融合多类时空轨迹特征的跨网络用户身份识别

随着位置社交网络的蓬勃发展,用户移动行为数据得到极大丰富,推动了基于时空数据的身份识别问题的相关研究。跨位置社交网络的用户身份识别,强调学习不同平台时空序列间的相关性,旨在发现同一用户在不同平台的注册账号。为解决现有研究面临的数据稀疏、低质量和时空不匹配问题,提出了一种融合双向时空依赖和时空分布的识别算法UI-STDD。该算法主要包含3个模块:时空序列模块通过结合成对注意力的双向长短时记忆网络来刻画用户移动模式;时间偏好模块从粗、细两个粒度定义用户个性化模式;空间位置模块挖掘位置点的局部和全局信息,量化空间邻近性。基于上述模块得到的用户轨迹对特征,UI-STDD利用多层前馈网络判断跨网络的两个账户是否对应于现实中的同一个人。为验证UI-STDD的可行性和有效性,在3组公开的数据集上进行了实验。实验结果表明,所提算法能够提高基于时空数据的用户身份识别率,F1值平均高于最优对比方法10%以上。

融合标签和长短期兴趣的矩阵分解推荐算法

为提高用户兴趣挖掘的准确性,实现更加精准的用户个性化推荐,提出一种融合标签和长短期兴趣的矩阵分解推荐算法。利用用户使用各标签的次数和生命周期挖掘用户的长短期兴趣,计算用户标签偏好值;利用用户标签偏好值比较用户间的兴趣,获得更加精准的用户间兴趣相似度;将用户间兴趣相似度引入矩阵分解模型,预测项目评分并进行推荐。实验结果表明,该算法挖掘出的用户兴趣比其它推荐算法准确。

基于用户长短期偏好和音乐情感注意力的音乐推荐模型

针对现有音乐推荐在用户偏好建模时忽略用户长期偏好,或对用户记录统一建模时忽略历史信息与当前情境联系的问题,提出一种基于用户长短期偏好和音乐情感注意力的音乐推荐模型。首先将用户听歌记录切分为多个历史序列和当前序列,利用多个长短期记忆网络分别进行特征提取,得到用户长短期偏好:对于历史音乐序列,提出序列时段的概念,并进行序列时段加权计算,得到长期偏好;对于当前序列,利用平均池化提取当前情景音乐特征,得到短期偏好。其次,从音乐声学信号中学习音乐情感特征,应用注意力机制计算音乐情感因子。最后,将音乐情感因子融入用户长短期偏好,得到一个音乐推荐列表。在Last.fm真实数据集上的实验结果表明,模型的NDCG@10达到了0.5435,优于现有方法;消融实验和特征贡献分析进一步验证了模型的有效性。

考虑长期与短期兴趣因素的用户偏好建模

鉴于电子商务网站推荐系统的需要,将用户兴趣分为长期兴趣和短暂兴趣,并提出一种基于长期兴趣和短暂兴趣的用户偏好表示法.利用web服务器数据库的数据,采用无监督学习方法,对用户注册信息进行挖掘,提取出用户长期兴趣.基于向量映射,对web服务器日志上的用户使用记录数据和内容数据进行分析,提取用户短暂兴趣.通过用户反馈信息修正"粗糙"用户偏好文档,使得用户偏好文档更新得以实现.最后,应用了实证案例验证了该方法的合理性和有效性.

基于知识图谱的网络用户长短期偏好推荐算法

传统网络信息推荐算法的推荐结果数据单一且重复,无法深层挖掘用户偏好,导致推荐结果误差较高,召回率以及准确度均较低。提出基于知识图谱的网络用户长短期偏好推荐算法。通过构建知识图谱,深层次挖掘网络用户的潜在语义信息,并完成及时的语义辅助与补充。匹配网络用户历史行为与推荐结果,最终将项目嵌入到网络用户长短期学习中,实现网络用户长短期偏好推荐。实验结果表明,所提方法的推荐结果平方根误差和平均绝对误差较低,且召回率较高,表明推荐结果更能得到网络用户的认可与接受,推荐结果更准确。

