基于贝叶斯和自编码器的社会化推荐算法研究

为提高推荐结果的精度和个性化程度,文章有效利用多种信息源,将贝叶斯方法和深度学习结合,提出一种基于贝叶斯自编码器的社会化推荐算法.算法首先利用混合隶属度随机块模型MMSB (Mixed membership stochastic block)对用户间交互关系建模,结合用户的属性特征,利用自编码器学习用户的隐含特征向量;然后利用主题模型结合自编码模块学习物品特征向量;最后利用概率框架将物品和用户间的各种属性统一起来,共同学习矩阵分解模型中的关系矩阵.模型中的参数利用变分EM算法进行推理.实验结果表明与同类算法比较,算法在精确度和覆盖率上有不同程度的提升,且能够得到比较个性化的推荐结果.     

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.     

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.     

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.     

基于消费者多维度偏好的个性化评论排序方法研究

海量评论数据导致了信息过载,基于消费者的偏好对评论进行个性化排序尤为必要。本文考虑消费者多维偏好,即产品特征偏好、评论情感偏好和评论浏览数量偏好,提出了评论排序的消费者偏好满意度量化方法,将排序问题转化为最大化满意度的优化问题,鉴于问题的复杂度无法精确求解,提出了一个基于改进贪婪算法的近似求解算法。采用美团网酒店的评论数据进行实验,结果显示本文提出的算法与其他相关算法相比有效性显著提高,且具有较高的敏感度。研究结果对消费者提高决策效率,以及电商平台获取消费者偏好、改进评论系统,有着重要的现实指导意义。     

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Vanilla算法的网络视频推荐策略研究

伴随移动互联网和通信技术的发展,人们对视频的需求日益凸显,互联网带来更多便捷的同时也带来了信息过载的问题.视频推荐系统的优点在于帮助视频网站挖掘用户的偏好信息,从人们精准信息获取的需求出发,以视频播放网站为研究对象,研究视频推荐算法的实现和视频推荐策略的生成,首先分析了已有视频推荐算法存在的问题,其次,借助Vanilla算法和专家排序的方法规避视频评分的个体差异性,再次,在最近邻用户选择的过程中,充分考虑社交网络中的情境信息,进而改善了推荐数据有效性和预测准确度的问题.最后,提取爱奇艺视频网站的实验数据,验证了推荐策略的科学性和有效性.     

基于灰色关联聚类的协同过滤推荐算法

针对协同过滤推荐系统具有数据的高稀疏,高维度,数据量大的特点,本文将灰色关联聚类与协同过虑推荐算法相结合,构建了灰色关联聚类的协同过滤推荐算法,将其应用到协同过滤推荐系统中,以解决数据具有高稀疏高维度的特性情况下的个性化推荐质量问题。首先,定义了推荐系统中的用户项目评分矩阵,用户灰色绝对关联度,用户灰色相似度,用户灰色关联聚类。然后,给出了灰色关联聚类的协同过滤推荐算法的计算方法和步骤,同时给出了评价推荐质量方法。最后,将本文算法与基于余弦,相关分析及修正的余弦等协同过滤推荐算法在大小不同的数据集下进行了实验,实验表明灰色关联聚类的协同过滤推荐算法相较于传统的协同过滤推荐方法具有推荐质量高,计算量小,对数据大小要求不高等优点,同时在推荐系统的冷启动,稳定性和计算效率方面也具有一定的优势。     

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.     

个性化推荐系统中协同过滤推荐算法优化研究

协同过滤推荐算法是目前个性化推荐系统中应用比较广泛的一种算法。然而,它在处理数据稀疏性、可扩展性等方面存在一定不足。针对数据稀疏性问题,本文首先基于Slope One算法对初始的评分矩阵进行缺失值填充,其次利用基于K-means聚类的协同过滤算法预测目标用户的评分,并结合MovieLens数据集给出了相关对比实验;针对扩展性问题,本文首先提出了一种基于中心聚集参数的改进K-means算法,其次,给出了基于中心聚集参数改进K-means的协同过滤推荐算法流程,并结合MovieLens数据集设计了相关对比实验。实验结果表明,本文所提方法推荐精度均得到显著提高,数据稀疏性和扩展性问题得到了有效改善。因此,本文的研究结论不仅可进一步丰富协同过滤推荐算法的现有理论成果,还可以为提高推荐系统的精度提供理论依据和决策参考。     

移动云计算中基于LBS的个性化服务推荐模型

随着智能手机的普及和3G技术的发展,信息呈指数式增长,从海量的信息中提取出用户感兴趣的内容已成为电子商务发展的一个重要趋势,然而传统的推荐策略已不能满足用户的需求.为此,基于移动云计算和位置信息,提出了一个个性化服务推荐模型解决方案,该方案综合了社交网络和时效性,建立了用户兴趣模型库.基于这个解决方案,在Android平台上,实现了初步的个性化图片推荐模型,取得了不错的效果.个性化服务推荐系统具有良好的发展和应用前景,能有效的保留客户,提高电子商务系统的服务能力,带来巨大的效益,具有一定的理论和现实意义.     

