的权值,调整游客间兴趣相似度。实验表明,引入产品流行度后,得到的平均绝对差值变小,推荐精准度也显著增加。

基于协同过滤的美食推荐算法

为了解决传统的基于用户的协同过滤算法中的数据稀疏性问题,提高推荐的准确率,对推荐算法进行了改进并将改进后的算法应用在美食推荐领域。利用均值中心化方法对实验数据进行处理,减少因个人评分习惯差异造成的推荐误差。通过使用改进的空值填补法降低评分矩阵的稀疏性,在计算相似度时引入了遗忘函数和用户间的信任度,进一步提高了推荐系统的准确性。实验表明,提出的改进算法比传统算法有更高的准确率,并得出了在推荐过程中考虑用户和项目外的其他因素以及针对不同的数据信息采用不同的算法,都有利于提高推荐准确率的重要结论。

基于加权Slope One的协同过滤个性化推荐算法

针对传统协同过滤算法存在冷启动、数据稀疏、运行效率低下等问题,分析了较传统协同过滤算法更加高效准确的Slope One算法的优点、原理及流程。针对Slope One算法未考虑用户兴趣变化和用户相似性这两方面的问题,提出了基于用户兴趣遗忘函数和用户最近邻居筛选策略的改进方案,以期提高推荐的质量,同时采用Movie Lens数据集进行了实验验证。实验对比结果佐证了该算法确实提高了推荐准确度并且减少了响应时间。

改进的基于标签的协同过滤算法

针对现存的基于标签的个性化推荐系统在构建用户兴趣模型时未充分挖掘用户真正的兴趣爱好,且未考虑到时间因素对推荐结果的影响,提出一种改进的基于标签的协同过滤算法(ITCF)。该算法将用户评分融入到用户对标签权重的计算中,考虑用户不同兴趣程度的项目对推荐结果的影响,并使用指数渐进遗忘函数和时间窗口相结合的方法来捕捉用户兴趣的变化。在数据集Movielens上的实验证明,改进后的算法在precision、hit-rank以及NDCG三个评价指标上均取得了较好的推荐效果,其推荐的质量和效果均优于传统方案。

结合Gabor特征和自适应加权Fisher准则的人脸识别

在基于Fisher准则的字典学习算法中,初始字典的选取和目标函数的构建,严重影响字典学习的效果。为了减少初始字典的影响,提高算法的表达和判别能力。提出了一种结合Gabor特征和自适应加权Fisher准则的人脸识别算法。该算法首先采用Gabor滤波器提取人脸特征,将提取到的Gabor人脸特征作为人脸训练集;通过添加遗忘函数和根据样本间的距离对训练样本自适应加权,改进Fisher准则字典学习算法;利用测试样本编码系数的误差进行识别。在人脸库上的实验表明,算法不仅能很好地提取图像的特征信息,而且可以有效地提高人脸识别率。

混合模型的用户兴趣漂移算法

针对个性化信息服务中的用户兴趣漂移问题,提出了一种新的正态分布密度曲线遗忘函数,该函数符合用户兴趣遗忘的规律.并且将用户模型定义为长期模型和短期模型相结合的混合模型,其中短期模型使用最近最久未使用的滑动窗口算法进行更新,长期模型采用正态渐进遗忘算法进行更新.实验表明,该方法能够较迅速地发现和准确地跟踪用户的兴趣变化,提高了个性化信息服务的效率.

基于模糊聚类和改进混合蛙跳的协同过滤推荐

由于传统的协同过滤推荐算法存在很多缺陷,如数据稀疏性、冷启动、低推荐精度等,提出了一种基于模糊聚类和改进混合蛙跳的协同过滤推荐算法。首先利用一种构造的基于时间的指数遗忘函数对原始评分数据进行处理;然后根据得到的基于时间衰退的评分矩阵对用户进行模糊C-均值(FCM)聚类,并找出与目标用户有较高相似性的前几个类作为候选邻居集;再用改进的混合蛙跳算法找到最近邻居集;最后求出目标用户对未参与项目的预测评分。经实验证明,该算法比其他一些算法的推荐精度要高,且由于数据稀疏性引起的不良影响也得到了有效的缓解。

基于分类的新闻用户兴趣模型研究

给了一种基于分类的新闻用户兴趣模型,通过AJAX异步方式收集用户的行为数据,以用户阅读新闻的相对速度度量用户的兴趣,依据新闻的类别建立基于分类的用户兴趣模型,并结合基于访问频率的遗忘函数动态的更新模型,从而在个性化新闻推荐中更准确地对用户兴趣进行建模。

