基于项目流行度的个性化重排序模型

现有推荐模型经常优先考虑推荐准确度而忽略推荐多样性和新颖性,导致推荐结果类型单一且不可避免地被流行项目占据。鉴于此,提出一种重排序模型,该模型在原有推荐模型基础上加入项目流行度和用户偏好,通过调节补偿分数的大小以控制用户最终TOP-K推荐列表新颖项目的比例,达到提高用户个性化推荐列表多样性的效果。通过在公开数据集的实验结果表明,该模型的ILS指标与传统方法相比分别降低了79.96%和7%,Novelty指标分别降低了0.73%和2.11%,有助于降低用户的列表内相似度,增加推荐新颖性。

考虑用户活跃度和项目流行度的基于项目最近邻的协同过滤算法

项目相关性度量是基于项目最近邻的协同过滤算法的关键。已有的项目相关性度量方法在数据集稀疏或推荐低流行度产品时会面临较大挑战,因此提出一种考虑用户活跃度和项目流行度的基于项目最近邻的协同过滤算法。该算法在度量两个项目的相关性时,若有记录只对两个项目之一有评分,则利用该记录所对应的评分用户的活跃度和被评价项目的流行度进行相关性惩罚,从而提高数据稀疏环境下低流行度产品被推荐的概率。实验表明,所提算法在保证评分预测精度的情况下提升了推荐结果的多样性和新颖性。

基于项目流行度的协同过滤TopN推荐算法

为了提高推荐系统挖掘用户感兴趣的冷门项目的能力,提出一种改进的协同过滤推荐算法。在传统算法基础上考虑项目流行度的影响,将其作为权重因子引入到相似性计算和推荐过程中,以提高用户相似性计算的可靠性和冷门项目在最终的项目推荐过程中的影响力。典型数据集上的对比实验表明,该算法能够在保持甚至提高推荐准确度的前提下,有效挖掘到用户感兴趣的冷门项目。

基于信任关系和项目流行度的矩阵分解推荐算法

针对现有推荐系统推荐覆盖范围不高的问题,提出一种融合项目流行度和用户信任关系的矩阵分解推荐算法。合并用户-项目评分矩阵和用户-用户信任关系矩阵,通过矩阵分解的方式同时传递信任和推荐项目,极大提高了推荐算法的覆盖率,但损失了现有方法8%左右的精度。将项目流行度作为权重因子,引入到高稀疏性的用户-项目评分矩阵中,根据项目流行度对用户评分项目和未评分项目分别进行加权处理,提高了推荐算法的准确率。通过在Epinions数据集上的对比实验结果表明,该算法在大幅度改善推荐覆盖率的同时,保证了推荐的准确率,能够给于用户更好的推荐效果。

融合用户属性与项目流行度的用户冷启动推荐模型

冷启动一直是推荐系统领域中被密切关注的问题,针对新注册用户冷启动的问题,文中提出了一种融合用户人口统计学信息与项目流行的推荐模型。首先对训练集用户进行聚类,将训练集用户划分为若干类。然后计算新用户与所属类别中其他用户之间的距离,选择其近邻用户集,在评分计算时综合考虑项目流行度对推荐效果的影响,进而为目标用户推送感兴趣的节目。最后在经典推荐系统数据集中对所提模型进行验证。实验结果表明,该模型明显优于传统协同过滤算法,并在一定程度上解决了冷启动问题。

结合项目流行度加权的协同过滤推荐算法

针对传统协同过滤算法中存在的流行度偏差问题,提出一种结合项目流行度加权的协同过滤推荐算法。在项目协同过滤算法的基础上,分析项目流行度和流行度差异对相似度的影响;设置流行度阈值,对大于该阈值的流行项目设计惩罚权重,降低其对项目间相似度的贡献。通过在MovieLens 1M和Epinion数据集上进行实验验证和对比,结果表明,所提算法的预测准确度和覆盖率均优于传统算法,有效提高了推荐的多样性和新颖性,一定程度上缓解了流行度偏差问题。

基于项目流行度和新颖度分类特征的托攻击检测算法

针对有监督检测方法在检测托攻击时准确率不高的问题,提出一种基于项目流行度和新颖度分类特征的托攻击检测算法。首先,根据真实概貌和攻击概貌在选择评分项目方式上不同,从流行度和新颖度角度,提出有效区分正常用户和攻击用户的特征;然后,基于这些特征提出一种集成检测框架,通过Boosting提升技术产生多个差异较大的基分类器,并且通过融合带有权重的基分类器的预测值得到最终的检测结果。实验结果表明,基于项目流行度和新颖度分类特征的托攻击检测算法能够提高攻击检测的准确率和召回率。

融合项目流行度与用户间多相似度的协同过滤算法

为进一步解决协同过滤算法中存在覆盖范围不高的问题,针对现有算法未充分考虑引入项目流行度在降低热门项目影响力的同时会普遍降低热门但评分高的项目影响力的问题,提出一种融合项目流行度与用户间多相似度的协同过滤算法.在降低热门项目影响力的同时,考虑目标用户的相似用户群体对热门项目的综合评分,动态调整推荐列表中热门项目对目标用户的影响力.算法通过融合多种改进的用户相似度来提高相似度计算精度.其中引入了用户属性相似度去除“零相似度”以缓解用户冷启动问题的影响.实验结果证明,该算法在解决冷启动问题和改善推荐覆盖率的同时,提升了推荐的准确率.

