任务推荐中考虑任务关联度与时间因素的改进OCCF方法

随着众包系统的兴起,人们对众包系统的关注逐渐增多。基于众包系统中的任务推荐,研究者大多将用户对任务的行为数据转化为评分,但没有考虑任务关联关系以及用户兴趣变化对推荐结果的影响。为此,提出一种考虑任务关联度与时间因素的改进OCCF方法,以对任务进行推荐。一方面,在负例抽取阶段引入兴趣遗忘函数,并根据用户活跃度抽取一定数量的负例;另一方面,在概率矩阵分解阶段融合任务相似度信息以进行分解。将所提出的方法应用于众包系统的任务推荐中,利用威客任务中国的数据集进行了实验。实验结果表明,与主流方法相比,所提方法取得了更好的结果,能有效地提高推荐质量。

耦合用户公共特征的单类协同过滤推荐算法

将显式特征与隐式反馈相结合是提高单类协同过滤(OCCF)推荐准确性的常用方法。但目前的研究一般是直接将原始显式特征或交叉特征集成到OCCF模型中,因其难以判断哪些显式特征是真正重要的,故很难获得显著的性能改进。基于此,提出了一种耦合用户公共特征的单类协同过滤推荐算法(UCC-OCCF)。首先,建立基于邻居的共同偏好表示网络(NB-CPR),学习与当前用户具有相似显式特征的邻居用户和某一类项目之间的交互关系,间接利用显式特征以获得共同偏好;然后,建立个人深度潜在因素表示网络(DLFR),使用深度神经网络学习用户-项目之间的潜在因素,从而得到当前用户与项目之间的交互概率;最后,基于邻居的共同偏好表示网络与个人深度潜在因素表示网络进行联合训练,从而将用户公共特征耦合到单类协同过滤推荐模型中,以提高推荐准确度。在公共数据集MovieLens 100K、MovieLens 1M和MyAnimelist上的实验结果表明,UCC-OCCF可以显著提高OCCF的推荐准确性。

鲁棒的单类协同排序算法

单类协同过滤(One-class collaborative filtering,OCCF)问题是当前的一大研究热点.之前的研究所提出的算法对噪声数据很敏感,因为训练数据中的噪声数据将给训练过程带来巨大影响,从而导致算法的不准确性.文中引入了Sigmoid成对损失函数和Fidelity成对损失函数,这两个函数具有很好的灵活性,能够和当前最流行的基于矩阵分解(Matrix factorization,MF)的协同过滤算法和基于最近邻(K-nearest neighbor,KNN)的协同过滤算法很好地融合在一起,进而提出了两个鲁棒的单类协同排序算法,解决了之前此类算法对噪声数据的敏感性问题.基于Bootstrap抽样的随机梯度下降法用于优化学习过程.在包含有大量噪声数据点的实际数据集上实验验证,本文提出的算法在各个评价指标下均优于当前最新的单类协同排序算法.

一种融合社会化信息的改进单类协同过滤方法研究

文章在负例抽取阶段考虑用户的活跃度和项目间相似度,以及在概率矩阵分解时融合用户好友关系和项目标签社会化信息的基础上,提出了一种融合社会化信息的改进单类协同过滤(one class collaborative filtering with social information,OCCF-SI)方法,并在科研社交网络CiteULike的真实数据集上进行了实验。研究结果表明,与其他传统的推荐方法相比,该文所提出的方法取得了较好的推荐结果,具有良好的可扩展性。

有机光波导晶体的制备

本文简要论述了有机光波导结构所具有的优点，介绍了有机纤维晶体（ＯＣＣＦ）、有机隧道波导（ＯＣＷＧ）和有机平面波导（ＯＰＷＧ）等几种形式的波导晶体的生长方法和制备工艺。