“00后”大学生网络行为追踪视域下的融媒体信息推送研究

作为网络用户中最为年轻活跃的群体,“00后”大学生的网络行为及其呈现出的特征规律值得我们深入研究。本文结合“00后”大学生网络用户的信息浏览习惯偏好的内在联系,构建融媒体信息智能混合推送模型。在不同的时间段,从海量的网络资讯中有效筛选出大学生最为关注的信息集合,通过分析指标之间的相互作用,考虑准则层次,提取出信息的内在关联程度,来提取出大学生在不同时间段最为关注的网络信息资讯种类,从而设计出大学生个性化偏好的融媒体网络信息推送模型。通过实证数据仿真,验证所提出方法的有效性和适用性。研究结果表明所提出的“00后”大学生网络行为追踪视域下的融媒体信息推送模型能够很好地针对大数据进行详细的区分计算和分类筛选,可以作为网络监管部门获取、判断和筛选信息的依据。     

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.     

融入用户社交关系与信任关系的应用推荐方法研究

随着近年来互联网技术的快速发展,应用获取平台都面临着信息过载的问题.面对大量应用,解决用户不能快速准确地找到满足其偏好的应用的问题迫在眉睫.已有的如Cosine、Pearson等协同过滤方法普遍存在稀疏性、冷启动和可扩展性等问题,从而对推荐结果产生影响.文章在考虑用户社交关系、偏好及信任关系的基础上,提出了融合用户社交...     

基于聚类矩阵近似的协同过滤推荐研究

由于推荐系统中存在巨量的用户和商品,现有的协同过滤方法很难处理用户-商品推荐中的数据稀疏性和计算可扩展性问题。本文提出了一种基于聚类矩阵近似的协同过滤推荐方法CF-cluMA。一方面,CF-cluMA方法通过对用户和商品进行分别聚类,并利用聚类后的用户-商品分块评分矩阵来刻画用户对于商品兴趣的局部性特点,以降低用户-商品评分矩阵的全局稀疏性。另一方面,CF-cluMA方法通过对局部稠密分块矩阵实施奇异值分解,并利用施密特变换近似全局用户-商品评分矩阵来预测用户对未知商品评分,以降低协同过滤算法的复杂性。在EachMovie电影评分真实数据集上的实验表明,相比于已有的基于矩阵近似的协同过滤推荐方法,本文所提出的CF-cluMA方法能够有效提升推荐系统的准确性并降低推荐系统的计算复杂性。本文的研究对于电子商务推荐系统具有重要的管理启示。     

偏好的对子态可分性

本文提出了消费者偏好的对子态可分性概念，并用来揭示一般选择集合上偏好的效用函数表示的特征，证明了偏好关系可用效用函数表示的充分必要条件是该偏好具有对子态可分性和可数满足性，还证明了偏好关系具有长直线ｗ１—表示的充分必要条件是该偏好具有对子态可分性．这两个结果，使得对子态可分性成为用直线上的序来表示消费偏好序之本质所在．     

招标采购中的采购物品打包模型及其优化算法

招标采购是采购物品(货物或服务)的有效方式, 采购物品打包是招标采购的重要环节并对采购绩效有重要影响。采购物品打包是确定一组互斥的采购包集合, 在充分的市场竞争条件下购买全部采购物品, 且每个采购包的候选供应商应对该采购包中的所有物品进行投标。目前采购物品打包问题的研究文献较少, 本文通过定义采购包和采购打包方案等概念, 建立了采购物品打包问题的0-1整数规划模型。由于该模型具有NP-hard特征, 为此首先将其转化为旅行商问题, 并基于遗传算法设计采购物品打包问题的求解算法。实验表明:与整数规划求解软件和双聚类算法相比, 本文所提出的算法在解决采购物品打包问题时具备更好的优化性能和计算效率。     

基于Vague集理论一维属性——需求匹配的知识推荐算法研究

论文从推荐系统中知识推荐算法的核心——产品属性与用户需求的匹配出发,首先探讨了如何采用形式化的Vague集语言描述用户的需求和产品的属性问题。之后分别运用用户兴趣度模型和产品特征模型搭建了用户需求和产品属性的Vague集模型。在模型融合的过程中采用Vague集理论中成熟的相似度计算公式,实现了用户需求与产品属性的匹配计算。最后,从爱奇艺中任意提取了5名注册用户和5部2019年新上映的电影,按照搭建的模型进行了数据计算,得到了可靠的计算结果,同时也构造了用户和产品之间的知识库,为后期知识推荐规则的形成奠定了基础。