基于项目流行度与用户行为的协同过滤推荐算法

针对传统的基于用户的协同过滤算法在计算用户相似度时存在的问题,提出了一种改进的思路,即考虑项目的流行度和用户行为对相似度计算的影响。在此基础上设计了新的算法。通过Movie Lens数据集测试表明,新的方法能够在一定程度上提高推荐系统的性能。

结合项目流行度的协同过滤推荐算法

针对传统的协同过滤推荐算法中相似度计算不准确的问题,论文提出了一种结合项目流行度的协同过滤推荐算法,通过引入项目流行度权重因子来降低热门项目在相似度计算及最终推荐中的影响力。最后在Movie Lens数据集上的实验结果表明,改进算法有利于提高评分预测的准确度。

基于项目流行度及兴趣动态变化的协同过滤算法

传统的协同过滤算法计算相似度未考虑项目流行度的影响,预测评分未考虑时间对用户兴趣变化的影响,导致相似度计算不准确、推荐结果单一。针对这些问题,结合项目流行度惩罚系数对传统相似度计算方法改进,提高算法推荐多样性,并将时间因素融入到预测方法中以解决兴趣衰减的问题。定义惩罚系数并将其融入到相似度计算方法,利用优化后的相似度寻找目标项目的最近邻;在预测用户评分时考虑时间对用户兴趣变化的影响,根据用户的评分周期和评分时间,为每项评分赋予按时间逐步递减的权重,将其融入到预测算法中。在Movlenlens的100 K数据集上的实验表明,改进的算法有效提高了推荐的准确度和覆盖率。

结合时间遗忘和项目流行度的协同过滤推荐算法

本文提出了一种结合时间遗忘和项目流行度的协同过滤推荐算法。在传统基于用户的协同过滤推荐算法基础上,用时间遗忘函数拟合出时间函数以缓解用户兴趣漂移问题,通过项目流行度加权,对高流行度项目进行降权惩罚以提高其他项目被推荐的可能。实验使用的是MovieLens 100K数据集。实验显示,与传统的协同过滤推荐算法相比,本文的推荐精度更高,并且在某种程度上缓解了用户的兴趣漂移和流行偏差。

一种基于流行度分类特征的托攻击检测算法

基于协同过滤的推荐系统容易受到托攻击的危害,如何检测托攻击成为推荐系统可靠性的关键.针对现有托攻击检测手段使用基于评分的分类特征易受混淆技术干扰的局限,本文从用户选择评分项目方式入手,分析由此造成的用户概貌中已评分项目的流行度分布情况的不同,提出用于区分正常用户与虚假用户基于流行度的分类特征,进而得到基于流行度的托攻击检测算法.实验表明该算法在托攻击检测中具有更强的检测性能与抗干扰性.

融合多语义信任度与全局信息的混合推荐算法

数据稀疏问题普遍存在于协同过滤系统,仅考虑共同评分项目上局部上下文信息的相似度度量方法已不具备较高可靠性。为解决上述问题,提出一种融合多语义信任度和全局信息的混合推荐算法(multi semantic trust and global knowledge,MSTGK)。引入加权异构信息网络(weighted heterogeneous information network,WHIN),通过加权元路径处理评分数据、社交关系、用户标签和项目属性对用户信任的影响,挖掘不同语义的信任信息以缓解数据稀疏性问题;考虑项目流行度和用户偏好程度两个全局要素对用户相似度的影响,将其作为权重因子改进了JMSD相似测度,旨在提高相似度计算精度;融合用户的多语义信任度和全局相似度进行综合推荐。在DoubanMovie和Yelp两个真实数据集上的实验结果表明,所提算法缓解了数据稀疏问题,相比于其他基线方法,预测准确率分别提高了2.01个百分点和2.45个百分点。

基于从众心理矩阵和加权相似度的推荐算法

为提高推荐算法的精度,提出一种基于从众心理矩阵和加权相似度的推荐算法。引入项目流行度阈值K,根据项目流行度对项目进行筛选,对高流行度项目的评分矩阵进行调整;通过用户兴趣度量函数度量用户的现阶段偏好项目,基于每个用户的现阶段偏好项目计算用户间的兴趣相似度;采用相似度加权融合的方式获取用户相似度。实验结果表明,该算法的推荐精度优于传统的协同过滤算法。