搜索引擎页面排序融合算法

针对PageRank算法不十分关注页面内容而只关注"超链分析"的现状,并存在着用户实际所需要的页面的次序并不靠前的问题,提出了一种搜索引擎页面排序融合算法。该算法通过考虑词项权重、链接分析和用户偏好3个主要方面,得到一个URL的权值评价,这样每个待搜集的网页都有自己的权值评价,超链选择程序根据这些权值,从中选出一个或一批权值最大的来搜集,以达到精确检索的目的。

用户行为序列个性化推荐研究综述

作为缓解信息过载的一种重要方式,推荐系统可以帮助用户从海量信息中快速找到有价值的信息,其应用也越来越广泛.用户行为序列个性化推荐,又简称为序列推荐,主要根据用户与物品交互行为对用户特征进行建模,进而使用不同方法捕捉用户的长期偏好和短期偏好,向用户推荐其可能感兴趣的物品.本文从用户偏好会随时间变化的视角出发,分为用户长期偏好、短期偏好和长短期偏好3个方面,重点探讨了现有用户行为序列个性化推荐研究取得的主要进展;分析了当前用户行为序列个性化推荐研究中存在的冷启动、数据稀疏和噪声干扰等主要问题,并进一步展望了该领域未来主要研究方向.

基于多维度兴趣注意力和用户长短期偏好的新闻推荐

在这个网络媒体平台成为获取新闻资讯的主流方式的时代,新闻推荐扮演着至关重要的角色。一方面,媒体平台使用新闻推荐可帮助用户过滤掉不感兴趣的新闻,定制个性化阅读内容推送;另一方面,智能推送服务能够增加新闻点击率,帮助媒体平台实现新闻的快速传播。目前,新闻推荐逐渐成为数据分发领域核心技术之一,逐渐引起国内外学者的关注。该文针对新闻热度不均衡问题造成的长尾现象,提出了一种基于多维度兴趣注意力的用户长短期偏好的新闻推荐模型。首先,对用户长期偏好进行挖掘时把用户兴趣分成多个维度,并采用注意力机制控制不同兴趣维度的重要程度,从而学习到包含不同维度兴趣信息的长期偏好。其次,采用CNN与注意力网络相结合的模型对新闻进行表示学习,采用GRU在用户近段时间内的阅读历史中学习用户短期偏好。最后,通过大量在真实新闻数据集上的实验,以AUC、MRR、NDCG为评价指标与其他基线方法进行比较,证实了该模型均优于其他方法。

认知视角下网络用户偏好研究:一个复合模型的构建与验证

【目的/意义】在认知视角下探析网络用户偏好的心理因素,提出用户偏好复合模型及其基本假设,从而丰富和深化信息服务个性化的理论研究。【方法/过程】以记忆和情感两种偏好的主要认知影响因素入手,凝练用户偏好的概念并提出用户偏好复合模型,继而基于复合模型特征和机制提出相关假设并进行验证,最后使用实例进行可视化展示。【结果/结论】用户偏好是主体经验和情感共同影响下对客体的心理认知倾向,记忆深度和情感强度是其两大认知基石,其形成过程需要时间的积淀,用户偏好具有层次性的复合结构,包括即时偏好、短期偏好与长期偏好三种不同类型。特别地,短期偏好具有7天这一较为明确的时间性阈值。

刻画长短期用户兴趣的基于会话的推荐系统

―在很多在线推荐系统场景中,用户和系统的交互通常都会按照时间间隔划分成一系列的会话.本文研究了如何在基于会话的推荐系统中对用户兴趣进行建模.现有的工作或者假设会话之间相互独立,忽略了历史会话中包含的长期用户兴趣信息;或者将用户在一个会话中的短期兴趣视为静态不变.这两者都无法充分刻画实际场景中的用户兴趣和行为.我们提出了循环记忆网络RMN,一种刻画了用户长期和短期兴趣的基于会话的推荐系统.RMN基于循环神经网络模型,其核心部分是一个储存了用户长期偏好的兴趣记忆模块.另外,我们在RMN中设计了一个会话内的记忆读取单元和一个会话间的记忆写入单元,这两个单元分别用于刻画短期(即一个会话内)的用户兴趣波动和长期(即跨越多个会话)的用户兴趣转移.我们在真实的电影推荐和职位推荐数据集上进行了实验,实验结果表明RMN相比于现有方法而言取得了显著的性能提升.