融合时间因素的隐语义模型推荐算法

针对传统推荐算法中存在数据稀疏和精确度不高的问题,提出一种融合时间因素的隐语义模型推荐算法,在隐语义模型中引入时间偏置项体现时间推移对用户兴趣偏好的影响,解决数据稀疏问题的同时降低时间推移造成的误差,结合基于邻域的协同过滤模型求出目标用户推荐列表。采用Movielens1M数据集验证算法的有效性,实验证明该算法与基于用户的协同过滤算法以及基于隐语义模型的推荐算法,能有效解决数据稀疏问题,在准确率、召回率和综合F值上分别比基于用户的协同过滤算法提高1.66%、2.12%、2.04%,比基于隐语义模型的推荐算法分别提高1.38%、1.48%、1.49%,能够进一步提高推荐系统的准确性及推荐质量。

基于多重隐语义表示模型的旅游路线挖掘

针对用户个性化旅游行为过程的挖掘与景点推荐问题,提出多重隐语义旅游路线表示模型(MLSTR-RM).MLSTR-RM考虑不同上下文对用户旅游路线的影响,高效挖掘旅游路线中丰富的隐语义.首先确定模型中不同上下文包含的隐语义信息,然后通过负采样的方式训练模型参数,最后基于MLSTR-RM模型设计个性化景点推荐方法.在真实数据集上的实验表明文中模型的有效性.

个性化推荐中的隐语义模型

协同过滤是最流行的推荐算法之一,已经成功地应用在很多推荐系统中,而隐语义模型就是协同过滤的典型代表.隐语义模型的核心思想是通过隐类联系用户兴趣和物品,通过矩阵分解技术建立用户和隐类之间的关系,隐类和物品之间的关系,最终得到用户对物品的偏好关系,从而个性化地对用户进行物品的推荐.但是,数据稀疏性和冷启动是协同过滤面临的最大挑战,幸运的是,伴随着社交网络的异军突起,很多学者已经将社交特征数据信息(比如标签、社交等)融入隐语义模型之中来解决协同过滤面临的问题.本文综述了近些年来基于隐语义模型的推荐算法研究成果,总结了常见的基于隐语义模型的推荐算法拓扑结构,并给出了未来的研究方向.

融合邻域模型与隐语义模型的推荐算法

作为目前构建推荐系统最成功的方法之一,协同过滤算法(CF)是利用已知的一组用户喜好数据来预测用户对其他物品的喜好从而做出个性化推荐的。两种比较成功的协同过滤算法能够直接刻画用户和物品因子的隐语义模型,以及分析物品或者用户之间相似度的邻域模型。提出了一种针对这两种模型的改进方法,使得隐语义模型和邻域模型能够有效结合,从而构建出一个更精确的融合模型。在融合用户的显性反馈与隐性反馈信息对模型进行扩展后,又使得精确度进一步提升。在Netflix数据集上进行测试,实验结果表明,该融合算法在Netflix数据集上的性能优于其他算法。

一种基于隐语义概率模型的个性化Web服务推荐方法

为了满足Web服务使用者的个性化需求,提出了一种基于隐语义概率模型的用户指标偏好预测方法,用于个性化Web服务推荐.首先,引入两个决定用户指标偏好的关键因素:用户以及用户所处的服务情境,隐语义概率模型借助隐含类别建立用户指标偏好、用户及服务情境三者之间的隐含语义依赖关系,并且为描述用户、服务情境、指标偏好多方面的特征,允许这三者可同时以不同的概率隶属于多个隐含类别;然后,将期望极大(expectation maximization,EM)算法运用于由层次分析法获得的训练数据,以估计隐语义概率模型的参数;最后,使用该模型预测用户在特定服务情境下的指标偏好.隐语义概率模型与标准的基于内存的协同过滤以及基于聚类改进的协同过滤相比,不仅具有明确的数学模型,而且实验结果表明,隐语义概率模型对用户个性化指标偏好的预测精度最高,同时可以缓解数据稀疏性带来的不良影响.

基于时间效应与隐语义模型的高校图书馆的个性化推荐研究

为了在海量书籍中快速选择,针对高校读者同一学科在不同学习阶段知识背景相似的特点,提出一种建立基于矩阵分解的隐语义模型与时间效应的融合算法,对高校图书进行个性化图书推荐。该算法运用随机梯度下降法求解用户-项目评分矩阵;针对冷启动问题提出一种改进的解决策略;通过评价指标平均绝对误差MAE与均方根误差RMSE验证该算法推荐的准确性。通过大量实验结果验证了该算法的可行性和有效性。

隐语义模型下的科技论文推荐

针对如何在海量资源中快速检索自己所关注的相关领域论文的问题,提出一种通过建立隐语义模型,然后利用扫描分析出的用户和论文的特征向量进行论文推荐的算法。将所推荐论文的引用和引用其的情况,加入到论文的特征向量中,通过用户和论文特征向量之间的内积的大小准确地给用户推荐他们潜在喜欢的优质论文。实验表明所提算法显著提高科技论文推荐的准确度和新颖度。

一种基于隐语义模型的协同过滤算法

传统的协同过滤算法忽略了用户对项目的兴趣度这一重要特征,对此提出了一种新的概率生成模型.综合考虑了用户对项目的兴趣度和用户对项目的评分模式两种因素,并在此基础上设计了一种度量指标进行推荐,实验证明与传统的协同过滤算法相比,该方法能够获得更好的推荐效果.

