FolkRank标签推荐算法研究与优化

这是一篇关于社会化标签,标签推荐系统,FolkRank,初始权重,Top-N列表的论文, 主要内容为近几年,互联网进入迅猛发展的阶段,与此同时,各式各样的网站也得到了快速发展,标签系统慢慢的成为Web2.0时代海内外研究学者十分感兴趣的热点方向。标签可以帮助广大用户群体对物品进行分类以及注释,越来越多的用户使用标签进行对物品进行标注。一方面,标签可以表示用户的兴趣爱好;另一方面,标签也代表了物品的描述信息,一个优秀的标签系统往往可以在用户给物品打标签的时候给出令用户满意的标签推荐列表,以提高用户打标签的质量,标签推荐算法由此产生。常用的标签推荐算法通常包括基于协同过滤的推荐算法、基于内容的推荐算法以及基于图的推荐算法。基于图的FolkRank标签推荐算法因其能够有效的利用用户、物品以及标签之间的关系,所以FolkRank能够达到更优的标签推荐性能。但是,FolkRank算法没有考虑用户-用户、物品-物品、标签-标签之间的内部关系;此外,FolkRank标签推荐算法及其他Top-N标签推荐算法的推荐列表长度常为固定值,这将导致推荐精度的下降,用户体验感差。针对以上提出的两个问题,本文的创新点总结如下:1、针对FolkRank标签推荐算法并没有充分利用图中用户-用户、物品-物品之间内在联系的问题,本文提出了一种改进的FolkRank标签推荐算法,该算法能够更充分的考虑标签系统当中用户-用户、物品-物品之间的内在关系。以上工作主要从两个方面完成:(1)根据属性信息寻找目标物品的近邻物品,根据用户给物品打标签的历史行为信息进一步获取目标用户的近邻用户集合。(2)在三部图中,计算每个物品节点的加权度,以此作为评价物品重要性的指标,根据物品节点的重要性对目的物品的近邻物品给予初始权重;根据用户标记物品的行为为近邻用户分配初始权重。2、针对FolkRank标签推荐算法推荐列表长度常为固定值,进而导致推荐精度下降的问题,本文提出了一种优化标签推荐算法Top-N推荐列表长度的算法。以上工作主要从两个方面完成:(1)首先将大于Top-1标签分数的1/2的标签加入候选推荐列表,通过定义成对标签置信度指标,计算候选列表中的标签与Top-1标签的相关性,并按照相关性的大小顺序,完成推荐列表的重排序。(2)对重排序后的标签推荐列表,通过计算每个子列表的相关性系数,相关性系数最高的子列表即为最佳推荐列表长度。本文在多个真实数据集进行了多次对比实验,并与FolkRank等常用的标签推荐算法进行了比较。结果表明,本文提出的以上两种方法均具有较好的推荐性能。

基于社会化标签的协同过滤个性化推荐策略的研究与实现

这是一篇关于协同过滤,推荐系统,社会化标签,冷启动问题,用户兴趣模型的论文, 主要内容为随着互联网的高速发展与普及,越来越多的内容被用户创造,互联网上的信息呈爆发式增长,人类从信息匮乏时代进入到信息过载时代,如何在信息的海洋中快速地获取有效的信息就成了一个值得研究和解决的问题。这是企业界和学术界一直关注的问题,目前解决这个问题比较成熟的有两种技术,即搜索技术和推荐技术,而后者就是本文的研究重点。个性化推荐技术中比较成熟而且应用最广泛的是基于协同过滤(Collaborative Filtering)思想的推荐技术。协同过滤基于这样一种思想,即兴趣偏好相同或相近的用户对同一类型或相似的资源的偏好程度相同或相近。基于协同过滤思想的推荐技术是对群体智慧的一种技术应用。社会化标签(Social Tagging)是随着以用户创造内容为主的Web 2.0时代被应用广泛的一种资源标记技术。标签系统具有简单易用、灵活丰富等特性,不仅可以准确地描述资源特征,还可以真实地表现出用户的兴趣偏好。本文所做工作：首先,调研分析了个性化推荐技术的研究现状与应用趋势,重点针对两种经典的协同过滤算法,即基于用户的协同过滤算法与基于项目的协同过滤算法,进行了研究与分析并指出了算法存在的冷启动问题、用户兴趣模型单一性问题等一系列问题：其次,基于算法存在的问题结合推荐技术在社会化电商上的实际应用,提出了基于社会化标签的协同过滤推荐算法,该算法通过将社会化标签信息融入到基本的协同过滤算法中,实现对用户兴趣偏好更深入地挖掘,从而根据用户的兴趣点产生个性化项目推荐；再次,基于提出的算法实现了基于社会化标签的个性化推荐系统设计,改善了冷启动问题与兴趣模型单一问题；最后,进行了在现实数据集MovieLens数据集上基于社会化标签的协同过滤推荐算法的实验,对实验结果对比分析的出基于社会化标签的协同过滤推荐算法推荐效果明显优于传统协同过滤推荐算法的实验结论。

