融入注意力机制的个性化推荐算法

这是一篇关于注意力机制,社会化推荐,用户信任,项目相似度,多层感知机的论文, 主要内容为随着互联网技术的飞速发展,“信息过载”已经成为传统搜索技术不能胜任的难题。为了解决这一问题,推荐系统应运而生,协同过滤算法是其应用最广泛并且最成功的核心技术,然而,该类算法面临着严重的数据稀疏与冷启动问题。近年来,随着社交信息的丰富,融合用户和项目社会化的推荐算法得到了广泛的应用,然而,现有方法均未能考虑不同领域中用户社会地位以及信任对象所存在的差异,并且用户相似性的计算在面对不同项目时不能自适应变化造成了模型推荐精度下降。另一方面,随着深度学习浪潮的兴起,各式神经网络模型也应用到了推荐系统中,受益于其强大的深层特征学习能力,推荐系统得到了长足的发展。近年来,部分研究人员将NLP领域中非常流行的注意力机制引入推荐算法并取得了一定效果,但已有研究的学习模型过于单一,只对用户等单边信息进行了注意力融合,未能充分挖掘社交上下文和项目层面的信息。因此,利用注意力机制建模推荐问题中的多领域信息成为了本研究的重点。本文的主要研究内容如下:(1)针对现有方法未能考虑不同领域中用户社会地位以及信任对象的差异,并且用户相似性在面对不同项目时不能自适应变化的问题,提出一种融合项目信息与信任机制的个性化推荐方法。该方法将项目按照所属领域进行划分,综合考虑用户在不同领域内的全局信任度与局部信任度,构建特定领域的信任网络,提出一种新的社会化信息构造方式,然后将项目间相似性融入Pearson相关系数,计算用户面对不同项目时的偏好程度。在真实数据集Epinions上的大量实验表明,该算法的推荐性能相较于经典的协同过滤算法和融入单一信息的算法有了大幅提高。。(2)针对现有注意力机制在推荐过程中的应用过于单一,并且传统社交推荐不能充分挖掘社交矩阵中的非线性信息的问题,提出一种融入多层注意力机制的推荐方法。该方法利用降噪自编码器分别对多维信息进行降维向量化表示,并将注意力机制同时融入到用户、项目属性、项目交互及社交信息中,其中,项目级融入了多层注意力机制以获取待推荐项目对历史项目的偏好的和项目属性的偏好;同时,将用户项目基础隐式向量融入系统,在模型顶端利用多层感知机进行评分预测。在Flixster和last.fm两个数据集上的大量实验表明,该算法的推荐效率相较于各类基线算法有了一定提高,并且,验证了模型中各类参数对于算法的影响。

