概率矩阵分解

摘要： 利用推荐系统进行群组推荐时,群组成员之间的交互关系对推荐结果有很大影响,但传统的群组推荐算法较少考虑用户信任度的重要性,致使社交关系信息不能得到充分利用。在群组融合时考虑群组内用户间的交互关系,提出一种基于用户信任度和概率矩阵的群组推荐算法。在获取用户信任度数据后,使用概率矩阵分解(PMF)算法补全信任度矩阵并进行归一化处理,得到相似度矩阵,同时在后验概率计算过程中加入用户间的信任度因素,通过极大化后验概率获得预测评分。在此基础上,对群组中用户的权重进行归一化处理,使用基于用户交互关系的权重策略融合群组成员偏好,得到最终的推荐结果。在Epinions和FilmTrust数据集上的实验结果表明,该算法可使融合结果更具群组特性,同时提高推荐结果的可靠性和可解释性,且均方根误差和命中率均优于PMF、NeuMF、RippleNet等对比算法。

摘要： 针对大规模稀疏数据集上基于概率矩阵分解(Probabilistic Matrix Factorization,PMF)模型的缺失数据估计方法容易出现过拟合且迭代训练时间较长的问题,本文创新性地提出一种融合实例频率加权正则化(Instance-frequency-weighted Regularization,IR)和神经网络(Neural Network,NN)的概率矩阵分解(IR-NNPMF)模型。一方面,充分考虑已知数据在数据集中的不平衡分布现象,并根据潜在因子相关的实例频率对其正则化参数进行加权处理,从而提高模型的泛化能力和预测精度;另一方面,引入神经网络来缓解模型迭代训练造成的时间消耗,提高模型预测精度的同时减少模型训练时间。最后,在4个真实数据集上的实验结果证明,和带标准L;正则化和使用传统梯度下降训练算法的经典PMF模型相比,本文提出的IR-NNPMF模型能够在提高预测精度的同时大大提高模型的训练速度。

摘要： 为解决概率矩阵分解算法未利用用户/物品的邻域结构信息问题,该文提出一种融合邻域结构信息的概率矩阵分解算法,该算法通过将概率矩阵分解与包含用户和物品邻域结构信息的图正则化项,整合到一个统一的优化问题中,以进一步提炼用户和物品的潜在因子,提高评分预测的精度.在两个真实数据集上的实验结果表明,所提算法能够实现推荐性能的显著提升.

摘要： 在数字资源海量化时代背景下,数字资源的精准化推荐是确保数字资源高效推广的关键,本文提出了基于概率矩阵分解的数字资源推荐算法。论文构建了用户网页访问矩阵、用户资源点击矩阵、网页资源相关度矩阵,并采用梯度下降法获得了概率最高的资源作为推荐的数字资源。将提出的方法和HIN推荐、用户意图聚类推荐进行对比,结果表明基于概率矩阵分解的数字资源推荐算法性能最佳,这对数字资源的高效推广具有一定的参考价值。

摘要： 由于用户的评分数据过于稀疏,使得现有的一些基于矩阵分解的用户评分预测算法计算出的用户评分预测偏差过大,预测准确率无法进一步提升。在这个问题上,最常使用的解决办法是加入用户的社交网络数据,这些方法利用用户之间的社交信息来关联用户,根据用户好友的数据来增加用户的预测准确率。大多数情况下用户的社交网络数据不是很容易获得。在没有使用用户社交网络数据的基础上,针对推荐系统的用户评分预测中常用的概率矩阵分解模型准确性的问题,提出利用融合标签和用户聚类类别信息对原有的概率矩阵分解模型添加约束,进而减小预测结果的误差。仿真结果表明,增加用户聚类与电影标签数据能有效减小算法预测误差。

摘要： 提出一种新的个性化试题推荐方法,基于答题行为分析学生的答题风格相似度,以此作为学生的共性特征指导划分学生群组,基于模糊认知诊断框架分析学生的知识点掌握情况,通过综合考虑学生的个体学习特性和群组共性,使用概率矩阵分解方法为学生推荐试题。最后设计并实现了一个真实的个性化试题推荐系统。

摘要： 为从影片简介中获取更丰富的文本特征并考虑短文本的语义依赖性,构建一种基于卷积双向长短记忆神经网络模型(CBiLSTM)的视频文本特征表示模型.根据用户评分行为习惯的相似性和偏向性,基于受偏置约束的概率矩阵分解算法设计一种混合视频推荐算法(CBiLSTM-PMF+),实现评分预测.在真实数据集上结合IMDB数据库视频简介进行实验仿真,实验结果表明了影片文本局部特征和上下文时序特征结合进行评分预测的合理性.

