推荐系统

摘要： 针对传统协同过滤算法的冷启动、推荐精度低等问题,提出基于用户属性和项目属性的协同过滤算法以及它们两者的融合推荐算法.在计算用户相似度时,提出用户年龄、性别和职业属性差异度,并与皮尔逊相关系数加权结合;在计算项目相似度时,提出项目类型标签和项目被评分时间,并将两者与项目余弦相似度融合.最后将上述两种算法的推荐结果进行加权融合.实验结果表明,改进的融合推荐算法相比其他4种算法在平均绝对误差率(mean abso-lute error,MAE)和时间性能方面有更好的推荐结果,并且能够在有新用户和新项目出现的情况下明显提高推荐系统的推荐质量.

摘要： 随着互联网技术和在线教育的飞速发展,目前我国已出现大量线上教育平台,但这些在线教育平台相互间信息不能共享,导致课程信息冗余过载,用户选择困难.本文综述了近年来课程推荐方面的研究进展,首先介绍了课程推荐中的相关概念并给出了系统框架;然后围绕课程建模、用户建模、核心算法3个方面进行探讨,重点综述了5类算法:内容推荐、协同过滤、混合推荐、深度学习推荐和多模态融合推荐,并分析了数据集、实验方法和评价指标;最后对个性化课程推荐技术进行了总结和展望.

摘要： 区块链作为一种新兴技术,以其去中心化、难以篡改、匿名性和可追溯性等特点,为个性化推荐系统的改进提供了一种崭新的思路。为此,首先对近年来推荐系统面临的主要问题和区块链技术带来的机遇进行归纳总结,然后采用文献分析方法,从时间分布、文献类型、研究问题和评估指标4个层面,对推荐系统中区块链技术的应用研究进行分析和总结。分析结果表明:区块链对于解决推荐系统的数据安全和隐私保护、数据共享、数据可信和推荐透明度问题有重要意义;已有研究主要集中于解决推荐系统中用户的数据安全和隐私保护问题,而在跨平台数据共享、数据激励机制设计和系统可扩展性等方面的研究仍有待进一步突破。

摘要： 人工智能技术从概念阶段进入到工业界落地实施阶段,各企业也希望将互联网的先进技术应用于企业智能化中。在企业内部实现基于人工智能的推荐系统,将企业内部新闻、知识、积累的技术向员工推送,改变传统的依靠员工在各种系统中人为检索的方式,实现从人找知识到知识找人的转变。本文描述了一种基于人工智能的企业级搜索推荐的实践方式。

摘要： 目前,潜在因子模型被广泛用于推荐,现有的方法大多利用用户与项目之间的交互信息来学习潜在特征,然而,用户和项目的潜在特征可能是来自多个方面.同时,考虑到神经结构可以替代矩阵分解中内积的形式,模拟用户和项目之间的交互,本文提出了一种融合多方面潜在特征和神经网络的推荐模型.首先,将推荐系统建模为包含丰富语义的异构信息网络,然后利用元路径和异构skip-gram模型提取并学习不同方面的潜在特征;其次,结合注意力机制将这些特征向量加权融合;最后,将得到的用户和项目的全局向量表示送入到神经网络中以实现评分预测.本文模型在movielens数据集和豆瓣电影数据集上进行了实验,结果表明,该算法相比于传统仅基于单一方面的算法和不采用神经结构的算法具有更低的平均绝对误差和均方误差.

摘要： 推荐系统可以主动帮助用户找到符合偏好的个性化物品并推荐给用户,矩阵分解方法是推荐系统中较为经典的方法。为了解决推荐系统矩阵分解中数据稀疏导致矩阵分解性能不佳的问题,提出了对矩阵分解进行改进的方法。首先对矩阵分解进行改进,然后在改进的矩阵分解的基础上融合项目本身潜在的附加信息,最后通过引入项目之间的相似度来进行计算,从而提高推荐算法的准确率。实验结果表明,新方法明显优于现有的矩阵分解推荐模型,具有很好的应用价值。

摘要： 推荐系统本质是一种信息检索技术,能根据用户喜好在海量数据中检索出合适数据推荐给用户,传统推荐系统一般使用协同过滤推荐算法,协同过滤推荐算法主要通过挖掘用户的历史行为数据进行推荐,但传统推荐算法存在着稀疏矩阵、冷启动、实时性等问题困扰[1];因此,本文提出一种基于自适应布谷鸟聚类搜索的改进推荐系统算法,首先对推荐数据进行聚类处理,然后利用布谷鸟算法较强的全局搜索能力,提升推荐系统的准确度,实验结果表明,引入自适应布谷鸟聚类搜索能对传统协同过滤算法在推荐精度、召回率等方面指标方面有一定提高,计算效果优于传统推荐算法。