社交电商中基于用户信任关系的多样性推荐研究

这是一篇关于社交电商,推荐系统,用户信任,社会声誉,多样性的论文, 主要内容为随着科技的不断更新迭代,移动互联网技术、通讯技术、大数据技术逐渐成熟,社交网络的快速发展,社交关系逐渐显化。因社交电商(Social Commerce,SC)移动性、即时性和便利性的特点,特别是对用户个性化的考虑,使其成为了电子商务后的主要发展产物。个性化推荐系统对加强用户忠诚度、提高用户购物需求和提升企业核心竞争力有显著效果。然而,由于网络中的信息量呈爆发式增长,社交电商购物平台常因“信息过载”问题而无法给用户提供一个优质的推荐结果,以至于用户体验感下降。因此,从用户社交网络的维度出发,分析社交电商中用户消费过程中受社交关系的影响,以此构建合理的社交电商推荐模式,对增强用户粘性、提升用户持续购物新鲜感以及提高企业市场份额具有不可忽略的理论和现实意义。本文参考社交网络、产品推荐以及社交电商的最新文献,论述了社交电商环境下信任与声誉的区别与联系。在根据社交电商中信任和声誉对用户购买行为的影响深入分析的基础上,提出用户与社交电商推荐模式关系模型,并揭示用户社交关系对社交电商推荐模式准确性的作用机理和影响程度。综合上述研究,在考虑用户购买行为的心路历程及其体验评估标准的基础上,专为提高用户体验感设计了由用户信任及多样性组成的基于用户体验的社交电商推荐模式的总体框架。根据社交电商中用户信任关系的含义和特性,本文构建了基于信任的社交电商推荐模式,主要内容为:采用社会声誉来深度刻画用户关系在推荐系统中的作用,利用社交网络中用户被信任程度来对声誉进行排名,以图神经网络量化整合用户信任与声誉,并将结合后的新矩阵不断校正以获取更准确的用户信任,以此对矩阵分解后得到的新评分模型更新,最终得到更准确度量的预测评分矩阵。综合当前热门的多样性推荐方法并考虑其与社交电商大背景的兼容性,提出了极具特色的社交电商多样化推荐模式,具体包含以下几个方面:充分利用推荐系统中存在的长尾效应,构建多样化的推荐列表;综合项目的评分值与流行度对推荐列表重排序,从商品评分、流行度以及新颖度三个维度进一步优化给予用户的推荐列表;在提高推荐多样性的基础上不失推荐准确度。区别于传统电商的推荐方法,基于社交电商的推荐方法将消费者的信任关系作为重要考量因素,信任关系以及用户的社会声誉的准确度量对此类推荐系统的准确性至关重要,因此仅从相似性或信任角度研究工作存在片面性。针对当前推荐算法较少考虑用户信任度量及社会声誉有失精准的缺陷,本文在对用户信任进行声誉分析后,加入多样性指标对推荐结果完整化,提出一种融合用户加强信任和多样性的个性化推荐算法,阐述了信任和多样性的联系,并使用极限学习机综合用户信任度和多样性得到用户最终得分。该方法在加强了用户偏好要求的同时获得了更稳定的信任度量,对推荐结果的完整性也得到了提升。本文对基于社交电商的信任和多样性推荐研究,不仅有助于满足社交电商中用户的即时个性化需求,提升用户体验感,还有利于提高用户粘性,优化电商服务平台的业务水平,提升企业市场份额,对推动社交电商又快又好发展具有至关重要的参考价值和现实意义。

基于信任度和虚假评论检测的推荐算法研究

这是一篇关于推荐系统,协同过滤,用户信任,虚假评论检测的论文, 主要内容为随着互联网技术的飞快发展,互联网信息爆炸式增长,导致信息过载问题。推荐系统是解决信息过载的重要工具。个性化推荐系统中的协同过滤推荐是目前为止应用最广泛的推荐技术。但是随着推荐系统的广泛应用,推荐算法存在着严重的数据稀疏、冷启动和数据安全等问题。推荐算法自身不能有效去除恶意数据,为有效解决这几个问题,本文对推荐系统中的虚假信息进行处理,并围绕基于信任度以及矩阵分解技术的协同过滤推荐算法展开研究。本文的主要工作和创新如下:随着电子商务的快速发展,平台内存在大量的虚假信息,严重干扰了平台的推荐系统,使得推荐给用户的项目满意度下降,本文提出融合情感极性与D-S理论的虚假评论检测方法,综合考虑了评论者行为特征,评论文本特征以及评论文本情感极性特征,构建多维特征模型。利用单特征下的支持向量机模型初步识别结果作为独立证据计算基本信任函数,再利用D-S证据理论进行决策级融合,并根据识别框架下的证据支持度对评论进行判断。从大众平台爬取数据作为数据集进行实验。在算法对比中,本文提出的算法在检测性能上优于相关文献提出的检测算法。在web2.0时代社交网络普及,基于社交网络推荐算法引起研究者的关注。针对目前信任关系考虑不全问题,本文提出基于综合信任的社会化混合推荐算法。该算法考虑了用户的综合信任度,构建信任矩阵。并且考虑了项目间的关联度,结合概率矩阵分解模型实现混合推荐算法。该算法在Epinions数据集上实验取得了不错的效果。然后结合数据检测技术再一次实验,通过虚假评论检测技术处理后的数据运用到基于综合信任的推荐算法系统中,与没有经过处理的数据推荐结果对比。检验本文算法的鲁棒性以及推荐效果是否得到提升。在Epinions数据集上实验表明,通过数据处理后的基于信任推荐算法在推荐评分误差以及算法鲁棒性都取得了提高。