摘要： [目的/意义]随着MOOCs迅猛发展和普及,如何利用智能推荐技术为学习者从海量的MOOC中"寻找最佳课程"成为MOOC发展中需要解决的重要课题.[方法/过程]基于自我知觉理论和学习行为投入框架,充分利用学习行为日志和评分数据挖掘学习者之间的隐式信任关系,并通过信任传播建立MOOC社区信任网络,从而构建动态结合兴趣和隐式信任感知的混合推荐方法.为解决数据稀疏问题,提出基于信任的联合概率矩阵分解模型(TA-PMF),将课程评分矩阵、信任关系矩阵的分解相结合来挖掘用户及课程潜在特征,进而实现评分预测.[结果/结论]真实数据集测试结果表明,与显性评分值相比,学习行为投入信息对信任度构建贡献权重达到0.7;TA-PMF方法对MOOC推荐具有较好的适用性,且能在一定程度上缓解冷启动问题.

摘要： 针对传统协同过滤推荐方法中用户评分信息稀疏导致推荐准确度不高的问题,提出融合用户信任度的概率矩阵分解推荐算法.该算法综合用户间的联合评分项以及非联合评分项,利用KL散度得到用户信任度排名,使得相似用户间的特征向量更加接近,并在概率矩阵分解过程中维持这种关系.最后在MovieLens 1M和Epinions数据集上采用三种指标进行对比实验,验证了该算法在稀疏数据集上推荐效果的有效性.

摘要： 针对推荐系统中用户评分数据稀疏所导致推荐结果不精确的问题,本文尝试将用户评分、信任关系和项目评论文本信息融合在概率矩阵分解方法中以缓解评分数据稀疏性问题.首先以共同好友数目及项目流行度改进皮尔逊用户偏好相似程度并将其作为用户间的直接信任值,然后考虑用户间信任传播过程中所有路径的影响构建新的信任网络;其次通过BERT预训练(Pre-training of Deep Bidirectional Transformers for Language Understanding)模型提取项目的评论文本向量,构造项目的评论文本特征矩阵;最后基于概率矩阵分解(Probabilistic Matrix Factorization,PMF)模型融合用户的评分数据、用户的信任关系以及项目的评论文本信息进行推荐.通过不断的理论分析并在真实的Yelp数据集上进行实验验证,均表明本文算法的有效性.

摘要： 随着移动互联技术的飞速发展和广泛应用,推荐系统在社会生活和经济活动的各项决策过程中发挥着重要作用.然而,传统推荐算法在如今信息过载、信息更新迅速的条件下表现不够理想,特别是难以将丰富的商品图片信息进行有效处理并用于增强推荐效果.本文基于卷积神经网络(CNN)在处理图像方面的强大优势,提出了将CNN和概率矩阵分解方法相结合的协同过滤方法用于在线商品的推荐.相比于传统方法,该方法通过实现对商品图片更为个性化和丰富的表达,提升了协同过滤方法的性能,并验证了引入图片内容分析所起到的信息增强作用.

摘要： 常规推荐算法仅考虑用户-项目评分,由于数据单一,因此算法的准确性和可靠性都比较低.本文提出将时间和标签上下文信息加入到推荐算法中,以丰富单个用户或商品的信息,利用时间信息挖掘用户间的影响关系,同时利用标签上下文来衡量物品间的关系,最后将用户关系向量和物品关系向量融合到概率矩阵分解模型中.实验结果表明,提出的协同过滤推荐算法能够提高推荐的准确性和精度.

