题名 基于时序模型和矩阵分解的推荐算法
被引量：11
1
作者
蔡海尼 牛冰慧 文俊浩 王喜宾
机构
重庆大学软件学院 重庆邮电大学软件工程学院
出处
《计算机应用研究》
CSCD
北大核心
2018年第6期1624-1627,1659,共5页
基金
国家自然科学基金资助项目(61672117) 重庆市自然科学基金资助项目(cstc2014jcyj A40054) 重庆市教育委员会科学技术研究项目(KJ1600437)
文摘
时间序列数据是一种数据属性随时间变化的高维数据类型,反映了用户兴趣的动态变化。基于时序数据的推荐系统利用用户的行为时间提高推荐的准确性,但不适用于大规模数据集的推荐任务。矩阵分解方法是处理高维数据集时常用的降维方法。为此,提出一种基于时序模型和矩阵分解的推荐算法。基于该方法,首先利用矩阵分解提取原始时序数据的特征,然后通过时序模型挖掘特征的趋势,最后根据预测的特征得到预测结果并进行推荐。实验结果表明,所提出的算法与已有的推荐算法相比,在均方根误差(root mean square error,RMSE)和平均准确率(mean average precision,MAP)两个指标上均有较好表现,且适用于大规模数据的推荐任务。
关键词
推荐算法 概率矩阵分解 时序行为 行为预测
Keywords
recommender algorithms probabilistic matrix factorization （pmf ）sequential behavior behavior prediction
分类号
TP391.9
[自动化与计算机技术—计算机应用技术]
题名 融合用户信任度与相似度的推荐算法研究
被引量：10
2
作者
徐毅 叶卫根 戴鑫 宋威 周贤泉
机构
江南大学物联网工程学院
出处
《小型微型计算机系统》
CSCD
北大核心
2018年第1期78-83,共6页
基金
国家自然科学基金项目(61673193)资助 中央高校基本科研业务费专项资金项目(JUSRP51635B +1 种基金 JUSRP51510)资助 江苏省自然科学基金项目(BK20150159)资助
文摘
提出一种新的基于概率矩阵分解的推荐算法.首先,对用户之间的信任关系网络进行重构,突出社交网络中被很多用户信任的用户地位.其次,引入用户之间的相似度,区分目标用户与其信任用户之间的兴趣偏好.最后,运用信任关系与相似度获取用户之间的加权关系,从而得到融合用户信任度与相似度的推荐算法.实验采用Ciao数据集,其结果表明所提出的算法在平均绝对误差和均方根误差这两个推荐准确性指标上都有较大的提高.
关键词
概率矩阵分解 推荐系统 用户相似度 信任关系
Keywords
probabilistic matrix factorization （pmf ） recommender model （RM） user similarity trust relation
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 基于自适应提升的概率矩阵分解算法
被引量：2
3
作者
彭行雄 肖如良 张桂刚
机构
福建师范大学软件学院 大数据分析与应用福建省高校工程研究中心 中国科学院自动化研究所
出处
《计算机应用》
CSCD
北大核心
2015年第12期3497-3501,共5页
基金
教育部规划基金项目(11YJA860028) 福建省科技计划重大项目(2011H6006)
文摘
针对推荐系统中概率矩阵分解模型(PMF)泛化能力(对新用户和物品的推荐性能)较差、预测准确性不高的问题,提出一种新的基于自适应提升的概率矩阵分解算法(AdaBoost PMF)。该算法首先为每个样本分配样本权重;然后根据PMF中的每一轮随机梯度下降法学习用户和物品特征向量,并计算总体预测误差均值和标准差。从全局的角度利用AdaBoost思想自适应调整样本权重,使算法更注重学习预测误差较大的样本;最后对预测误差分配样本权重,让用户和物品特征向量找到更合适的优化方向。相比传统的PMF算法,AdaBoost PMF算法能够将预测精度平均提高约2.5%。实验结果表明,该算法通过加权预测误差较大的样本,能够较好地拟合用户特征向量和物品特征向量,提高预测精度,可以有效地应用于研究个性化推荐。
关键词
推荐系统 概率矩阵分解 自适应提升 模型融合 评分预测
Keywords
recommendation system probabilistic matrix factorization （pmf ） Ada Boost model blending rating prediction
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
TP393
[自动化与计算机技术—控制科学与工程]
题名 融入用户和项目特征的概率矩阵分解推荐算法
被引量：2
4
作者
薛建宇 刘献忠
机构
华东师范大学软件工程学院
出处
《计算机应用》
CSCD
北大核心
2021年第S01期101-107,共7页
文摘
与传统的协同过滤推荐算法相比,概率矩阵分解(PMF)模型在大型、稀疏的数据集上表现良好,但其仅利用了用户对项目的评分信息,没有充分考虑用户和项目的特征,因此在推荐准确度等方面仍具有很大的提升空间。基于概率矩阵分解模型,融合用户属性特征、用户偏好特征和项目标签特征,提出一种新的推荐算法UFIF-PMF。首先,根据用户属性信息计算用户属性相似度,利用项目标签信息和用户评分信息计算用户偏好相似度,并通过加权构建用户相似度矩阵;然后,构建基于项目标签信息的项目相似度矩阵;接着,将用户相似度矩阵和项目相似度矩阵融入到概率矩阵分解模型中;最后,在电影公开数据集Movielens上进行模型训练和对比实验。实验结果表明,在训练集比例为90%、隐性特征维度为10的情况下,与PMF、基于用户偏好的概率矩阵分解推荐算法(USPMF)和融合物品相似度的概率矩阵分解推荐算法(ISPMF)相比,UFIF-PMF算法的均方根误差(RMSE)分别下降6.27%、3.65%和3.49%,平均绝对误差(MAE)分别下降8.46%、4.8%和4.67%,同时有效缓解了推荐系统的冷启动和数据稀疏问题,有较强的可扩展性。
