融合注意力机制的自编码器推荐算法

为充分获取用户的个性化信息,提高推荐算法的准确性,提出了一种融合注意力机制的自编码器推荐算法。所提算法首先针对数据中蕴含的低阶特征和高阶特征,专门设计了相应的特征提取模块,增强传统编码器的泛化能力和记忆能力,然后利用注意力机制对特征进行融合,得到关于用户偏好信息的向量表示,并通过解码器预测用户对物品的购买意愿,最终实现个性化推荐任务。在ML-100K,ML-1M和Yahoo Music三个数据集上进行实验,并与主流个性化推荐算法进行对比,本文算法在Precision,Recall,F1值和归一化折损累计增益(NDCG)四个指标上均有较大的提升。在互联网推荐场景下,本文算法能够充分挖掘出用户的偏好信息,为用户提供高质量的推荐结果即给出合理的物品购买决策建议,从而最大化满足用户需求。     

融合情感评论倾向与均衡长尾物品的推荐方法

推荐领域中已有研究较多的考虑属性维度在评分-物品上来提高算法的准确性,对于用户对产品的真实态度判断不够。论文利用LSTM神经网络模型将用户评论情感得分和用户评分进行融合分析,来计算用户对物品真正的兴趣度;运用向量空间对用户情感进行三分类,借鉴经济学中基尼系数的思想,引入惩罚因子通过对热门物品进行调节,发挥系统的长尾能力从而增加推荐结果的覆盖率,从而实现对热门物品和冷门物品被推荐程度的均衡优化。最后,对情感系数和惩罚系数参数的取值进行实验,得出最优模型参数组合,结果表明,评论的情感因素和惩罚系数对于构建性能更优的推荐模型效果明显,该模型在推荐的准确率和覆盖率上相较其他主流模型更加符合用户需求。     

基于概率语言术语集的非个性化推荐算法研究

概率语言术语集以其能够准确清晰地表达决策者自身偏好且能有效处理决策过程中产生的不确定信息等优点,近年来成为了推荐领域的研究热点.然而相对于个性化推荐场景,其在非个性化推荐方面的研究至今鲜有人涉及.文章将概率语言术语集的特点与非个性化推荐相结合,从各概率语言术语值之间的横向比较出发,提出了一种非个性化产品的推荐策略,以丰富非个性化推荐算法的研究.首先利用概率语言术语集描述了系统中的产品,借助数据补齐的方法建立了产品之间的可比关系.其次,以标准化的概率语言术语集为基础,构建了非个性化产品的排序矩阵.最后,运用特征向量方法得到了一般的非个性化产品的推荐排序.论文借助MovieLens数据集进行了应用,得到了有效的推荐结果.通过对比分析验证了算法的可靠性和科学性.文章研究旨在为概率语言术语集在非个性化推荐领域的应用提供一种新的思路参考.     

基于主成分分析的朴素贝叶斯算法在垃圾短信用户识别中的应用

在垃圾短信用户的识别问题中,参与建模的用户行为消费数据存在极强的相关性,直接使用朴素贝叶斯算法建模准确率极低.为满足朴素贝叶斯算法要求建模属性条件独立的基本假定,利用主成分分析对数据进行处理,从而达到降维和属性独立的双重目的,继而利用朴素贝叶斯算法进行建模.结果表明,基于主成分分析和朴素贝叶斯算法的组合模型效果显著.可见在垃圾短信算法的识别中具有一定的实用价值和现实意义.     

基于贝叶斯网络的基因调控研究

为研究基因间的网络调控关系,通过贝叶斯网络方法将概率论知识与图论结合,有效构造了基因间的贝叶斯网络模型并进行了推理.针对一组白血病基因表达数据,首先进行数据标准化、离散化等预处理;其次使用决策树ID3算法求出基因间节点的顺序,并使用K2算法进行贝叶斯网络的结构学习,找出各基因间的网络拓扑结构;再次通过极大似然估计进行参数学习,求出网络中父节点与子节点间的概率依赖关系;最后对构建的贝叶斯网络模型进行了有效性验证,检验数据分析表明,贝叶斯网络对基因间调控关系的预测分析有较高精度.     

用户集聚系数对协同过滤算法的影响研究

本文研究了用户-产品二部分网络中用户集聚系数对协同过滤算法的影响.用户集聚系数是度量目标用户的所有邻居用户的特点或者兴趣爱好相同程度的一个统计量,文章将其引入协同过滤算法的相似性计算中,并提出一种改进的算法.数值模拟显示,引入用户集聚系数统计属性的改进算法相比于CF准确性可以提高12.0％,当推荐列表的长度为50时推荐列表多样性可以达到0.649,相比于经典的CF算法提高18.2％.该工作表明用户集聚系数对推荐算法具有非常大的影响,体现了个性化推荐以用户兴趣的度量为核心的基本思想.     