摘要： 针对传统推荐模型只能提取低阶特征,不能挖掘高阶组合特征,且推荐结果往往没有考虑到Bias的问题,本文提出一种适用于游戏推荐场景的基于DeepFM的校准游戏推荐方法。此方法充分发挥了DeepFM能够挖掘低阶和高阶特征的能力,利用Steam平台的数据集训练优化模型,并进行了测试验证,同时还运用校准推荐对结果进行去偏得到最后的推荐列表。测试结果表明,改进优化后的推荐模型具有更好的表现,评测指标AUC值相较对比模型提高了3%~4%,经过校准的推荐列表更加拟合用户交互。

摘要： 针对传统推荐模型存在的稀疏性和冷启动问题,引入知识图谱作为辅助信息,可缓解以上问题并具有可解释性。然而相比用户偏好传播,知识图谱更倾向知识传播且难以捕捉高阶关系。为此,文中将协同因子模块融合到知识图谱传播推荐算法中,以捕捉高阶关系和发现隐式模式。此外,设计了一个由共现矩阵密度参数构成的密度门,使得协同因子模块能够通过感知共现矩阵的稀疏性来控制输出。最后分别在电影、图书和音乐这3个公开数据集上进行对比实验,实验结果表明该模型在点击率预测场景中表现较好,在知识图谱实体关系难以解释用户兴趣偏好的数据集上指标提升明显。

摘要： 随着互联网时代的到来,推荐系统已经成为人们在网络上筛选资源的得力助手,传统推荐系统通过用户的评分信息来计算用户相似度并为用户进行资源的推荐,但仍存在冷启动、数据稀疏性等各种问题,极大地影响推荐质量.近年来,标签的出现带给推荐系统新的机遇,它能够具体准确地描述用户的兴趣偏好,使推荐系统可以通过标签属性来更准确地了解用户喜好,从而为用户进行个性化推荐,极大提高了推荐精度和用户满意度.结合标签属性与评分的关系来计算用户标签相似度,结合用户和资源信息来计算用户相似度,将两者同时融入矩阵分解模型中,从而加强了推荐依据,提升了推荐的准确性.实验结果表明,在ml-latest-small数据集上,提出的算法UTagJMF的尺MSE降低2%左右;在Hetrec2011-movielens-2k数据集上,UTagJMF的RMSE降低2.2%左右.证明提出的算法模型明显优于其他算法的预测效果.

摘要： 科学研究的发展动态一直是学者们在进行一项研究时关注的重点,因此对于某一科研领域发展趋势的测度就显得至关重要.以推荐系统科学研究为例,为了解该领域研究的发展动态,建立推荐系统科学研究的趋势测度路径,本文基于SCI-E和SSCI数据库中提取的2001至2019年推荐系统相关的文献数据,使用信息计量、社会网络分析和突现检测算法,借助于Excel、Sci2和Cite Space等数据分析工具,对该领域科研发展进行趋势测度研究.分析发现,推荐系统领域科学总产出呈现明显的上升趋势;中国和美国的论文产量处于世界领先地位,但产出趋势却截然相反;瑞士、美国、西班牙具有较高的科学影响力,尤其是瑞士在这方面表现非常突出;推荐系统领域的跨国家合作网络呈现明显的扩张,从2013年开始尤为明显;热门研究主题主要集中在:推荐、社会网络、个性化等;前沿主题主要有:矩阵因子、大数据、话题模型等,而二分网络、注意力机制、相似性方法也作为近年来新兴的研究主题出现.目前还没有利用信息计量、社会网络等方法对推荐系统领域研究趋势进行测度的文献.本文不仅为推荐系统领域研究动态提供了数据支撑,同时也为其他学科的科研动态研究提供了指导性思路,从"量"(学科产出)到"质"(学术影响力),再到横向的网状研究(国家合作)和研究内容的变化,这一研究路径是具有借鉴意义的.