推荐系统中的隐语义模型研究

隐语义模型是一种有效的隐含语义分析技术,其核心思想是通过潜在特征联系用户和物品。本文从理论方法的角度,详细介绍了隐语义模型的工作原理、模型表示、学习方法和评价指标等,并通过具体实验分别讨论几种典型隐语义模型算法的推荐效果,以全面认识和理解该模型在推荐系统中的应用特点。

结合隐语义模型与改进用户信任的协同过滤推荐算法

为了改善传统的协同过滤推荐算法由于数据稀疏性以及过于强调相似度的作用而导致预测准确率较低的现象,提出一种改进算法,即结合隐语义模型与改进用户信任的协同过滤推荐算法。该算法首先利用隐语义模型对原始评分矩阵进行空缺值填充,从而降低矩阵的稀疏度;其次在传统的用户信任关系上引入正负反馈因子来降低用户信任误差,并将改进的用户信任通过线性加权的方式与修正余弦相似度相结合,从而改善用户之间的相似性,使得计算结果更具实际意义。在MovieLens数据集上进行仿真,结果表明,所提算法能有效地提高推荐的预测准确性。

综合隐语义模型和信任关系网络的个性化推荐

面对数量繁多的各种商品信息,大多数用户并不能从中迅速找到自己所需要的,而个性化推荐针对不同的用户给出不同的推荐信息,大大方便了用户的决策。文章对综合隐语义模型和信任关系模型的个性化推荐算法进行了研究。通过将信任关系网络与隐语义模型相结合,简化了运算量,提高了推荐效率和准确度。具体讨论了如何建立信任关系模型,并将其应用于推荐系统中。采用样本训练得到隐语义模型,并通过Epinions.com数据库验证该模型的有效性。

结合协同过滤与隐语义模型的视频推荐策略

观看视频已逐渐成为人们休闲娱乐方式之一,但视频网站却面临着如何从用户的需求出发更好地推荐视频资源的困惑.传统的协同过滤算法仅通过用户之间的相似度来建立对物品的兴趣关系,忽略了用户行为所带来的隐含信息以及物品之间的分类信息.因此本文在传统协同过滤算法的基础上融合了隐语义模型进行推荐,借助隐语义模型增加推荐结果的多样性,并借助协同过滤算法保证推荐的及时性,通过两种算法的融合能够有效地提高推荐的多样性并保证推荐的性能.

利用隐语义生成对抗网络的恶意软件检测

随着恶意软件数量的增多,传统人工分析方法已无法胜任。针对这一问题,本文提出一种支持向量机分类器与隐语义生成对抗网络(Latent Factor Generative Adversarial Networks, LF-GAN)相结合的恶意软件检测新方法,其通过提取具有i个服从特定高斯分布的特征量用以自动区分恶意软件和正常软件。具体方法为利用变分自动编码器(Variational Autoencoder,VAE)将数据投影至隐空间以便于特征提取,并作为训练集传递至所设计的LF-GAN,以进一步优化网络中关键特征参数。算例结果表明,本文所提LF-GAN对恶意软件检测精度达到96.97%,且高于其他传统检测方法,即本文所提方法具备良好的对恶意软件的检测和识别能力。

融合评论分析和隐语义模型的视频推荐算法

针对网络视频元数据信息缺失严重和多媒体数据本身特征难以提取等问题,提出了融合评论分析和隐语义模型的网络视频推荐算法。从视频评论入手,通过分析用户对不同视频的评论内容以判断其情感倾向并加以量化,继而构建用户对项目的虚拟评分矩阵,弥补了显式评分数据稀疏性问题。考虑到网络视频的多元性和高维度特性,为了深度挖掘用户对网络视频的潜在兴趣,针对虚拟评分矩阵采用隐语义模型(LFM)对网络视频分类,在传统的用户—项目二元推荐系统基础之上添加虚拟类目信息以进一步发掘用户—类目—项目关联关系。实验在多重标准下进行,对You Tube评论集的实验表明,所提推荐方法获得了较高的推荐精度。