社交电商中基于用户信任关系的多样性推荐研究

这是一篇关于社交电商,推荐系统,用户信任,社会声誉,多样性的论文, 主要内容为随着科技的不断更新迭代,移动互联网技术、通讯技术、大数据技术逐渐成熟,社交网络的快速发展,社交关系逐渐显化。因社交电商(Social Commerce,SC)移动性、即时性和便利性的特点,特别是对用户个性化的考虑,使其成为了电子商务后的主要发展产物。个性化推荐系统对加强用户忠诚度、提高用户购物需求和提升企业核心竞争力有显著效果。然而,由于网络中的信息量呈爆发式增长,社交电商购物平台常因“信息过载”问题而无法给用户提供一个优质的推荐结果,以至于用户体验感下降。因此,从用户社交网络的维度出发,分析社交电商中用户消费过程中受社交关系的影响,以此构建合理的社交电商推荐模式,对增强用户粘性、提升用户持续购物新鲜感以及提高企业市场份额具有不可忽略的理论和现实意义。本文参考社交网络、产品推荐以及社交电商的最新文献,论述了社交电商环境下信任与声誉的区别与联系。在根据社交电商中信任和声誉对用户购买行为的影响深入分析的基础上,提出用户与社交电商推荐模式关系模型,并揭示用户社交关系对社交电商推荐模式准确性的作用机理和影响程度。综合上述研究,在考虑用户购买行为的心路历程及其体验评估标准的基础上,专为提高用户体验感设计了由用户信任及多样性组成的基于用户体验的社交电商推荐模式的总体框架。根据社交电商中用户信任关系的含义和特性,本文构建了基于信任的社交电商推荐模式,主要内容为:采用社会声誉来深度刻画用户关系在推荐系统中的作用,利用社交网络中用户被信任程度来对声誉进行排名,以图神经网络量化整合用户信任与声誉,并将结合后的新矩阵不断校正以获取更准确的用户信任,以此对矩阵分解后得到的新评分模型更新,最终得到更准确度量的预测评分矩阵。综合当前热门的多样性推荐方法并考虑其与社交电商大背景的兼容性,提出了极具特色的社交电商多样化推荐模式,具体包含以下几个方面:充分利用推荐系统中存在的长尾效应,构建多样化的推荐列表;综合项目的评分值与流行度对推荐列表重排序,从商品评分、流行度以及新颖度三个维度进一步优化给予用户的推荐列表;在提高推荐多样性的基础上不失推荐准确度。区别于传统电商的推荐方法,基于社交电商的推荐方法将消费者的信任关系作为重要考量因素,信任关系以及用户的社会声誉的准确度量对此类推荐系统的准确性至关重要,因此仅从相似性或信任角度研究工作存在片面性。针对当前推荐算法较少考虑用户信任度量及社会声誉有失精准的缺陷,本文在对用户信任进行声誉分析后,加入多样性指标对推荐结果完整化,提出一种融合用户加强信任和多样性的个性化推荐算法,阐述了信任和多样性的联系,并使用极限学习机综合用户信任度和多样性得到用户最终得分。该方法在加强了用户偏好要求的同时获得了更稳定的信任度量,对推荐结果的完整性也得到了提升。本文对基于社交电商的信任和多样性推荐研究,不仅有助于满足社交电商中用户的即时个性化需求,提升用户体验感,还有利于提高用户粘性,优化电商服务平台的业务水平,提升企业市场份额,对推动社交电商又快又好发展具有至关重要的参考价值和现实意义。