摘要： 想法产生在写作过程中扮演重要角色.透过自然语言技术来挖掘词汇间或句子间的语义关系,能推荐适合内容来引发学生产生想法.因此,本研究基于语料库的来发展小学中文写作推荐系统,并对其系统进行初步评估.本研究收集、分析、处理与建置具备58万篇写作文本的中小学语料库,并发展写作词汇与句子推荐机制,并邀请37名四年级学生参与评估.研究发现,学生对于提供的候选词汇或句子都有接近6成的认同度,但仍有近4成候选词汇或句子不适用;再者,学生对于系统有超过6成的正向态度.

摘要： 针对传统推荐系统稀疏性以及恶意攻击抵抗能力缺乏等问题,本文提出了一种社交网络中基于可信度度量的信任推荐算法.首先,为有效防止恶意评价对评估结果造成的偏差,给出了可信度函数的定义,并设计了结合用户交互经验和可信度函数评估的信任值计算方法.其次,对推荐质量的反馈情况建模,定义了用户效用函数,使得能以更合理的方式实现信任的动态更新通过Movielens数据集下的实验结果,本文方法与基准算法相比能获得更低的算法准确性以及更高的覆盖率,在恶意用户存在条件下能获得更好的推荐质量.

摘要： 随着互联网应用的蓬勃发展,网络数据信息以指数级别爆炸增长.推荐系统作为解决信息过载的有效手段,成为工业界与学术界的研究热点.面向用户隐式反馈的推荐算法主要基于协同过滤和贝叶斯个性化排序等方法,这些方法对点击、收藏、加入购物车等用户行为的隐式反馈特征利用不充分.本文提出一种基于神经网络的用户向量化表示模型,能够充分利用用户的多种隐式反馈特征.同时本文借鉴机器翻译中的Self-attention模型设计一种推荐模型,融合用户向量化表示和用户-项目交互的动态时序特征,从而提高推荐系统性能.在公开数据集上进行对比实验,结果表明,与其他面向隐式反馈推荐模型方法相比,本文提出的推荐模型具有更好的推荐性能,并且对于用户行为特征具有很好的泛化能力.

摘要： 将用户和产品看作不可分的“原子”，营销业务看做用户和产品的匹配程度，用一个偏好矩阵描述。通常，矩阵是高度稀疏的。建模的目标就是预测出矩阵中的空白处的值。

摘要： 现如今推荐系统已经成为了电子商务公司为了满足客户需求的重要工具.但是在线用户的不断扩充以及产生大量的信息,如何利用这些信息并准确地提供了个性化的内容变得越来越具有挑战性.传统的推荐模型过于依赖用户的偏好评分,而且还常常受到数据稀疏性问题的影响.单分类协同过滤模型更适用于电子商务真实的情况但在物品推荐上还有明显的不足之处.为了应对上述的挑战,本文利用用户的人格信息和单分类协同过滤模型提出了一种融合人格信息的单分类协同过滤模型(PA_OCCF).通过在公开数据集上的实验验证,结果表明本文提出的模型能够提高传统单分类协同过滤模型的性能并有效缓解了新用户冷启动问题.

摘要： 现有的并行矩阵分解算法通常采用对矩阵分块的方法,将互不冲突的分块并行地计算.负载不均衡是同步并行算法中常见的问题——各分块中评分数量差异较大,导致线程阻塞和空等待,降低并行效率.本文提出一种"均衡分块"的方法,通过分别调整行块、列块尺寸均衡评分数的分布,达到方体块评分均衡的目标.以块评分数方差衡量"均衡",从理论上分析和证明了均衡分块的可行性;将均衡分块应用于DSGD和CCD++等并行矩阵分解算法,通过大规模分布式实验,验证了该方法能大大提升并行性能."均衡分块"作为一种普适的负载均衡思想,适用于基于矩阵分块、同步的矩阵分解并行算法,具备广泛的应用价值.

摘要： 现有的并行矩阵分解算法通常采用对矩阵分块的方法,将互不冲突的分块并行地计算.负载不均衡是同步并行算法中常见的问题——各分块中评分数量差异较大,导致线程阻塞和空等待,降低并行效率.本文提出一种"均衡分块"的方法,通过分别调整行块、列块尺寸均衡评分数的分布,达到方体块评分均衡的目标.以块评分数方差衡量"均衡",从理论上分析和证明了均衡分块的可行性;将均衡分块应用于DSGD和CCD++等并行矩阵分解算法,通过大规模分布式实验,验证了该方法能大大提升并行性能."均衡分块"作为一种普适的负载均衡思想,适用于基于矩阵分块、同步的矩阵分解并行算法,具备广泛的应用价值.