关键词
概率矩阵分解 用户属性 用户偏好 项目标签 冷启动
Keywords
probabilistic matrix factorization (pmf )user attribute user preference item label cold start
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 GeoPMF:距离敏感的旅游推荐模型
被引量：6
5
作者
张伟 韩林玉 张佃磊 任鹏杰 马军 陈竹敏
机构
山东大学计算机科学与技术学院
出处
《计算机研究与发展》
EI
CSCD
北大核心
2017年第2期405-414,共10页
基金
国家自然科学基金项目(61272240 61672322) +1 种基金 山东省自然科学基金项目(ZR2012FM037) 微软国际合作基金项目(FY14-RESTHEME-25)~~
文摘
虽然目前旅游者可以利用Web搜索引擎来选择旅游景点,但往往难以获得较好符合自身需要的旅游规划.而旅游推荐系统是解决上述问题的有效方式.一个好的旅游推荐模型应具有个性化并能考虑用户时间和费用的限制.调研表明,用户在选择旅游景点时,目的地与用户常居地的距离常常是一个需要考虑的问题.因为旅行距离往往可以间接地反映了时间和费用的影响.于是,在贝叶斯模型和概率矩阵分解模型的基础上,提出一个旅行距离敏感的旅游推荐模型(geographical probabilistic matrix factorization,GeoPMF).主要思想是基于每个用户的旅游历史,推算出一个最偏好的旅游距离,并作为一种权重,添加到传统的基于概率矩阵分解的推荐模型中.在携程网站的旅游数据集上的实验表明,与基准方法相比,GeoPMF的RMSE(root mean square error)可以降低近10%;与传统概率矩阵分解模型(PMF)相比,通过考虑距离因子,RMSE平均降幅近3.5%.
关键词
旅游推荐 推荐系统 概率矩阵分解模型 距离敏感 Geopmf 算法
Keywords
tour recommendation recommender system probabilistic matrix factorization （pmf ） model distance-aware Geopmf
分类号
TP301
[自动化与计算机技术—计算机系统结构]
题名 融合社交网络和图像内容的兴趣点推荐
被引量：5
6
作者
邵长城 陈平华
机构
广东工业大学计算机学院
出处
《计算机应用》
CSCD
北大核心
2019年第5期1261-1268,共8页
基金
国家自然科学基金资助项目(61572144) 广东省科技计划项目(2016B030306002 +1 种基金 2015B010110001 2017B030307002)~~
文摘
基于位置的社交网络(LBSN)蓬勃发展,带来了大量的兴趣点(POI)数据,加速了兴趣点推荐的研究。针对用户-兴趣点矩阵极端稀疏造成的推荐精度低和兴趣点特征缺失问题,通过融合兴趣点的标签、地理、社交、评分以及图像等信息,提出了一种融合社交网络和图像内容的兴趣点推荐方法(SVPOI)。首先分析兴趣点数据集,针对地理信息,利用幂律概率分布构造距离因子;针对标签信息,利用检索词频率构造标签因子;融合已有的历史评分数据,构造新的用户-兴趣点评分矩阵。其次利用VGG16深度卷积神经网络模型(DCNN)识别兴趣点图像内容,构造兴趣点图像内容矩阵。然后根据兴趣点数据的社交网络信息,构造用户社交矩阵。最后,利用概率矩阵分解(PMF)模型,融合用户-兴趣点评分矩阵、图像内容矩阵、用户社交矩阵,构成SVPOI兴趣点推荐模型,生成兴趣点推荐列表。大量的真实数据集上的实验结果表明,与PMF、SoRec、TrustMF、TrustSVD推荐算法相比,SVPOI推荐的准确度均有较大提升,其平均绝对误差(MAE)和均方根误差(RMSE)两项指标比最优的TrustMF算法分别降低了5.5%和7.82%,表明SVPOI具有更好的推荐效果。
关键词
兴趣点推荐 基于位置的社交网络 图像内容 深度卷积神经网络 概率矩阵分解模型
Keywords
point-of-interest recommendation Location-Based Social Network(LBSN) image content Deep Convolutional Neural Network(DCNN) probabilistic matrix factorization (pmf ) model
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
题名 基于CTM-PMF模型的物品推荐
被引量：1
7
作者
彭江平
机构
湖南大学工商管理学院
出处
《计算机工程与应用》
CSCD
2013年第2期1-4,8,共5页
基金
国家自然科学基金(No.71171076) 中央高校基本科研业务费青年扶持项目(No.11HDSK203)
文摘
为了克服传统协同过滤推荐技术的局限,提出了一种基于CTM-PMF模型的物品推荐方法。在PMF模型的基础上,引入CTM模型,将PMF模型良好的推荐品质和CTM模型优越的物品表示方法相结合,有效地实现了新物品推荐;通过引入用户兴趣因子,解决了用户对已购买物品的兴趣变化问题。在自建的物品数据集上,利用提出的方法、PMF模型、G-PLSA模型和UBCF方法进行了对比实验,实验结果表明该方法具有良好的物品推荐品质。
关键词
相关主题模型(CTM) 概率矩阵分解(pmf )模型 用户兴趣因子 物品推荐
Keywords
Correlated Topic Model（CTM） probabilistic matrix factorization （pmf ） model user interest factor product rec-ommendation
分类号
TP391
[自动化与计算机技术—计算机应用技术]
