社交影响下的用户兴趣演化及推荐算法研究
这是一篇关于推荐系统,社交信息,隐马尔可夫模型的论文, 主要内容为用户偏好总是随时间不断变化的,这使得时间成为推荐系统研究中非常关键的一种情境信息。因此,很多研究提出了基于时间的动态推荐算法来追踪用户偏好的变化,然而这些方法中很少注意到同样对用户偏好变化有显著影响的社交因素。此外,在线社交网络的成功使用使得用户的社交行为与传统推荐系统中的用户的行为信息一起被进一步研究成为可能。然而,大多数将社会信息引入推荐系统以改善性能的研究都是基于同质性原则展开的,即用户及其社交朋友倾向于共享某些共同兴趣或具有相似的品味。这个假设忽略了最关键的部分,即社交朋友所扮演的真实角色,尤其是在用户兴趣随时间变化的情况下。根据社交影响理论,用户的态度和行为总是基于网络中社交朋友的信息、态度和行为而受到感染。很少有研究关注这一观点。基于真实数据集,本文对社交在用户兴趣演化过程中的影响进行了分析,并提出两种社交影响机制。并通过对输入-输出隐马尔可夫模型结构的不同设计,对这两种影响机制建模,提出三个基于社交影响的动态推荐模型,并介绍了模型参数学习用到的期望最大化算法的具体过程。该模型对用户兴趣的动态演化过程进行学习,并融合社交好友对用户兴趣的影响,以更好地预测用户未来的兴趣,并进行推荐。通过将本文模型与各类型动态推荐方法及社交推荐方法在两个真实数据集上的表现进行比较,实验结果表明,该算法可以有效地提高推荐系统的推荐质量,并且对于不同的超参数取值及训练数据周期都有比较稳定的性能。进一步验证了本文提出的社交影响机制的有效性,再次证实了社交信息与动态的时间信息在推荐系统中的价值。
社交影响下的用户兴趣演化及推荐算法研究
这是一篇关于推荐系统,社交信息,隐马尔可夫模型的论文, 主要内容为用户偏好总是随时间不断变化的,这使得时间成为推荐系统研究中非常关键的一种情境信息。因此,很多研究提出了基于时间的动态推荐算法来追踪用户偏好的变化,然而这些方法中很少注意到同样对用户偏好变化有显著影响的社交因素。此外,在线社交网络的成功使用使得用户的社交行为与传统推荐系统中的用户的行为信息一起被进一步研究成为可能。然而,大多数将社会信息引入推荐系统以改善性能的研究都是基于同质性原则展开的,即用户及其社交朋友倾向于共享某些共同兴趣或具有相似的品味。这个假设忽略了最关键的部分,即社交朋友所扮演的真实角色,尤其是在用户兴趣随时间变化的情况下。根据社交影响理论,用户的态度和行为总是基于网络中社交朋友的信息、态度和行为而受到感染。很少有研究关注这一观点。基于真实数据集,本文对社交在用户兴趣演化过程中的影响进行了分析,并提出两种社交影响机制。并通过对输入-输出隐马尔可夫模型结构的不同设计,对这两种影响机制建模,提出三个基于社交影响的动态推荐模型,并介绍了模型参数学习用到的期望最大化算法的具体过程。该模型对用户兴趣的动态演化过程进行学习,并融合社交好友对用户兴趣的影响,以更好地预测用户未来的兴趣,并进行推荐。通过将本文模型与各类型动态推荐方法及社交推荐方法在两个真实数据集上的表现进行比较,实验结果表明,该算法可以有效地提高推荐系统的推荐质量,并且对于不同的超参数取值及训练数据周期都有比较稳定的性能。进一步验证了本文提出的社交影响机制的有效性,再次证实了社交信息与动态的时间信息在推荐系统中的价值。
异质信息网络中融合多源信息的推荐算法研究
