基于多嵌入融合的top-N推荐

异构信息网络(Heterogeneous Information Network, HIN)凭借其丰富的语义信息和结构信息被广泛应用于推荐系统中,虽然取得了很好的推荐效果,但较少考虑局部特征放大、信息交互和多嵌入聚合等问题。针对这些问题,提出了一种新的用于top-N推荐的多嵌入融合推荐(Multi-embedding Fusion Recommendation, MFRec)模型。首先,该模型在用户和项目学习分支中都采用对象上下文表示网络,充分利用上下文信息以放大局部特征,增强相邻节点的交互性;其次,将空洞卷积和空间金字塔池化引入元路径学习分支,以便获取多尺度信息并增强元路径的节点表示;然后,采用多嵌入融合模块以便更好地进行用户、项目以及元路径的嵌入融合,细粒度地进行多嵌入之间的交互学习,并强调了各特征的不同重要性程度;最后,在两个公共推荐系统数据集上进行了实验,结果表明所提模型MFRec优于现有的其他top-N推荐系统模型。

可提高多样性的基于推荐期望的top-N推荐方法

推荐系统帮助用户在海量信息中找到与用户相关的、个性化的产品,现有推荐技术大多致力于改进推荐系统的预测准确度。最近,推荐质量的另一个重要方面——推荐的多样性,越来越受到人们的重视。提出了一种基于物品推荐期望的top-N推荐方法,在向用户进行top-N推荐时,可以通过控制全体物品的推荐期望,来达到提高推荐总体多样性的目的。结合多种评价方法,使用不同的评分预测算法在真实的电影评分数据集上对提出的算法进行了实验,结果证明提出的算法能够在保证推荐准确度的同时,显著提高推荐的总体多样性。

云环境下top-n推荐算法

Top-n推荐技术是近年来信息服务领域的一个研究重点和热点.针对云环境下的top-n推荐算法进行了深入研究,提出了适合top-n推荐的多层分布式存储架构MDSA(Multilayer Distributed Storage Architecture),并从降低网络传输代价出发,设计了基于MDSA架构的数据编码模式,进而利用map/reduce分布式编程模型来快速实现topn推荐.此外,为了满足实际的需求,给出了三种top-n推荐的应用扩展.理论分析和实验结果表明,本文所提的方法具有有效性和实用性.

基于多层次多视角的图注意力Top-N推荐方法

推荐系统是当前数据挖掘领域的研究热点,海量数据的涌现促使多源信息融合的推荐方法得到极大的关注。但是,现有的基于异质信息融合的推荐方法在进行特征表示时往往忽略了用户和项目之间的交互信息以及元路径之间的相互影响。因此,考虑到属性节点嵌入和结构元路径的不同视角,提出了一种多层次图注意力的网络推荐方法。该方法通过构建不同的元路径,将多源信息网络结构粒化为多个独立的粗粒度网络,然后基于图注意力机制结合局部节点属性嵌入,来分别学习用户和项目的潜在特征,最终给出融合后的细粒度网络推荐。在现实大规模数据集上进行横向和纵向评测,实验结果表明该方法能够有效地提升推荐性能。

基于深度学习的Top-N顺序推荐

随着大数据的到来,网络中出现众多繁杂的信息,推荐系统可以更快、更好地筛选最符合人们需求的内容,节省大量时间。深度学习的一系列方法在生活的各个方面随处可见。采取基于深度学习的融合算法,利用卷积神经网络获取用户的序列特征,通过潜因子模型获取用户特定特征。并提出混合模型NN_LF,在时间和潜在空间内将近期项目序列嵌入到“图像”中,使用卷积变换学习序列模式作为图像的局部特征。这种方法为捕获一般偏好和顺序模式提供了一种统一又灵活的网络结构。以几种常见的评价指标方法为依据,在真实的旅游景区数据集上进行实验,结果表明本文的模型达到了良好的推荐性能。

一种多样性增强的推荐列表选择算法

针对传统的推荐算法过于强调推荐的精准度导致推荐列表的同质化现象突出的问题,提出了一种新的推荐列表选择算法DivEnhance。首先给出了推荐列表的多样性和效用值的定义;然后将其建模为一个带约束的整数规划问题来求解,通过一个参数的调整,可以实现多样性和精准度的灵活控制。实验结果表明,该算法可以在一定精准度损失的条件下,大幅提高最终推荐列表的多样性。特别地,在推荐一些新颖性较高的内容上,该算法相对于传统的推荐算法具有较大的优势。