摘要： 现有的并行矩阵分解算法通常采用对矩阵分块的方法,将互不冲突的分块并行地计算.负载不均衡是同步并行算法中常见的问题——各分块中评分数量差异较大,导致线程阻塞和空等待,降低并行效率.本文提出一种"均衡分块"的方法,通过分别调整行块、列块尺寸均衡评分数的分布,达到方体块评分均衡的目标.以块评分数方差衡量"均衡",从理论上分析和证明了均衡分块的可行性;将均衡分块应用于DSGD和CCD++等并行矩阵分解算法,通过大规模分布式实验,验证了该方法能大大提升并行性能."均衡分块"作为一种普适的负载均衡思想,适用于基于矩阵分块、同步的矩阵分解并行算法,具备广泛的应用价值.

摘要： 现有的并行矩阵分解算法通常采用对矩阵分块的方法,将互不冲突的分块并行地计算.负载不均衡是同步并行算法中常见的问题——各分块中评分数量差异较大,导致线程阻塞和空等待,降低并行效率.本文提出一种"均衡分块"的方法,通过分别调整行块、列块尺寸均衡评分数的分布,达到方体块评分均衡的目标.以块评分数方差衡量"均衡",从理论上分析和证明了均衡分块的可行性;将均衡分块应用于DSGD和CCD++等并行矩阵分解算法,通过大规模分布式实验,验证了该方法能大大提升并行性能."均衡分块"作为一种普适的负载均衡思想,适用于基于矩阵分块、同步的矩阵分解并行算法,具备广泛的应用价值.

摘要： 本发明公开了一种推荐系统推荐方法、设备、推荐系统及存储介质，所述方法包括：构建DeepFM推荐系统网络；根据上一次训练更新的DeepFM推荐系统网络特征域数据和当前的特征域数据，计算DeepFM推荐系统网络的每个特征域的惊喜特征因子，所述惊喜特征因子反映用户行为变动；当惊喜特征因子小于预设的替换阈值时，对惊喜特征因子对应特征域的embedding向量进行随机替换；DeepFM推荐系统网络采用替换后的embedding向量计算预测概率，推理得出用户推荐结果。所述推荐系统包括推荐系统网络构建模块、惊喜特征因子生成模块、embedding向量替换模块和推荐结果生成模块。本发明使推荐系统在保留“记忆能力”和“泛化能力”的基础上，提高了发现“惊喜”的概率。

摘要： 本发明属于个性化推荐技术领域，公开了一种基于聚类群组发现的推荐系统及方法、个性化推荐系统，根据在线系统对用户操作行为数据的采集，提取出用户‑项目矩阵；实现将整个用户‑项目数据集分割成多个内部关联性很强的分组，通过欧几里得等相似度计算方法和聚类算法的结合；在分组内直接使用协同过滤算法得出推荐结果。本发明在直接使用推荐算法之前进行数据预处理，利用模糊聚类将数据分组，并整合在每个分组中的预测评分得出最终的推荐结果。在保证整个推荐系统正常运行的情况下，通过模糊聚类群组发现的数据预处理方法让推荐算法可以直接作用在关联性很强的单组数据而不必作用在全部数据，提高了推荐系统在面对海量数据的扩展性和精确度。

摘要： 本发明公开了一种分层次隐私保护的推荐系统及基于该推荐系统的作业方法，该系统包括客户端/浏览器及数据库，提供与服务器交换数据的接口，接收用户输入的个人信息及服务请求，将所述个人信息存储至客户端/浏览器的数据库中，将所述服务请求发送至代理服务器，以及将推荐服务器返回的推荐结果显示给用户；代理服务器及数据库，接收用户的服务请求，并响应所述服务请求，接收推荐服务器的推荐结果，并根据所述推荐结果向用户进行推荐；多个推荐服务器及数据库，存储以及管理推荐系统中的项目资源，根据用户评分信息合作产生满足用户服务请求的推荐。该系统解决了用户在使用推荐系统进行推荐、查询以及小数据冷启动等应用场景下的隐私保护问题。

摘要： 本发明涉及一种操作被布置为耦接到计算机实现的社交网络（200）的推荐系统的方法。本发明还涉及一种对应的计算机程序，以及一种被布置为耦接到计算机实现的社交网络（200）的对应的推荐系统（100）。具体地，本发明涉及一种推荐系统（100），其被配置为提供涉及在社交网络（200）中高度讨论的内容项的推荐（172），所述推荐不必基于一侧的推荐的接收人（10）的特性和要推荐的内容项的特性和/或另一侧的所述接收人（10）的联系人/朋友的特性之间的某种相关性。