摘要： 在解决协同过滤推荐系统中矩阵稀疏的问题时,矩阵分解是一种应用十分广泛的工具.传统的矩阵分解技术并没有结合对象本身具有的标签特征,本文提出一种基于概率矩阵分解的改进算法Tag-PMF,结合对象标签特征建模,并使用随机梯度下降法进行训练.经过真实数据验证,能够提供比传统矩阵分解技术更好的表现.

摘要： 一种融合属性和语义的概率矩阵分解冷启动推荐方法，首先从数据库中提取用户属性信息、项目属性信息、项目文本信息和用户评分信息，利用线性回归对属性信息和语义信息建模预测潜在特征，并把预测值作为概率分解的先验概率，从而实现将属性信息和语义信息融合到评分矩阵的概率分解中。本发明可以有效地将属性信息和语义信息融入到概率矩阵分解中，解决了推荐系统中普遍存在的冷启动和稀疏性问题，并且有更高的准确度，算法复杂度不高，适用处理大规模数据。

摘要： 本发明公开了一种基于加权信任关系的概率矩阵分解推荐方法，首先要获取用户项目评分信息矩阵和用户间信任关系评分矩阵，将信任信息矩阵进行信任数据的填充；对于用户项目评分信息矩阵根据相似度计算公式计算目标用户和每个用户的相似度；将得到的用户间相似度融入到信任评分数据中得到加权信任评分数据；将得到的加权信任评分数据结合概率矩阵分解方法得到基于加权信任关系的概率矩阵分解推荐模型，最终根据得到的推荐模型成功预测出目标用户感兴趣的项目。本发明主要针对带有评分信息和信任数据的社交网站，主要应用于电子商务系统中，有效的对目标用户形成高质量，高准确率的推荐。

摘要： 本发明公开了一种基于联合概率矩阵分解的微博关注推荐方法，包括步骤1、读取用户关系信息和用户交互行为信息；步骤2、由所述用户关系信息构建用户关系矩阵；步骤3、由所述用户交互行为信息构建长期影响力矩阵，将长期影响力矩阵作为用户影响力矩阵；步骤4、对用户关系矩阵和用户影响力矩阵进行联合概率矩阵分解，得到用户潜在特征矩阵和影响力潜在特征矩阵，对用户潜在特征矩阵和影响力潜在特征矩阵內积得到用户关系强度矩阵，根据用户关系强度矩阵提取用户关系强度列表，根据用户关系强度列表进行推荐。本发明考虑交互行为的时效性，能得到个性化的推荐结果，在一定程度上缓解了数据稀疏性问题，能够提供更好的推荐结果。

摘要： 一种基于用户上下文耦合相似度的概率矩阵分解推荐方法。首先，结合用户上下文信息的耦合相似度和用户可信度构建用户关系矩阵；然后联合用户信任关系矩阵和用户项目矩阵进行概率分解学习特征向量；最后通过新用户信任用户完成推荐。本发明的目的在于提供一种基于用户上下文耦合相似度的概率矩阵分解推荐方法，将用户上下文信息耦合相似性作为一种特殊的信任关系，通过用户上下文信息之间的耦合相似度和用户信任度构建用户信任关系矩阵，然后联合用户评分矩阵概率分解学习潜在特征向量，从而实现推荐；以解决推荐系统中广泛面临的“冷启动”和“稀疏性”问题。

摘要： 本发明公开了一种基于概率矩阵分解结合相似度的个性化推荐方法，具体包含以下步骤：S1：建立物品信息和历史评分数据库；S2：生成用户之间和物品之间的相似度矩阵；S3：对上述矩阵的行向量按照降序进行排列；S4：基于概率矩阵分解模型生成目标函数；S5：生成最终的用户和物品的潜在特征矩阵；S6：根据最终的用户和物品的潜在特征矩阵生成预测的评分矩阵；S7：对用户进行个性化推荐。本发明中，可以根据用户的潜在特征向量与相似度高的用户潜在特征向量有关，使得预测评分更加贴近用户的真实评分，从而提高当前推荐系统推荐准确率。