社交电商平台社会临场感对用户信息共享意愿的影响研究

这是一篇关于社会临场感,社交电商,信息共享意愿,依存型自我建构,用户信任的论文, 主要内容为在我国传统电商发展速度放缓、亟需创新转型之际,社交电商突破传统电商市场得到快速发展。总体来说,社交电商凭借内容与电商融合的形式崛起,但目前电商行业竞争日益剧烈,社交电商要积极探索新的增长点。优质的内容运营是社交电商平台吸引用户的关键。较多社交电商平台开始意识到内容的重要性,将商品转化为内容并在平台中流动,提高用户留存实现用户的购买转化。平台将内容与商品融为一体,从社会临场感视角将线上购物场景化,改变传统电商模式中用户单一接受商品信息的局面,提高用户体验,显著提高了社交电商中用户活跃度和用户粘性。因此对于以用户生成内容为核心的社交电商平台,提高社交电商中的用户信息共享意愿,探究社交电商中社会临场感对用户的信息共享意愿的影响机制至关重要。但目前学者们对社交电商平台中社会临场感和信息共享意愿的研究不多,因此对于社交电商平台中哪些要素构成了社会临场感以及社会临场感如何影响用户心理和行为的影响机理值得探讨。本文探讨了社交电商平台社会临场感对信息共享意愿的影响。第一,对本研究的背景和意义进行了介绍,从社会临场感、用户信任、信息共享意愿三方面梳理了国内外研究现状。第二,界定了本研究涉及的变量概念,并对理论基础进行了论述。第三,基于扎根理论探索了社交电商平台社会临场感的维度和构成要素,并在此基础上提出研究假设。最后,以社交电商平台用户为调查对象,检验社交电商平台中社会临场感、用户信任、依存型自我建构和信息共享意愿之间的研究假设。综上所述,本文以社交电商平台为研究对象,首先基于扎根理论通过二手数据的初步探索和深度访谈将社交电商平台的社会临场感分为情境感知、情感反应、积极认知、社交互动;其次构建了以用户信任为中介、依存型自我建构为调节的社会临场感影响信息共享意愿的概念模型,探索了社会临场感对信息共享意愿的作用机理,在此基础上提出了提高社交电商平台社会临场感的管理策略,有效提高社交电商的用户活跃度和用户体验,扩展了社交电商领域信息共享意愿的相关研究,促进社交电商平台提高用户留存、创造良好的社区分享氛围。

融合社会信任和影响力的个性化推荐算法研究

这是一篇关于社会化推荐,用户信任,影响力,矩阵分解,结构洞的论文, 主要内容为21世纪是一个信息过载的时代。每天都有无数新闻、广告、电子邮件等新信息以迅猛的速度产生。为了帮助人们准确、高效地寻找到所需要的信息,推荐系统被越来越多地应用到各种门户网站和电子商务系统中。尽管如此,冷启动问题和数据稀疏仍然影响着推荐系统的性能。随着社交网络平台的普及,社会网络信息被融入到传统的协同过滤推荐算法(Collaborative Filtering,简称CF)中,以缓解评分信息稀疏对推荐性能造成的影响。然而现有社会推荐算法普遍关注于信任关系,却忽略了影响力用户,即那些能够通过网络结构影响其他用户的观点和看法的人群对用户最后的决定也起了很大的作用。同时现有基于信任的推荐算法通常直接利用社交网络的二值信任关系来提高推荐质量,很少考虑用户间信任强度的差异和潜在影响。基于这两个主要问题,本文就进一步增强推荐算法性能的目标进行了以下的研究:(1)为了解决信任数据稀疏和二值信任关系等问题,提出了一个融合用户交互信息和偏好度的新型的信任度量模型,挖掘社交网络用户间存在的隐含信任关系,构建社会信任网络;(2)提出一种基于结构洞的影响力关键节点识别算法。该算法利用复杂网络中节点的自身属性及邻域节点的拓扑结构计算节点的重要性,挖掘社会网络中的影响力用户(关键节点)。(3)针对Top-N推荐场景,综合考虑用户信任和影响力对推荐效果的影响,提出了一个基于用户和项目相似性、信任和社会影响力相结合的Top-N推荐模型 FSTID(Factored Similarity model with Trust and Influence based on Deep learning)。此外针对传统协同过滤算法随机初始化用户及项目特征向量的不足之处,FSTID采用自动编码器对用户行为进行无监督地初始特征优化,提高推荐性能。最后在FilmTrust,Epinions和Ciao三个标准数据集上进行对比验证,实验结果证明了FSTID的高效性。(4)针对评分预测场景,在奇异值分解模型(Singular Value Decomposition,简称SVD)的基础上提出一种融合社会信任和影响力的个性化推荐算法ITSVD(Influence and Trust based on SVD)。在考虑信任用户对目标用户进行评分预测时的显式和隐式影响时,进一步融合高影响力用户对目标用户的影响。在两个真实世界的教育数据集上进行的实验证明ITSVD有效提高了评分预测的准确度。