基于LDA模型的多角度个性化微博推荐算法

通过基于概率的主题挖掘模型隐含狄利克雷分布(LDA)挖掘用户兴趣主题,是目前最常用的用户兴趣主题挖掘方法。为进一步改善用户体验,推荐其感兴趣且质量好、新鲜度高的微博,提出一种新的多角度个性化微博推荐算法。通过微博发布时间、转发数、评论数等特征计算微博重要度,利用LDA模型生成的用户-主题矩阵以及主题-词汇矩阵计算用户对微博的兴趣度,综合考虑微博本身的重要度以及用户对微博的兴趣度对微博进行评分,根据评分结果推荐微博。实验结果表明,该算法与主题模型相结合可有效够提高微博推荐的精准度。

结合用户活跃度的协同过滤推荐算法

为了解决协同过滤推荐算法中存在的流行偏置问题,提出一种结合用户活跃度的协同过滤推荐算法(UACF)。该算法考虑用户活跃度对推荐结果的影响,通过对用户活跃度进行聚类分析,针对不同聚类结果中的用户进行分类处理,并引入到相似度计算过程中,以提高相似度计算的可靠性。典型数据集上的对比实验表明该算法能够较好的提高推荐准确率。

基于属性值差异度的推荐多样性改进算法

推荐多样性日益成为评价推荐系统性能的重要指标。现有的提高推荐多样性方法缺少对项目属性值差异度问题的考虑。论文提出一种基于属性值差异度的推荐多样性改进算法。首先,针对属性值差异度以及项目差异度进行度量;其次,基于项目差异度进行项目聚类;最后,结合聚类信息对现有的推荐算法生成的初始Top-N推荐列表进行优化。实验结果表明论文所提出的算法在保证推荐结果准确率的同时能有效提高推荐的多样性。

一种多层混合的推荐模型研究

在全面分析研究邻域模型和隐语义模型的基础上,针对现有推荐模型的优缺点,首先建立了一种融合邻域模型和隐语义模型的混合Top-N推荐模型,有效利用了用户反馈的信息,并全局考虑了用户与项目的潜在关系。然后综合考虑用户反馈信息、自身特征信息及潜在信息等因素,提出了一种基于SVD++上的全新混合Top-N推荐模型SHT(基于SVD++的混合Hybrid Top-N推荐模型缩写)。通过将特征信息融入模型,可准确地表现用户与项目的属性特征,实现依照用户的喜好与习惯高效、快捷和精准地推荐。实验结果表明,每一层的模型都能够在不同程度上提高推荐结果的精度。

一种提高推荐多样性的概率选择模型

传统的推荐算法多以优化推荐列表的精确度为目标,而忽略了推荐算法的另一个重要指标——多样性。提出了一种新的提高推荐列表多样性的方法。该方法将列表生成步骤转换为N次概率选择过程,每次概率选择通过两个步骤完成:类型选择与项目选择。在类型选择中,引入项目的类型信息,根据用户对不同项目类型的喜好计算概率矩阵,并依照该概率矩阵选择一个类型;在项目选择中,根据项目的预测评分、项目的历史流行度、项目的推荐流行度3个因素重新计算项目的最终得分,选择得分最高的项目推荐给用户。通过阈值TR来调节多样性与精确度之间的折中。最后,通过对比实验证明了该方法的有效性。

基于藏语远程教育网的学习资源推荐系统设计与研究

随着藏语远程教育网上学习者的不断增多和学习资源的不断扩充,学习者选择资源困难和学习资源难以利用的矛盾日益显著,而推荐系统能帮助学习者在没有明确需求时发现并推荐给他们感兴趣的学习资源.文章基于藏语远程教育网站的学习资源和学习者数据,研究了推荐系统相关的技术和算法,设计了学习资源推荐系统,并通过Apache Mahout开源项目提供的平台实现了推荐系统.