基于用户在线评论的旅游景点推荐算法研究

随着互联网的快速发展,推荐系统的研究和应用朝着多方向、多领域发展,传统的推荐算法已经不再满足某些特定领域准确率的要求.考虑到用户在线评论信息可以获得用户对产品偏好信息及偏好程度,文章提出一种基于用户在线评论的旅游景点推荐算法.首先,该算法用爬虫软件和Jieba分词对用户旅游景点的在线评论信息进行获取和预处理.其次,利用情感强度分析法确定每条评论相对景点各属性的评价标度.再次,依据处理后的在线评论信息计算用户对景点各属性的权重.最后,利用TOPSIS排序方法实现对用户旅游景点的推荐.实验表明,该算法可以有效的确定用户对景点的偏好程度,有效提升旅游景点推荐的准确性.     

高维数据下的贝叶斯网络结构学习

贝叶斯网络模型作为一种传统有效的大数据图模型,因其具有因果和概率性语义等特点受到学者们的广泛研究。为了解决基于高维数据构建贝叶斯网络的难题,本文提出了一种适用于高维数据的贝叶斯网络结构学习算法—LTB算法,该算法由Lasso、Tabu Search算法和BIC结合。首先,运用Lasso降低协变量的维数,筛选出与目标变量关系密切的协变量将作为贝叶斯网络的顶点。然后,选择Tabu Search作为元启发式算法,选择BIC作为计算得分的方法,两者结合构建全局最优的贝叶斯网络结构。实证分析表明,LTB算法应用于上证综指影响因素的研究,既可以获得上证综指与其影响因素间的因果关系,也可以利用条件概率得到上证综指影响因素间的组合方式。     

情境环境下基于用户画像的旅游产品推荐算法研究

针对目前旅游景点推荐效果不够理想的问题,充分考虑景点推荐中的情境因素和用户需求,研究情境环境下基于用户画像的旅游产品个性化推荐算法.算法从用户基本信息和行为信息的获取出发,借助标签化表示技术,构建出相应的用户画像模型,然后引入用户的情境因素.在综合考虑用户相似度和用户情境的基础上,达到高质量个性化推荐的目的.通过验证表明,用户画像的基础上,充分考虑用户的情境信息,能够更准确地体现用户兴趣的偏好,获得更佳的推荐结果.     

基于情感分析和改进TOPSIS法的IT服务推荐算法

目前IT服务网站的推荐目录大多以价格、销量排列,未充分考虑用户的个性化需求,故本文提出基于情感分析和改进TOPSIS法(Technique for Order Preference by Similarity to Ideal Solution)的IT服务推荐方法.通过爬取"猪八戒"网站IT服务的在线评论,运用基本的自然语言处理技术提取属性-情感词对,对其进行情感分析得出情感矩阵,并根据用户给出不同属性的权重,运用改进TOPSIS决策方法得出TOP-N推荐.实验结果表明,方法可以根据用户对不同属性的偏好进行个性化推荐,与传统方法相比推荐准确性有显著提高.     

基于在线信息的群评价模型及其偏序集求解方法

在相关研究的基础上,明确界定了在线群评价模型。该模型将在线评价信息用向量评价矩阵来表示,巨量数据转换成易于运算的方式。针对向量难以集结、属性权重难以明确等问题,运用偏序集相关知识对方案进行排序。通过权重排序信息,应用偏序集决策方法,对向量评价矩阵进行变换,得到方案间的比较关系矩阵。用偏序集表示的在线评价模型,不仅能够对方案进行排序,还能用于个性化产品推荐,通过Hasse图能够直观展示方案间的层次关系。最后,依据汽车之家网站提供的汽车产品在线评价信息的例子,体现本文方法的独特性和实用性。     

基于改进二进制粒子群算法的个性化网络学习资源推荐方法

针对目前启发式算法用于解决个性化网络学习资源推荐问题时存在推荐速度较慢、不稳定等问题,文章提出基于改进二进制粒子群算法的个性化网络学习资源推荐方法(AsyBPSO-RA).该方法将个性化网络学习资源推荐问题建构为适应度函数,利用改进二进制粒子群算法(AsyBPSO)优化此适应度函数,生成推荐结果;AsyBPSO采用非对称映射函数,取代基本二进制粒子群算法中的S型映射函数,以更好地平衡算法的探索和开发阶段.通过五组实验结果对比分析发现,AsyBPSO收敛能力强,稳定性高,表明AsyBPSO-RA是较为有效的个性化网络学习资源推荐方法.     

利用贝叶斯网络分析基因表达数据

利用基因表达数据提出一种新的网络模型—贝叶斯网络,发现基因的互作.一个贝叶斯网络是多变量联合概率分布的有向图模型,表示变量间的条件独立属性.首先我们阐明贝叶斯网络如何表示基因间的互作,然后介绍从基因芯片数据学习贝叶斯网络的方法.     

