基于潜在主题的混合上下文推荐算法

针对单个环境上下文中项目访问记录稀疏的问题,推荐系统难以获取与当前环境上下文关联的用户偏好。该文设计了一种新的上下文关联性推荐(CTRR)算法。CTRR算法通过CTRR_LDA模型求解推荐项目出现在特定环境上下文的概率,并结合上下文后过滤推荐算法,对用户进行推荐。CTRR_LDA模型是在(LDA)模型的基础上,结合环境上下文和项目特征上下文,提出的项目与环境上下文的关联概率模型。该模型将环境上下文划分为多个环境上下文因子,每个环境上下文因子表示为K维的主题分布,挖掘环境上下文因子中项目出现的潜在主题特征。利用LDOS-CoMoDa网站上真实的电影数据集进行实验,验证了算法的可靠性。

时间权重递增的协同过滤算法

协同过滤算法是目前应用最成功的推荐技术之一,但传统的协同过滤算法在推荐过程中认为数据是静态的,且各时期的评分对预测所起到的作用是等同的,导致推荐系统的推荐质量下降.针对上述问题,本文提出了一种基于时间权重模糊递增的协同过滤算法.首先,该算法将项目评分赋予时间属性,并利用项目评分的时间属性计算时间窗口的相似性度;其次,利用时间权重对符合模糊递增规律的评分进行预测,同时本文分两个阶段对时间权重进行求解以达到全局最优和局部最优;最后,通过实验仿真分析,该算法的推荐质量较传统的协同过滤算法有显著提高.

分时隙的比特转换RFID标签防碰撞算法

在射频识别系统中,当多个标签同时响应阅读器的请求时,就会发生碰撞。对射频识别系统中多标签的碰撞问题,提出了一种基于比特转换的时隙二叉树RFID标签防碰撞算法。通过该算法,首先将标签ID进行比特转换,然后根据转换后比特位数的不同分时隙响应阅读器的查询请求,最后,利用曼彻斯特编码原则判断出标签发送的比特信息。通过数学分析和仿真结果表明,此算法与其他搜索算法比较,减少了阅读器的查询次数同时可以大大降低识别时间,并且可以显著增加系统吞吐量。

基于社交和地理信息的兴趣点推荐

目前基于用户的协同过滤兴趣点推荐模型认为两个用户之间对彼此的影响是相同的;同时,在计算社交用户相似度时仅仅考虑了用户的朋友集合,未考虑用户住所的地理信息。针对上述问题,提出了一种融合用户、社会和地理信息的兴趣点推荐(Fuse Users、Social and Geographic,FUSG)模型。将非对称用户影响和PageRank算法融入到基于用户的协同过滤算法中,挖掘用户偏好对兴趣点推荐系统的影响;结合社交用户之间的居住距离和用户的共同好友计算用户之间的相似度;利用地理信息挖掘用户签到的地理特征;将改进的协同过滤算法、社交信息与地理信息融合成FUSG模型,进行兴趣点推荐。在真实的数据集上的实验结果表明,FUSG模型不仅能够缓解冷启动问题,且与其他模型相比具有更高的推荐结果。

融入用户社会关系的协同主题回归模型

协同主题回归(CTR)将概率矩阵分解和主题模型结合应用于推荐系统,在许多推荐应用中取得了成功,但该模型没有考虑用户社会关系对用户兴趣的影响。针对该问题,引入概率链接函数来评估社会关系网络对用户兴趣的影响,并以此约束目标函数。在CTR的基础之上,提出一种融入用户社会关系的协同主题回归模型(USRCTR),结合用户项目评分信息、项目内容和社会关系网络,构建一个基于分层贝叶斯模型的推荐引擎。在Lastfm数据集上实验表明,与其他几种CTR改进方法对比,该模型的训练时间更短,推荐精度更高。

融合相似度和地理信息的兴趣点推荐

兴趣点推荐是一种基于上下文信息的位置感知的个性化推荐。由于用户签到行为具有高稀疏性,为兴趣点推荐的精确度带来了很大的挑战。针对该问题,提出了一种融合相似度和地理信息的兴趣点推荐模型,称为SIGFM。首先利用潜在迪利克雷分配(Laten Dirichlet Allocation,LDA)模型挖掘用户相关兴趣特征并进行相似性度量,利用Louvain Community Detection(LCD)算法与用户签到数据进行相似性度量,使两种相似度相融合;然后使用地理信息获取用户的签到特征;最后将融合相似度和地理信息结合到一起获得一个新的模型。在真实数据集上的实验结果表明,SIGFM模型有效解决了数据稀疏性与冷启动问题,优于其他POIs的推荐算法。