社会化电商用户的社交网络结构对购买意愿的影响研究

这是一篇关于社会化电子商务,社交网络结构,购买意愿,用户信任的论文, 主要内容为随着互联网技术的成熟和应用的发展,网络社交已经渗透到人们生活的方方面面,并由此催生了社会化电子商务平台,即将网络社交功能与电子商务功能融合在一起的一种电子商务模式。社会化电子商务平台简称社交电商,它的出现是对传统网络购物方式的创新,也革新了人们的消费方式,改善了消费体验。在淘宝微淘、小红书、大众点评等社会化电子商务平台中,用户在购物过程中可以快捷、广泛、精准地进行信息获取、信息交流、交友、娱乐等社交活动,接受他人信息的影响,并影响他人。依靠社会化电子商务平台庞大的用户群和信息交流,用户之间建立起了复杂的社交网络,彼此之间的信息流动便以社交网络结构为依托进行,社交电商用户的社交网络结构对信息的发布、接受、传播起着重要作用,也极大地影响着购买意愿。因此,研究社会化电子商务平台用户的社交网络结构对购买意愿的影响具有重要意义。本文以社会化电子商务平台为背景,在广泛梳理社会化电商、社交网络分析和网络购买意愿的基础之上,以社交网络结构为自变量,将购买意愿作为因变量,将用户对信任的感知作为研究的中介变量,以实证分析方法研究网络规模、网络密度、网络中心性、网络凝聚子群等社交网络结构特征对消费者购买意愿的影响。除此之外,本文基于社交网络分析方法,以大众点评社区为例,运用Gephi工具对其用户社交网络结构进行可视化分析,以呈现该社交电商平台的用户社交网络结构特征,通过该结构特征可以对研究模型有更为深入的理解,从而为实证分析部分奠定基础。本文研究数据的获取通过在网络上发放调查问卷来完成,然后运用SPSS和AMOS软件对调查到的数据进行分析并对模型进行路径拟合,得到以下几点结论:网络规模、网络密度、网络中心度与购买意愿之间存在正相关关系;网络凝聚子群对购买意愿不构成显著影响;用户信任正向影响购买意愿,并且在社交网络结构与购买意愿之间发挥着中介作用,其中在网络规模、网络密度、网络中心度与购买意愿之间发挥着部分中介的作用,在网络凝聚子群与购买意愿之间发挥着完全中介的作用。本研究通过分析社交网络结构与购买意愿的内在关系,既丰富了社交网络结构理论在营销学领域的研究成果,又对社交电商平台及商家提高用户购买意愿、提升营销效果具有一定的实践意义。

基于Hadoop的协同过滤推荐算法的研究与实现

这是一篇关于推荐系统,协同过滤,时间感知,用户信任,Hadoop的论文, 主要内容为随着web2.0时代的迅速崛起和智能硬件的普及,网络用户在互联网生活中发挥着越来越重要的作用。用户不再是被动的接受信息,而是更加主动的创造信息。与此同时,网络用户正面临着严重的“信息过载”问题。为了利用相关数据挖掘技术有效解决这个问题,本文以协同过滤推荐系统为代表的信息过滤技术进行算法研究和实现。本文的主要工作和创新如下:(1)随着社会网络的出现和普及,用户信任度是社会网络中的重要信息。针对当前基于信任感知的推荐系统中没有考虑用户在不同兴趣领域有不同的行为偏好。因此本文提出一种考虑用户间特定域的信任关系,并且结合推荐项目特征属性的社会化推荐算法。该算法在Epinions数据集上取得了较好的效果,尤其是在推荐精度与评分误差上达到了更佳的推荐性能。(2)由于项目在推荐系统中具有周期性和时效性,即项目从添加、更新到淘汰反映用户偏好的变化,这也是从项目角度观察到的时间属性。针对基于时间感知的推荐系统难以解决新加入系统的优质项目或关注度很小的项目无法被推荐的问题。本文提出一种结合项目近期流行度和用户信任的协同过滤算法,该算法在Movielens数据集上的实验结果表明,在推荐的多样性和推荐准确度上取得了显著的优势,在一定程度上缓解了系统的冷启动问题。(3)针对单机模式下推荐系统难以解决系统的扩展性问题。本文提出利用Hadoop开源分布式框架将协同过滤算法进行分布式处理,在MapReduce编程模型下,利用集群优势来解决系统的可扩展性问题和并行处理大规模数据的能力。通过实验分析可知,Hadoop分布式平台在处理大规模数据有着明显的优势,不仅提高系统的推荐效率,而且解决了系统的可扩展性问题。

