混合推荐

摘要： 针对传统推荐算法存在的矩阵稀疏和冷启动问题,通过对隐语义模型进行改进,从大量学习日志的隐性反馈信息中获取用户偏好矩阵和课程特征矩阵,同时引入卷积神经网络模型提取课程简介文本的深层特征,并将训练好的卷积神经网络模型与改进后的隐语义模型相结合,提出一种融合隐语义和卷积神经网络的混合推荐模型进行新课程推荐.通过实验验证了新模型的有效性.

摘要： 为了解决传统协同过滤算法数据稀疏而导致的推荐不准确等问题,引入商品属性值的概念,根据改进后的用户相似度填充用户-属性矩阵,最后对物品兴趣程度及商品属性评分和进行加权推荐.通过在电影数据集MovieLens上的实验表明,改进后的算法能够显著提升推荐准确率.

摘要： 近年来,为有线电视用户推荐其感兴趣的电视节目已经成为广电网络运营商和电视用户的共同需求。本文提出了一种分时用户兴趣偏好建模方法,并基于该模型采用了一种离线推荐和在线实时更新相结合的推荐方法,并对本文提出的模型以及推荐算法进行了测试。

摘要： 提出了一种混合推荐技术,它综合了基于内容的过滤和基于单值分解的协同过滤两种推荐算法,通过加权得到最后推荐结果并通过用户的反馈调整权重.两种推荐算法都有不足之处,混合推荐技术使两种算法互为补充,适用范围更广.实验证明,该推荐技术能有效解决数据稀疏性问题并能提高推荐质量.

摘要： 近年来基于矩阵分解的协同过滤算法在评分预测上取得的显著成果,但冷启动、数据稀疏等问题仍然未能得到很好的解决,因此如何将评论信息引入推荐系统以缓解上述问题,开始成为研究的热点之一.另一方面深度学习在图像处理、自然语言处理等领域已经发挥重要作用,其对文本的编码与分析能力恰好适应推荐领域当前正在研究的问题.本文尝试基于深度学习来加强个性化推荐,提出将层叠降噪自动编码器(SDAE)与隐含因子模型(LFM)相结合的混合推荐方法,综合考虑评论文本与评分,以提升推荐模型对潜在评分预测的准确性.在常用大规模公开数据集Amazon上进行的测试结果表明,与传统推荐模型相比,所提出方法可有效提高评分预测的准确性,最高可达到64.43％的性能提升.

摘要： 本申请提供一种融入内容信息的混合推荐方法，包括：将内容信息转化为内容信息词向量的集合；根据前向传播算法，得到评分矩阵中节点j在神经网络中的损失函数；根据反向传播算法，利用损失函数得到权值矩阵W和偏移向量b；将内容信息词向量融入神经网络中，获得神经网络的输出数据；使用得到的输出数据补充评分矩阵，通过推荐算法得到预测评分。本申请提出了从内容文本中获得分布式稠密向量表示并与评分数据结合，融入使用深度学习技术中的降噪自编码器，着眼于从评分矩阵中学习隐藏特征表示来重构评分矩阵进行预测，从而有效地提升了推荐效果。

摘要： 本发明公开了一种基于异构信息网络的混合推荐模型处理方法、系统和介质，所述混合推荐模型的处理过程包括：构建异构信息网络；获取所述异构信息网络中符合第一预设要求的第一用户特征和第一项目特征，以及获取所述异构信息网络中符合第二预设要求的第二用户特征和第二项目特征；将所述符合第三预设要求的第一用户特征与第二用户特征，以及第一项目特征与第二项目特征进行拼接，得到拼接特征向量；根据所述拼接特征向量定义预测函数；定义所述预测函数对应的损失函数；通过所述预测函数和所述损失函数优化所述混合推荐模型。本发明在进行推荐时展现推荐的可解释性，便于推荐模型的推荐分析与大范围应用。本发明可应用于信息推荐技术领域。

摘要： 本发明公开了一种基于图、引文和内容的论文混合推荐方法，通过引文关系构建有向引文图来查找相关论文集，并结合基于引文与基于内容的方法来计算论文之间的相似度，按照混合模型产生的相似度对相关论文集进行排序和推荐。考虑到不同章节的引用重要性不同，对基于引文的方法进行了改进，提出了基于章节的引文相似度，对不同章节的引文分配不同的权重，从而提高推荐的准确性。

摘要： 本发明涉及一种旅游景点的混合推荐方法与系统，该方法包括：使用基于用户的协同过滤算法得到推荐的旅游景点；使用基于物品的协同过滤算法得到推荐的旅游景点；所有的推荐结果中选择流行度最高的旅游景点推荐给用户。本发明避免单一推荐算法带来的局限性，使用多种推荐算法混合推荐旅游景点给客户，从客户的角度出发，推荐给客户心仪的旅游景点。