摘要： 本发明公开一种推荐方法，推荐系统及推荐系统训练方法，其推荐方法包括步骤：S1:将输入信息输入至知识图谱网络，生成知识图谱向量；S2:将知识图谱向量输入至推荐网络，得到知识图谱用户矩阵和商品矩阵；S3:根据知识图谱用户矩阵和商品矩阵返回推荐结果。本申请通过构建注意力机制的知识图谱表征模型，从而进一步增强了抽取出来特征的语义相关性，从而能够进行深度挖掘信息，使得得到的推荐结果更加丰富和准确。

摘要： 本发明公开了一种推荐系统推荐方法、设备、推荐系统及存储介质，所述方法包括：构建DeepFM推荐系统网络；根据上一次训练更新的DeepFM推荐系统网络特征域数据和当前的特征域数据，计算DeepFM推荐系统网络的每个特征域的惊喜特征因子，所述惊喜特征因子反映用户行为变动；当惊喜特征因子小于预设的替换阈值时，对惊喜特征因子对应特征域的embedding向量进行随机替换；DeepFM推荐系统网络采用替换后的embedding向量计算预测概率，推理得出用户推荐结果。所述推荐系统包括推荐系统网络构建模块、惊喜特征因子生成模块、embedding向量替换模块和推荐结果生成模块。本发明使推荐系统在保留“记忆能力”和“泛化能力”的基础上，提高了发现“惊喜”的概率。

摘要： 本发明公开了一种个性化推荐系统的分布式A/B测试方法，包括，数据进行模块或系统间的分流，同时在数据上增加模块或系统的标识；数据在模块内或系统内进行流程间再分流，再分流同时在数据上增加对应流程的标识；客户端采集用户行为点数据并与对应的带有模块或系统标识及流程标识的数据整合上传服务器。本发明的分流策略支持多维度多方法的分流实现，数据流程进行多维度多方法的反馈数据的跟踪，便于多维度多方法区分统计。分流同时记录流程信息，即同时记录流程中的维度使用的方法,即对应数据跟踪，各个细节处处理均在数据上打下标识，后续可处理性强，可满足不同层级的分析需求。

摘要： 本申请公开一种推荐系统训练方法，其包括：在给定的用户物品评分数据中针对每个用户随机选取第一评分数据和第二评分数据；由所述第一评分数据训练得到推荐系统；以预定的迭代条件迭代执行下述步骤：对于每个用户，利用所述推荐系统分别预测至少一个推荐物品；在所述第二评分数据中获取所述每个用户对所述推荐物品的评分，将所述评分加入到所述第一评分数据中，以得到新的第一评分数据；确定用户对所述新的第一评分数据中的每个物品的倾向性偏差，作为反倾向性系数；基于含有反倾向性系数的目标函数，利用所述新的第一评分数据更新所述推荐系统。本申请还公开一种推荐系统、电子设备和存储介质。

摘要： 本发明涉及一种推荐系统整合策略及推荐系统，所述整合策略包括如下步骤：载入服务架构及配置文件；基于业务场景进行召回；载入融合策略，各业务场景均采用统一的融合策略；调用融合策略，各个召回器最终融合后的数据，累加后即为汇总后的数据；将汇总后的数据发送给用户。本发明，整合策略的兼容性高，可维护性好，针对不同业务场景，仅需相应调整个别参数的设置，即可由具有统一架构的融合器载入系统，使用方便，业务兼容性得到了提升，用户体验好，推荐内容更贴近用户所好。

摘要： 本发明属于个性化推荐技术领域，公开了一种基于聚类群组发现的推荐系统及方法、个性化推荐系统，根据在线系统对用户操作行为数据的采集，提取出用户‑项目矩阵；实现将整个用户‑项目数据集分割成多个内部关联性很强的分组，通过欧几里得等相似度计算方法和聚类算法的结合；在分组内直接使用协同过滤算法得出推荐结果。本发明在直接使用推荐算法之前进行数据预处理，利用模糊聚类将数据分组，并整合在每个分组中的预测评分得出最终的推荐结果。在保证整个推荐系统正常运行的情况下，通过模糊聚类群组发现的数据预处理方法让推荐算法可以直接作用在关联性很强的单组数据而不必作用在全部数据，提高了推荐系统在面对海量数据的扩展性和精确度。