基于深度自动编码器的托攻击集成检测方法

在采用协同过滤技术的推荐系统中,恶意用户通过注入大量虚假概貌使系统的推荐结果产生偏离,达到其攻击目的。为了检测托攻击,根据用户的评分值或基于攻击时间的集中性假设,从不同视角提取攻击概貌的特征。但是,这些基于人工特征的检测方法严重依赖于特征工程的质量,而且人工提取的检测特征多限于特定类型的攻击,提取特征也需要较高的知识成本。针对这些问题,从用户评分项目的时间偏好信息入手,提出一种利用深度稀疏自动编码器自动提取检测特征的托攻击集成检测方法。利用小波变换将项目在不同时间间隔内的流行度设定为多个等级,对用户的评分数据预处理得到用户-项目时间流行度等级矩阵。然后,采用深度稀疏自动编码器对用户-项目时间流行度等级矩阵自动进行特征提取,得到用户评分模式的低层特征表达,消除了传统的人工特征工程。以SVM作为基分类器,在深度稀疏自动编码器的每层提取特征并进行攻击检测,生成最终的集成检测结果。在Netflix数据集上的实验表明,提出的检测方法对均值攻击、AoP攻击、偏移攻击、高级项目攻击、高级用户攻击具有较好的检测效果。

基于评分矩阵填充与用户兴趣的协同过滤推荐算法

针对传统协同过滤推荐算法评分矩阵稀疏和推荐精度不高的问题,提出一种改进的协同过滤推荐算法。通过用户属性偏好和项目流行度计算用户对项目的偏好度,结合用户平均评分对评分矩阵中未评分项目进行填充。考虑到用户兴趣随时间的变化,将基于时间的兴趣度权重函数和偏好度引入到项目相似度计算和推荐过程中,确定项目最近邻集合,从而实现最优推荐。实验结果表明,与传统协同过滤推荐算法相比,该算法较准确地反映了用户的兴趣变化趋势,并且在有效解决评分矩阵稀疏问题的同时提高了推荐准确率。

基于用户部分特征的协同过滤算法

协同过滤算法作为推荐系统中应用最广泛的算法之一,在大数据环境下面临严重的数据稀疏问题,使得近邻选择的效果不佳,直接影响了算法的推荐性能.为了解决这一问题,本文提出了一种基于用户部分特征的协同过滤算法(UPCF),该算法首先基于评分偏差和项目流行度进行矩阵缺失值填充,随后利用初始聚类中心优化的K-means算法对该填充矩阵进行项目聚类,并利用用户在项目分类下的局部特征进行近邻集合构建,最终采用基于用户的协同过滤算法获得推荐.我们采用流行的MAE指标对算法在Movie Lens数据集上进行评测.实验表明,与目前流行的协同过滤算法相比,提出的UPCF算法在没有增加算法复杂性的前提下,性能有近10%的提升.

基于阶段时序效应的奇异值分解推荐模型

针对传统基于时序效应的奇异值分解(SVD)推荐模型在对用户预测评分建模过程中只考虑评分矩阵,采用复杂的时间函数拟合项目的生命周期、用户偏好的时序变化过程,造成模型难于解释、用户偏好捕获不准、评分预测精度不够高等问题,提出了一种改进的综合考虑评分矩阵、项目属性、用户评论标签和时序效应的推荐模型。首先,通过将时间轴划分时间段,利用sigmoid函数将项目的阶段流行度变换为[0,1]区间上的影响力来改进项目偏置;其次,利用非线性函数将用户偏置的时序变化转变为阶段评分均值与总体均值偏差的时序变化来改进用户偏置;最后,通过捕获用户对项目的阶段兴趣度,结合其相似用户在此时间段对该项目的好评率,生成用户项目交互作用影响因子,实现用户项目交互作用的改进。在Movielence 10M和20M电影评分数据集上的测试表明,改进模型能更好地捕获用户偏好的时序变化过程,提高评分预测准确性,均方根误差平均提高了2.5%。

基于新鲜度度量的多样性推荐模型研究

[目的/意义]针对现有推荐研究大多以提高预测结果准确性为主要目标,忽略了推荐结果多样性对用户满意度的影响,导致推荐质量下降、用户体验不足的问题,文章提出一种融入新鲜度度量的多样性推荐模型。[方法/过程]在该模型中,以预测算法为基础,在项目推荐阶段,首先根据项目预测值与项目流行度两个标准对项目重新排序,然后通过在候选推荐项目集合中增加新鲜度参数来调节长尾项目所占比例,进而生成最终的推荐列表。[结果/结论]通过Movielens-100K数据集对该模型中的算法与其他两种算法进行比较,实验结果表明:所建模型在保证推荐准确率的基础上推荐出用户潜在感兴趣的长尾冷门项目,有效地提高了推荐结果的多样性。