这是一篇关于异质信息网络,多源信息,社交信息,图注意力网络,多行为数据的论文, 主要内容为随着信息资源爆炸式的增长,推荐系统在缓解信息过载方面发挥着举足轻重的作用,已被电子商务、网络新闻、社交媒体等众多服务广泛采用。推荐系统的理论依据是根据用户的兴趣偏好、需求、行为等信息为用户推荐最可能感兴趣的项目。协同过滤是推荐系统中运用最广泛且最成功的核心推荐技术,然而在应对数据稀疏、冷启动等问题表现欠佳。为了克服这些问题,本文在现有协同过滤算法的基础上研究异质信息网络中融合多源信息的推荐算法,利用社交信息和多行为信息构建异质信息网络,挖掘用户和项目的潜在特征,为用户推荐可能感兴趣的项目。本文的主要工作如下:第一,提出了融合社交信息的贝叶斯个性化推荐方法,通过精心整合用户对项目的反馈信息和用户之间的社交信息来提高协同过滤推荐的性能。与基于用户直接朋友偏好信息的推荐方法不同,本方法可以充分地挖掘用户之间的隐式关联,捕获社交网络中隐含的潜在信息,此外还可以有效地区别用户直接/间接社交朋友的项目反馈与社交影响。由于用户同时存在于用户-项目交互网络和用户-用户社交网络中,对目标用户的表示一方面基于项目排名,另一方面基于用户排名。最终结合项目排名和用户排名构建贝叶斯个性化排名函数,挖掘社交关系和用户行为相互依赖的事实,学习潜在的用户/项目表示。此外使用有效的负采样策略提高负采样实例的质量,进一步提高推荐性能。第二,提出了基于双重图注意力网络的多行为推荐方法,通过构造具有不同行为的多关系图来捕获用户-项目多行为数据中的隐藏关系。已有的单一行为的推荐方法只利用用户的目标行为预测用户偏好,而本方法可以融合用户的不同类型的行为,从而丰富用户偏好和项目特征的语义信息。具体来说,节点级注意力用来捕获不同邻居在特定行为下的重要性,而行为级注意力用来捕获不同行为的语义强度。此外,还通过建模目标用户和目标项目之间的依赖关系学习目标用户和目标项目的动态特征。在两个真实数据集上的实验验证了模型中关键组件的有效性。结果表明,与其他先进的推荐方法相比,所提出的模型在推荐精度上有了提高。
云环境下基于社交信息的音乐推荐系统设计与实现
这是一篇关于推荐系统,音乐推荐,新颖性,社交信息的论文, 主要内容为随着互联网的不断发展和移动互联网的兴起,越来越多的人选择通过互联网来随时随地享受数字化音乐带来的服务。数字音乐数量的激增使得音乐服务提供商的主要竞争从曲库的深度和规模转移到了推荐和发现音乐方面,推荐系统成为解决该问题的主要技术手段,而协同过滤推荐算法作为推荐领域最主流的算法之一,在音乐推荐系统中得到了广泛应用。然而,随着推荐准确率的不断提高,影响协同过滤推荐算法推荐效果的另一个问题越来越突显出来:如何发现相关度高的新颖推荐项。本文从上述问题出发,提出了融合社交信息的基于图的协同过滤改进算法,并以该算法为核心技术,设计开发了一套完整的音乐推荐系统。主要工作如下:首先,改进算法的主要思想是:利用用户的社交信息,对由项目相似性矩阵构建出的用户偏好图进行扩充,以降低通过信息熵计算得出的奇异推荐项的比例,然后将这些项目与通过经典协同过滤算法得到的推荐项合并在一起作为最终的推荐结果。最后,通过采集自Last.fm上的数据对算法的有效性进行了验证。结果表明,与原始算法相比,该改进算法的推荐准确率平均提高了约2.265%,由此损失的新颖性在相关指标下仅仅约为1.24%。由此说明该算法可以在发掘出新颖推荐项的同时,提升系统的准确率,从而达到更好的推荐效果。其次,基于上述算法,本文设计并实现了一套音乐推荐系统,在进行了充分的需求分析和系统架构设计的基础上,给出了单曲推荐、艺术家推荐和好友推荐的算法设计,并提出了歌单推荐的策略;然后通过MapReduce编程范式实现了各个算法并将系统运行在Hadoop云平台上;最后,邀请用户对系统进行了在线测试,当推荐数为25时平均新颖度为4.56,准确率约为17.6%,证明该音乐推荐系统在兼顾推荐新颖性和准确率方面具有出色表现。
基于社交行为的用户品牌偏好挖掘算法研究