社交电商中基于用户信任关系的多样性推荐研究

这是一篇关于社交电商,推荐系统,用户信任,社会声誉,多样性的论文, 主要内容为随着科技的不断更新迭代,移动互联网技术、通讯技术、大数据技术逐渐成熟,社交网络的快速发展,社交关系逐渐显化。因社交电商(Social Commerce,SC)移动性、即时性和便利性的特点,特别是对用户个性化的考虑,使其成为了电子商务后的主要发展产物。个性化推荐系统对加强用户忠诚度、提高用户购物需求和提升企业核心竞争力有显著效果。然而,由于网络中的信息量呈爆发式增长,社交电商购物平台常因“信息过载”问题而无法给用户提供一个优质的推荐结果,以至于用户体验感下降。因此,从用户社交网络的维度出发,分析社交电商中用户消费过程中受社交关系的影响,以此构建合理的社交电商推荐模式,对增强用户粘性、提升用户持续购物新鲜感以及提高企业市场份额具有不可忽略的理论和现实意义。本文参考社交网络、产品推荐以及社交电商的最新文献,论述了社交电商环境下信任与声誉的区别与联系。在根据社交电商中信任和声誉对用户购买行为的影响深入分析的基础上,提出用户与社交电商推荐模式关系模型,并揭示用户社交关系对社交电商推荐模式准确性的作用机理和影响程度。综合上述研究,在考虑用户购买行为的心路历程及其体验评估标准的基础上,专为提高用户体验感设计了由用户信任及多样性组成的基于用户体验的社交电商推荐模式的总体框架。根据社交电商中用户信任关系的含义和特性,本文构建了基于信任的社交电商推荐模式,主要内容为:采用社会声誉来深度刻画用户关系在推荐系统中的作用,利用社交网络中用户被信任程度来对声誉进行排名,以图神经网络量化整合用户信任与声誉,并将结合后的新矩阵不断校正以获取更准确的用户信任,以此对矩阵分解后得到的新评分模型更新,最终得到更准确度量的预测评分矩阵。综合当前热门的多样性推荐方法并考虑其与社交电商大背景的兼容性,提出了极具特色的社交电商多样化推荐模式,具体包含以下几个方面:充分利用推荐系统中存在的长尾效应,构建多样化的推荐列表;综合项目的评分值与流行度对推荐列表重排序,从商品评分、流行度以及新颖度三个维度进一步优化给予用户的推荐列表;在提高推荐多样性的基础上不失推荐准确度。区别于传统电商的推荐方法,基于社交电商的推荐方法将消费者的信任关系作为重要考量因素,信任关系以及用户的社会声誉的准确度量对此类推荐系统的准确性至关重要,因此仅从相似性或信任角度研究工作存在片面性。针对当前推荐算法较少考虑用户信任度量及社会声誉有失精准的缺陷,本文在对用户信任进行声誉分析后,加入多样性指标对推荐结果完整化,提出一种融合用户加强信任和多样性的个性化推荐算法,阐述了信任和多样性的联系,并使用极限学习机综合用户信任度和多样性得到用户最终得分。该方法在加强了用户偏好要求的同时获得了更稳定的信任度量,对推荐结果的完整性也得到了提升。本文对基于社交电商的信任和多样性推荐研究,不仅有助于满足社交电商中用户的即时个性化需求,提升用户体验感,还有利于提高用户粘性,优化电商服务平台的业务水平,提升企业市场份额,对推动社交电商又快又好发展具有至关重要的参考价值和现实意义。