数据稀疏环境下基于用户主题偏好的协同过滤算法

在B2C电子商务中,user-based协同过滤算法是一种重要的推荐方法,但用户共同评价项目数据稀疏影响了user-based协同过滤算法的应用。鉴于此,在考虑用户消费水平的基础上,利用关联规则挖掘形式化描述商品间的替代相似性;利用基于时间的贝叶斯概率描述商品间的关联关系构建商品网络,通过社会网络分析中的成份分析方法对商品网分析,得到面向用户主题偏好的商品间互补性关系,进而利用这两种商品间关系构建用户主题偏好项目集,最后在数据极度稀疏的环境下通过F₁方法和多样性测量方法与传统推荐算法进行对比实验分析,实验结果显示提高了推荐结果的准确性与新颖性。研究用的所有数据均采集于京东商城网站。本文为缓解数据稀疏问题提出了一种新的方法,扩展了整体网分析方法在商品关系分析中的应用,含有理论与实践双重意义。     

基于用户标签和信任关系的协同过滤推荐算法研究

随着互联网产业的快速发展,推荐系统已成为商业领域的研究热点,传统的仅考虑用户相似度或项目相似度的推荐算法已不能满足用户对推荐效率和推荐准确率的要求.考虑到社会好友间信任关系在推荐中的有益作用,信任关系应当成为推荐系统的考虑因素之一,文章提出一种基于标签和信任关系的协同过滤模型.首先,根据用户标签筛选出相似度较高的用户,根据他们对项目的评价预测得分;然后,根据社区内信任关系计算基于信任的评分;最后,综合两项得分进行预测.通过Epinions数据集验证表明:对比单纯的相似度推荐,添加信任因素后推荐结果有明显改变且随着信任网络规模扩大,项目预测得分趋于稳定,预测精度明显提高,更适用于移动电子商务环境下的个性化推荐问题.     

融合跳转关系和用户偏好的新闻热度预测

互联网时代的到来使新闻更新频率加快、传播范围更广,为了迅速控制不良信息、加强互联网信息治理,构建模型预测新闻未来热度具有重要意义.文章聚焦新闻间关系的挖掘,在适度融合用户偏好信息的前提下,提出了一种融合跳转关系和用户偏好的新闻热度预测方法.该方法首先结合新闻内容和历史跳转概率生成新闻跳转关系网络,并使用文章提出的多任务图卷积矩阵补全模型MGCMC (multi-task graph convolutional matrix completion)对分布稀疏且不平衡的跳转概率矩阵进行预测,以获得未来的新闻跳转关系网络特征,当新闻平台推荐给用户一组处于传播状态的新闻时,结合用户个性化偏好预测其点击行为,最终获得新闻热度.基于真实用户-新闻交互数据集Mind的实验结果表明,MGCMC相比现有的矩阵补全和不平衡预测模型表现更佳,能更准确地预测用户-新闻点击行为,并更准确发现热度较高的新闻.     

基于决策类的分块差别矩阵及属性集求核算法

通过对基于差别矩阵的属性集求核算法研究,提出一种基于决策类的分块差别矩阵及相关属性集求核算法.该算法无论域划分过程,删除决策表信息系统中相容对象和对分块差别矩阵中元素之间关系的讨论,避免对象间的不必要比较.及时存储不相容对象作为遍历分块差别矩阵寻找核属性的判定条件,避免核属性的求解错误.实例分析与实验验证,说明了该算法的有效性.     

基于粒关系包含度矩阵的属性约简算法研究

针对信息系统属性约简问题,通过借助粒关系包含度矩阵这一中间工具,给出一种决策表属性启发式约简算法.首先,计算决策表中条件属性与决策属性之间的粒关系包含度矩阵;然后,将粒关系包含度矩阵中隐含的信息L_B作为启发式算子对决策表进行属性约简;最后,删除冗余属性并设置终止条件,实现决策表的属性约简.通过实例验证了该算法的有效性.     

基于多元隐式信任关系挖掘的抗攻击社会化推荐算法研究

在商业竞争环境下,推荐系统容易受到托攻击的危害。基于信任关系的社会化推荐算法被证明是解决托攻击问题的有效途径。然而,现有研究仅考虑显式信任关系,隐式信任关系没有被真正挖掘利用。为此,提出了一种基于多元隐式信任关系挖掘的抗攻击社会化推荐算法。首先,借鉴社会学和组织行为科学领域的信任前因框架模型,从全局信任和局部信任两个视角深入研究各信任要素的提取和量化方法。然后,通过信任调节因子集成局部信任度和全局信任度获得用户总体信任度。最后,以用户总体信任度为依据将攻击用户隔离在可信近邻之外,实现基于信任关系的个性化推荐。大量对比实验表明,本文算法在改善推荐准确率的同时有效抑制了托攻击对推荐算法的影响。     

基于迭代加权回归的推荐算法

评分预测问题是推荐系统研究的核心.本文利用用户评分数据集发掘商品之间的自相关性:将商品看作数据网络中的节点,用商品间的差异度定义节点间的距离,进而将评分预测问题转化为网络回归问题.然后使用迭代加权回归算法进行评分预测.通过对电影评分数据集Movie Lens的分析,验证了算法的有效性,结果表明迭代加权回归算法优于基于项目邻域的协同过滤算法.