这是一篇关于兴趣预测,跨域推荐,社交信息,时序行为,排序学习的论文, 主要内容为互联网的到来促进了信息的爆炸性增长,人们从海量信息中定位自己感兴趣的信息变得越来越困难,“信息过载”现象严重。个性化推荐技术通过挖掘海量数据获取用户的偏好,并根据用户的偏好为其推荐相应的内容,有效解决信息过载问题。然而,个性化推荐技术仍然面临着数据稀疏性、用户冷启动等挑战。社交网站为挖掘用户兴趣提供了额外的信息来源,不少研究通过跨域引入用户社交信息的方式解决传统个性化推荐面临的相关问题。然而,大多数研究只考虑了引入用户的个人信息和社交关系信息,却很少考虑到引入同样包含用户兴趣的社交行为信息。同时,跨域引入社交行为信息存在三个方面的挑战:1)社交域和电商域的数据通常来自不同的网站,需要找到领域间的重叠用户,并通过这些用户对齐不同领域的信息。2)不同领域数据的形式不同,从不同领域构建的特征既要能够输入到同一推荐模型中,也要保证原有数据中的信息完整性。3)社交行为和购物行为发生的时间是不同步的,引入时序信息时行为不同步会对挖掘用户时序兴趣产生一定的干扰。为了应对这些挑战,本文提出了一种跨域时序偏好挖掘算法,有效引入时序社交行为信息,缓解用户冷启动、用户兴趣变化等问题,主要贡献如下:1、提出了一种跨域时序偏好挖掘算法。首先改进矩阵分解技术提出了跨域偏好预测模型,构建社交行为特征与商品购买偏好之间的跨域映射关系。然后从时间维度上假设用户在不同时间段的兴趣不同,根据社交、购物行为发生的时间将这些行为划分到不同的时间段内并构建相应的时序特征。最后提出跨域时序偏好预测模型,从用户的时序社交行为中挖掘用户的时序购买偏好,推荐用户感兴趣的商品,解决用户冷启动、用户兴趣变化等问题。2、通过微博开源API获取用户的微博数据,从国内大型电商平台获取用户的购买数据,通过重叠用户连接不同领域的数据构造真实环境下的跨域数据集。然后在该数据集上进行了实验,验证所提出的模型的有效性。3、基于上述提出的跨域时序偏好挖掘算法,进一步提出了一个用于线上环境的基于跨域偏好挖掘的潜在客户挖掘与推荐系统构建方案。该系统方案能够根据用户的社交信息有效解决通过社交账号登录的新用户的偏好预测与推荐问题,同时根据用户社交信息的变化及时更新预测结果,为系统的精准推荐提供保障。本研究验证了所提出的跨域引入用户社交文本行为能够有效提升推荐效果的假设,同时也验证了所提出的跨域时序偏好挖掘算法能够较好的解决用户冷启动、用户兴趣变化等问题,有效提高推荐系统的推荐质量。
基于社交网络挖掘的个性化推荐算法研究
这是一篇关于矩阵分解,社交信息,最近邻,信任传递,推荐系统的论文, 主要内容为随着科学技术的发展和信息时代的来临,信息呈现爆炸式的增长,海量的信息使得人们无法快速地在大量数据中找到有价值的信息,导致信息过载现象产生。而推荐系统应运而生,它能够根据用户的信息和历史行为记录为用户提供推荐,能够对用户未评分的商品进行评分预测。传统的个性化推荐算法面临数据稀疏性等问题,而通过社交信息可以很好地缓解数据稀疏性问题,同时网站的社交板块和各类社交网站的兴起也使利用社交信息进行推荐成为可能。本文主要研究如何通过深入挖掘用户之间的社交关系,更准确地刻画用户的兴趣爱好,提高推荐系统性能。本文首先介绍了传统推荐算法理论和方法,其次介绍了当前研究所面临的问题和挑战,以及当前一些基于社交的推荐的研究成果,然后提出了一种基于双正则项的矩阵分解算法,通过在矩阵分解的基础上加入两个正则项,分别为社交正则项和最近邻正则项,在矩阵分解的过程中施加约束,两个正则项分别约束用户的潜在特征向量和其社交好友和最近邻的潜在特征向量相似。然后利用社交信息和信任传递关系,提出了一种基于社交好友和信任传递的个性化推荐算法,把能够为用户出谋划策的人群称为用户的顾问团队,通过顾问团队的信任传递,实现了用户之间关系的传递。最后通过多个数据集验证所提出的算法的性能,实验结果表明,所提算法在预测评分准确性上优于其他算法,有效提高推荐性能,而且能够为评分数量较少的新用户提供更加准确的推荐。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码港湾 ，原文地址：https://bishedaima.com/lunwen/56104.html