摘要： 本发明公开了一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法，包括：步骤一、建立糖尿病患者的饮食偏好特征集合U＝{u1,u2,…,un}和食物的属性特征集合V＝{v1,v2,…,vm}，记录糖尿病患者饮食，提取偏好特征和食物属性特征，形成糖尿病患者饮食偏好矩阵U∈RK×M和食物属性特征V∈RK×N；步骤二、通过将糖尿病患者的饮食偏好与食物的属性特征之间的关联度量化来确定糖尿病患者的饮食偏好与食物的属性特征之间的关联强度；步骤三、对所述关联度进行权值分布得到基本分类后，训练数据集更新权值分布，将所有关联度赋予权重进行分类排除不必要的食物，得到最终的如下关联度分类：步骤四、根据所述条件概率和所述关联度分类得到所述个性化饮食。

摘要： 一种基于概率矩阵分解的时间敏感个性化推荐方法，属于情境感知个性化推荐领域。利用用户对电影的评分信息和情境信息以及电影类别构建用户‑情境评分矩阵：即根据原始的用户‑电影评分矩阵和额外的情境信息以及电影类别信息构建一个用户‑情境评分矩阵，然后进行矩阵分解，获取蕴含情境信息的用户特征向量，然后求两两用户之间的余弦相似度，选取相似度较高的一定量用户作为邻居用户，将邻居用户的影响融合到概率矩阵分解中进行评分预测，从而按照评分预测的高低做出个性化推荐。本发明适用于电影推荐、电子商务网站商品、数字图书馆图书的推荐，互联网广告投放等需要个性化推荐的领域。

摘要： 本发明公开了基于贝叶斯概率矩阵分解的短视频推荐方法和系统，包括如下步骤：通过数据采集模块获取用户原始稀疏评分数据；通过数据处理模块对数据预处理，将数据集合划分为训练集和测试集，并处理成评分矩阵；通过模型训练模块在概率矩阵分解模型基础上引入贝叶斯网络并加入约束矩阵和Logistic函数，搭建出受约束的贝叶斯概率矩阵分解模型，并使用马尔可夫链蒙特卡洛方法进行模型训练；加载预处理后的原始稀疏评分矩阵，通过预测模块使用训练好的模型预测未知的特定用户对短视频的评分信息，并根据预测结果填充原始的稀疏评分矩阵；最后通过推荐模块对填充后的评分矩阵中的评分数据进行降序排序，为特定用户推送对应的短视频。

摘要： 本发明公开了一种基于概率矩阵分解的个性化推荐方法，包括：1.计算用户属性相似度；2.计算用户对标签的关注相似度和用户对标签的评分相似度，综合两种相似度产生用户的偏好相似度；3.用户属性相似度和用户偏好相似度按比例相加为1产生最终的用户综合相似度矩阵；4.初始化用户隐性特征矩阵和项目隐性特征矩阵为正态分布，将用户综合相似度矩阵融入到概率矩阵分解模型中；5.迭代计算出用户特征矩阵和项目特征矩阵，产生用户对项目的预测评分矩阵，采用Top‑K排序方法把评分最高的前K个项目作为最终的推荐结果推荐给用户。本发明的优势在于缓解推荐系统中的用户冷启动问题，提高推荐算法的准确度，增强算法的可扩展性。

摘要： 本发明提供了一种基于用户评论的概率矩阵分解推荐方法，该方法具体涉及了数据挖掘领域。本发明通过用户评论文本增强概率矩阵分解，解决推荐算法中的数据稀疏和冷启动问题。首先选取可以表示项目语义的用户评论作为辅助信息，并利用开源工具对评论文本进行Word2vec词向量训练和预处理，获取到项目标签。然后用深度学习中的堆栈式降噪自编码器提取标签中的项目特征，堆栈式降噪自编码器将稀疏高维的数据转化为低维的数据，增强了推荐算法鲁棒性。最后将用户评分矩阵和提取到的项目矩阵进行概率矩阵分解，从用户评论文本中提取到的项目特征矩阵增强了概率矩阵分解，极大的提升了推荐的效果。