结合L1和L2正则化约束的隐语义预测模型研究

在大数据领域中预测高维稀疏矩阵中的缺失数据,通常采用随机梯度下降算法构造隐语义模型来对缺失数据进行预测。在随机梯度下降算法来求解模型的过程中经常加入正则化项来提高模型的性能,由于L1正则化项不可导,目前在隐语义模型中主要通过加入L2正则化项来构建隐语义模型(SGD_LF)。但因为L1正则化项能提高模型的稀疏性增强模型求解能力,因此提出一种基于L1和L2正则化约束的隐语义(SPGD_LF)模型。在通过构建目标函数时,同时引入L1和L2正则化项。由于目标函数满足利普希茨条件,并通过二阶的泰勒展开对目标函数进行逼近,构造出随机梯度下降的求解器,在随机梯度下降求解隐语义模型的过程中通过软阈值来处理L1正则化项所对应的边界优化问题。通过此优化方案,可以更好地表达目标矩阵中的已知数据在隐语义空间中的特征和对应的所属社区关系,提高了模型的泛化能力。通过在大型工业数据集上的实验表明,SPGD_LF模型的预测精度、稀疏性和收敛速度等性能都有显著提高。

一种过滤dislike因素干扰的隐语义模型推荐算法

针对传统的推荐算法有着数据稀疏性、推荐效果不精确、大规模数据难以处理等问题,提出了一种过滤dislike因素干扰的隐语义模型推荐算法。该算法根据Slope-One算法计算出用户对物品的厌恶程度评分项,然后使用基于隐语义模型的ALS矩阵分解算法对其进行交叉过滤,避免了隐语义模型中包含的用户dislike评分项对其推荐效果的干扰。基于Spark平台,在Movielens数据集进行了相关的实验验证。结果表明,所提出的算法在准确度、精确率方面均优于ALS算法、基于物品的协同过滤方法以及Slope-One算法。

基于隐语义模型的中医在线辅助诊疗系统

当前对中医学的怀疑关键在于其缺少科学数据的支撑,因此,把中医诊疗的过程数据化十分重要。针对该问题提出一种数据驱动的中医诊疗方法,基于对医案中病症和对应处方的隐语义分析,找出隐含病机,发现隐含病机与病症和药物间存在的关系,建立了一个基于传统中医医案挖掘的多内容隐含狄利克雷分布(LDA)模型。基于模型的结果,提出根据症状推荐药物的算法,并且建立了基于隐语义模型的中医在线辅助诊疗系统。通过实验评估推荐算法的有效性,在精度、召回率方面均好于基线方法。中医在线辅助诊疗系统能提供数据驱动的诊疗结果辅助中医师诊疗,帮助中医更准确、全面、智能地制定科学的治疗方案。

融合时间隐语义填充和子群划分的推荐算法

随着个性化推荐技术的发展,推荐系统面临着越来越多的挑战。传统的推荐算法通常存在数据稀疏性和推荐精度低等问题。针对以上问题,提出了一种融合时间隐语义填充和子群划分的推荐算法K-TLFM(Time Based Latent Factor Model Integrated with k-means)。该算法利用融合时间因素的隐语义模型对原始用户物品评分矩阵缺失项进行填充,避免了用全局平均值或者用户/物品平均值补全矩阵带来的误差,有效缓解了数据稀疏性问题,同时融合时间因素有效地刻画了用户偏好随时间的变化;完成评分矩阵缺失项填充后,基于二分k-means聚类算法将偏好、兴趣特征相似的对象划分到同一个子群中,在目标用户所属的子群中基于选定的协同过滤算法为用户产生推荐列表,提高了推荐效率和准确性。在MovieLens和Netflix数据集上对该算法的推荐性能进行了对比实验,结果表明该算法具有更高的推荐精度。

融合隐语义和邻域算法的兴趣点推荐模型

随着众多具有传感功能的智能手机和可穿戴设备的普及,基于位置的服务得到了快速发展,其中基于位置的社交网络(location-based social networks,LBSN)逐渐被大多数人所接受,基于位置社交网络可以为人们提供兴趣点推荐服务。为了提供更加精准的兴趣点推荐服务,提出了一种融合的算法模型。通过隐语义分析算法来充分挖掘用户的历史行为,使用基于邻域的方法结合好友和地理位置等因素,然后在统一的框架中融合这两种推荐方式的结果,实现了对用户行为更好的预测。实验结果表明,提出的兴趣点推荐方法拥有较好的准确率和召回率。

融合用户属性的隐语义模型推荐算法

针对隐语义模型推荐算法中的数据稀疏和冷启动问题,提出一种融入用户属性信息的推荐算法。将二值化用户属性加入隐语义模型,利用分类模型衡量其他用户属性的重要程度,根据目标用户具有的属性找出与之相似的用户,并结合目标用户的评分信息得到最终推荐结果。在Movielens数据集上进行测试,结果表明,与协同过滤算法和隐语义算法相比,该算法可有效提高推荐准确率,即使在评分数据极度稀疏的情况下也能取得较好的推荐结果。