摘要： 本发明属于个性化推荐技术领域，具体为一种基于Lambda架构的实时混合推荐方法及系统。本发明推荐方法包括：结合基于相对词频的内容推荐算法和基于增量更新的协同过滤推荐算法，以加权混合推荐的方式提供推荐服务；同时实时更新项与项之间的相似性，实时调整推荐列表中的候选项，增强推荐结果的实时性和准确性；本发明系统包括离线计算模块、实时计算模块和对外服务模块；数据源包括新闻URL数据和用户点击流数据；用户点击数据以流的形式持续到达推荐系统；本发明利用开源组件的优点，借助MapReduce编程思想处理海量离线数据，基于Storm分布式流计算框架处理实时到来的流数据，将离线计算部分和实时计算部分结合起来，最终实现实时新闻推荐系统高吞吐、低时延的目标。

摘要： 本发明提出了一种基于用户商品画像和潜在因子特征提取的混合推荐方法，所述混合推荐方法包括以下步骤：S100通过用户画像和商品本身的信息提取用户和商品的显式特征表示；S200通过把用户和商品映射到潜在空间，得到用户和商品的潜在因子特征表示；S300利用栈式降噪自编码器对显式特征和潜在因子特征进行特征提取，得到鲁棒性更强的低维特征表示。本发明同时考虑到用户和商品的显式特征空间和潜在因子特征空间，并且将两种特征空间综合考虑在内，克服了单一推荐模型的弊端，解决了物品的冷启动问题，同时本发明采用SDAE对高维特征进行提取，有效避免了“维度灾难”问题，由于在训练过程中添加了随机噪声，极大地提高了算法的鲁棒性。

摘要： 本发明公开了一种基于图卷积神经网络的混合推荐方法，包括以下步骤：收集用户对物品的行为数据以及物品的属性信息；将收集的数据建模为异构信息图，并利用图卷积神经网络学习每个节点的特征向量表示；基于用户和物品特征向量的混合推荐。本发明主要是利用多种数据，包括用户对物品的行为数据和物品属性信息，获得用户和物品的特征向量表示并实施基于特征向量的混合推荐，缓解数据稀疏问题和繁重的特征工程问题的影响，进而改进推荐效果，提升用户满意度。

摘要： 本发明公开了一种基于潜在因子的矩阵分解补全混合推荐方法，包括步骤1：构建用户物品评分矩阵、用户潜在因子矩阵和物品潜在因子矩阵；步骤2：计算得到用户之间的相似度和物品之间的相似度；步骤3：将用户物品评分矩阵进行矩阵分解，通过对分解矩阵进行迭代计算得到用户对物品的预测评分，并得到对应的预测评估指标的状态值：步骤4：将用户物品评分矩阵进行矩阵补全得到预测评分矩阵和对应的预测评估指标的状态值：步骤5：加权得到预测评分矩阵和其对应的预测评估指标的状态值；步骤6：根据得到的各预测评分矩阵及各自对应的预测评估指标的状态值，得到最终的预测推荐矩阵；根据预测推荐矩阵，完成向用户推荐物品。

摘要： 本发明涉及一种混合推荐规则的管理平台数据推荐方法，记录并学习平台用户对被监管对象的操作行为，结合平台用户的角色权限，作为协同过滤推荐规则的输入，对被监管对象从若干评分维度进行分析，生成对被监管对象自身属性的评估指标，作为对象多维度推荐规则的输入，叠加输入内容，输出综合排序结果，平台用户查看后将感兴趣目标对象置顶显示。本发明集成协同推荐规则以及对象多维度推荐规则，满足不同角色的用户管理，根据用户兴趣方向以及对象信息变化推送不同的排序结果；可优先获取突发情况数据，用户订阅行为数据反向修正推荐结果，实现推荐算法闭环，提升整个算法的准确度，基于推荐结果可以有效提升平台用户的工作效率，及时发现潜在问题。

摘要： 本发明公开了一种融合评论文本层级注意力和时间因素的混合推荐方法，步骤为：对单条评论文本中的单词应用单词级注意力，得到单条评论文本的编码；对含有时间因素的用户评论集和项目评论集分别应用评论级注意力，得到用户和项目编码。本发明的融合评论文本层级注意力和时间因素的混合推荐方法将时间特征引入用户评论集和项目评论集，来捕捉用户的动态偏好和项目动态特征，采用BI‑LSTM(双向长短期记忆网络)为评论文本中的单词之间建立上下文依赖关系，能够有效的提取评论文本中的语义信息，对带有时间因素的用户评论集和带有时间因素的项目评论集分别应用评论级注意力网络，来关注近期有效的评论文本，挖掘用户偏好和项目特征的动态变化。