基于FGx_Deep算法的深度推荐

为在推荐系统中更好挖掘用户物品特征和理解用户需求,提出FGx_Deep算法。利用FGCNN网络以原始嵌入矩阵生成新特征,对原始特征和新特征进行拼接后输入到深度因子分解机(DeepFM)算法中,构建FG_DeepFM算法;基于FG_DeepFM算法与xDeepFM算法融合,提出FGx_Deep算法,解决FG_DeepFM算法只进行隐式特征元素级交互问题,挖掘显式特征向量级交互,实现端到端训练。将该算法应用到Movielens数据集上,实验结果表明,FGx_Deep算法相较现有的推荐算法,在评分预测推荐领域和Top-N推荐领域中,都有效提升了推荐准确性和泛化性。

SVDSLIM推荐算法研究

Pure SVD推荐算法通过重构分解矩阵而获得推荐结果,稀疏线性(SLIM)算法侧重于通过挖掘物品之间的线性关系而产生推荐效果。为了提高Top-N推荐质量,文章提出了一种基于Pure SVD、SLIM的混合推荐算法—SVDSLIM算法。该算法会对Pure SVD、SLIM算法的推荐结果赋予不同的权重,然后将处理过的推荐结果作为新的推荐列表。实验结果表明,SVDSLIM算法在各种数据集上推荐质量要优于其他算法。

结合物品流行度的列表级矩阵因子分解算法

针对变形的奇异值分解(SVD++)算法的评分规则在模型训练和预测两个阶段的不一致问题和列表级矩阵因子分解(ListRank-MF)算法的Top-1排序概率在大量物品评分一样时排序概率一样的问题,提出一种结合物品流行度的列表级矩阵因子分解算法。首先,在评分规则中使用到的用户有过行为的物品集合中去除当前待评分物品;接着结合物品流行度改进Top-1排序概率;然后使用随机梯度下降算法求解目标函数并进行Top-N推荐。基于修正的SVD++评分规则,在MovieLens和Netflix数据集上比较了所提算法与目标函数为点级和列表级的SVD++算法。所提算法与列表级的SVD++算法相比,Top-N推荐准确率指标归一化折损累积增益(NDCG)值在MovieLens数据集上提高了5%~8%,在Netflix数据集上提高了1%左右。实验结果表明,所提算法能够有效提高Top-N推荐准确率。

改进预测评分矩阵的协同过滤算法

为解决传统协同过滤推荐算法数据稀疏、可扩展性差等问题,采用改进预测评分矩阵的协同过滤算法。首先使用基于线性回归分析的加权Slope One算法,在传统Slope One算法中加入可信度,提高共同评分基数;然后采用网上标准数据集movielens作为测试数据,结合协同过滤算法进行top-N推荐。实验结果表明,使用改进预测评分矩阵的协同过滤算法的MEA较小,在近邻数大于25时达到0.74,表明该算法改善了传统协同过滤算法数据稀疏、扩展性差问题,降低了推荐误差,提高了推荐系统准确度。

融合基础属性和通信行为的移动用户个性化推荐

基于经典矩阵分解模型,提出融合用户基础属性和通信行为的矩阵分解模型,对比两种模型在评分预测和Top-N推荐问题上的表现。对评分预测问题采用RFM模型构造用户-产品评分矩阵,并结合移动产品的特点对RFM模型中部分指标进行调整,得到能够更加准确、客观地反映用户对产品兴趣偏好的评分矩阵。对Top-N推荐问题采用将用户未有过订购行为的热门产品优先纳入负样本的负采样方法。结果表明,融合用户基础属性和通信行为的矩阵分解模型在两种问题上具有更好的表现。

融合双聚类技术的新型协同过滤算法

针对传统协同过滤算法因未考虑用户与项目之间的对偶性而产生的数据稀疏问题,提出一种基于双聚类技术和Top-n推荐技术的新型协同过滤算法:通过同时对行之间和列之间进行聚类,可以对用户和项目之间的相似性进行辨识,从而确定二者的分组信息;利用Top-n算法快速、精确地搜索出最佳的服务推荐.为了验证所提方法的有效性,在网络服务数据集上进行了相关实验.实验结果表明提出的方法能够在存在稀疏数据的情况下为用户提供有效的推荐,提高网络服务推荐的搜索精确性,提升CPU的有效利用率,并大幅度增强了算法的鲁棒性.