邮件系统中的兴趣漂移混合模型

针对如何在邮件系统中进行用户兴趣模型更新的问题,提出了一种兴趣漂移方法。根据用户长期兴趣和短期兴趣的不同特点,对短期兴趣模型采用时间窗口方法,对长期兴趣模型采用遗忘函数方法进行模型更新。实验结果表明,短期兴趣模型能很好地预测用户近期的兴趣,长期兴趣模型对较长时间段内用户兴趣的预测更稳定。采用混合模型能更好地描述用户兴趣。

基于IALM和填充可信度的协同过滤算法及其并行化研究

为解决传统协同过滤推荐中存在的数据稀疏性和可扩展性问题,基于IALM和填充可信度提出了并行化的协同过滤算法。该算法利用非精确增广拉格朗日乘子法(IALM)对评分矩阵和评分时间矩阵进行填充;引入填充可信度,并与指数遗忘函数结合,对填充评分进行加权修正,在此基础上应用协同过滤算法进行预测评分;最后基于Hadoop平台对算法进行了并行化设计与实现。实验结果表明,该算法能够提高推荐质量,同时基于Hadoop平台的算法运算效率明显提高。

面向新闻推荐的用户兴趣模型构建与更新

针对新闻推荐系统中用户兴趣模型构建与用户兴趣漂移问题,提出了一种面向新闻推荐的用户兴趣模型构建与更新方法。首先采用向量空间模型与bisecting K-means聚类算法构建了原始用户兴趣模型;然后以艾宾浩斯遗忘曲线为基础构造了遗忘函数,并以此对用户兴趣模型进行时间加权,从而达到对用户兴趣模型更新的目的。实验以基于用户的协同过滤推荐、基于物品的协同过滤推荐为baseline,实验结果表明所构建的原始用户兴趣模型推荐性能更优,在F值上提升了4%,更新后的模型与原始模型相比F值提高了1. 3%。

融合用户信任和用户兴趣漂移的协同过滤算法

针对现有的协同过滤算法推荐质量不高,提出了融合用户信任和用户兴趣的协同过滤算法CF-BI.首先根据用户历史评分矩阵,充分考虑用户偏好相似性、用户影响力和打分专业性等影响因子,提出综合用户偏好相似度和用户信誉度的信任模型;然后采用融入艾宾浩斯遗忘函数的Pearson相关系数计算用户间的兴趣相似度,通过加权融合获取用户信任与用户兴趣间的关联关系,以获取更加准确的最近邻居,并对目标用户采用Top-N算法进行推荐.在真实数据集MovieLens上的仿真实验结果表明,该算法的平均绝对误差比传统的协同过滤算法提升了16.98%,有效提高了推荐质量.

基于ALS模型协同过滤推荐算法的优化

推荐系统可以根据用户的基本信息与行为分析用户的兴趣,向用户提供个性化推荐服务,因而成了近年来的研究热点。本文研究基于ALS模型协同过滤推荐算法。算法采用分布式平台实现,对比以往单节点实现,实验结果表明该算法在计算速度上有了很大的提升。本文通过在损失函数上融合物品的相似性来减少隐形因子物品属性信息的丢失,同时在最优模型得出的预测评分中引入兴趣遗忘函数,通过实验对比结果表明,本文的优化算法有效提高了推荐系统的准确性。

一种深度扩展记忆的仿人粒子群算法仿真分析

从仿生学和心理学角度出发,提出一种深度扩展记忆的仿人粒子群算法,以解决标准粒子群及其主流改进算法易陷入局部最优等问题.算法对粒子认知进行群体共享,并采用深度扩展记忆积累粒子认知,通过仿人遗忘函数配置不同时期认知对当前决策的影响权重.仿真分析表明,所提出算法对遗忘函数和遗忘因子高度敏感,算法寻优多维多极值函数时,在收敛精度、成功率和优化成本等方面较标准粒子群及其改进算法有显著提升.

考虑时间因素的推荐方法研究

在信息爆炸的时代,如何挖掘现存的海量信息价值成为各企业的重点。针对当前存在推荐内容陈旧及数据稀疏导致的推荐不精确问题,在对比分析现存推荐方法后提出考虑时间因素给用户和产品带来的影响,以提高推荐精度的方法。