基于社会化标签的图书馆书目推荐研究

这是一篇关于社会化标签,主题模型,图书馆,书目推荐的论文, 主要内容为在网络技术异常发达的今天,推荐系统在各种电商网站和社交媒体中的应用已经非常普遍,推荐技术是通过对资源进行相似度计算或者对用户特征进行分析挖掘,在此基础上帮助用户尽快找到自己关注的资源。图书推荐则是图书馆满足读者需求的一个重要手段,用来提高图书馆的资源检索效率,提升用户体验,提高图书资源的利用率。随着Web 2.0的出现,各种社交网站层出不穷,网络用户生成的信息量爆炸性增长,社会化标签网站作为一种新型资源组织网站和社交平台,发展亦是非常迅速,而标签作为一种特殊的“关键字”,已经成为社会化标签网站中在概念上组织和概括信息的优选媒介,它可以帮助用户标记和搜索内容。社会化标签有助于图书馆以更有效的方式组织或宣传其馆藏资源,并且可以为用户的个性化推荐提供一个很好的数据源。所以本文将社会化标签作为研究起点,探讨了将社会化标签作为图书特征项的有效性,将图书标签引入图书馆的书目推荐之中,重点做了以下几项工作:第一,对社会化标签及标签系统的产生和特征进行了概述总结,对个性化推荐相关理论和技术进行了梳理,之后重点对国内典型的标签系统网站——豆瓣网上的图书被打的社会化标签数据进行采集及分析,研究了标签的频数分布特征、内容分布特征,然后将图书标签和高校图书馆的书目记录进行了深入的对比分析,说明了图书标签可以较好地揭示图书的内容主题特征。第二,通过对采集的标签数据集进行一系列预处理之后,运用主题模型算法对图书标签集进行隐含主题的挖掘。在标签主题的挖掘过程中,在LDA主题模型的基础上,运用词对主题模型进行创新,采用吉布斯采样算法对参数进行估计,分别生成标签集的主题-标签模型,通过对两种主题模型得到的结果进行对比分析,说明了词对主题模型对标签隐性主题进行挖掘的可行性及有效性。第三,在对标签进行主题建模的基础之上,提出了一种基于标签主题特征扩展的图书馆书目推荐方法,首先运用词对主题模型对标签进行主题建模来挖掘其隐性主题特征,之后将标签-主题模型中最能揭示图书主题特征的标签作为图书的隐性特征项,对图书馆书目原有的特征项进行扩充,然后通过相似度计算得到图书与图书之间的相似性,按照相似度的高低排序来实现推荐。最后通过实验验证将图书的社会化标签作为书目特征项在扩充前和扩充后的图书推荐效果,证明其有效性。

基于在线评分和社会化标签的协同过滤推荐方法研究

这是一篇关于社会化标签,隐式信任网络,帕累托占优,协同过滤推荐方法的论文, 主要内容为社会经济及电子商务的快速发展,为消费者带来了很多的便利的同时,也带来了“信息过载”的问题。协同过滤由于具有:对用户干扰较小、易于实现等优势,是推荐系统中最先进的方法之一,但仍存在数据稀疏、可扩展性以及冷启动问题。考虑到现实生活中,人们更倾向于接受信任的好友推荐的物品,结合信任关系信息,能进一步提高用户接受度。但显式信任信息出于隐私较难获取,且由于中用户较多,数据十分稀疏。因此,如何基于在线评分和社会化标签帮助用户进行产品推荐是一个值得关注并且具有现实意义的研究课题。基于此,本文对基于在线评分和社会化标签的协同过滤推荐方法进行了以下几个方面的研究工作:(1)给出基于在线评分和社会化标签的协同过滤推荐方法的研究框架。具体地,给出了基于在线评分和社会化标签的协同过滤推荐问题的描述和研究框架。(2)提出基于在线评分和社会化标签的隐式信任网络的构建方法。本文首先从三个维度计算用户相似度;然后计算基于社会化标签的用户相似度;最后计算基于在线评分和社会化标签的综合相似度,并构建隐式信任网络。(3)提出基于隐式信任网络和帕累托占优的协同过滤推荐方法。本文首先计算初始预测评分的置信度;然后基于帕累托占优寻找可代表性邻居用户集合;最后基于时间衰减的计算最终预测评分。(4)给出基于MovieLens网站的电影推荐的应用研究。将本文的研究成果应用到基于基于MovieLens网站的电影推荐问题中,以此说明了本文提出方法的可行性以及适用性。本文提出的基于在线评分和社会化标签的协同过滤推荐方法可以用于解决现实中信息过载导致的消费者无法快速而准确的进行购买决策制定的问题,为基于隐式信任网络的推荐方法相关研究奠定了 一定的基础。

基于深度学习的标签感知推荐算法研究

这是一篇关于推荐算法,深度学习,社会化标签,注意力机制,图卷积神经网络的论文, 主要内容为随着互联网的高速发展,各种信息资源呈现井喷趋势,仅仅依靠搜索引擎已经难以为用户提供优质的信息服务。为了缓解信息过载问题,各大公司纷纷构建推荐系统,为用户提供精准的个性化推荐服务。在一些网站上,用户可以随意为喜欢的物品打上社会化标签,这些标签不仅可以反映用户的偏好和态度,也折射出物品的内在属性。因此,标签感知推荐系统将这些协同行为产生的社会化标签作为一种内容信息,为用户提供个性化的物品推荐。为了解决标签所带来的稀疏性、多词同义和一词多义问题,一些基于深度学习的标签感知推荐模型被提出,大大提升了推荐性能。然而,这些模型也存在一些不足亟需改进:对用户偏好的建模仅利用显式的标注行为或者隐式的历史交互物品,难以全面刻画用户的偏好;物品的多维性使得不同用户选择同一物品的深层原因不尽相同;仅依靠全连接层难以缓解多词同义和一词多义问题。为了更好地利用社会化标签提升推荐性能,本文针对现有研究存在的不足进行了深入研究,提出了两个新型的标签感知推荐模型,分别通过注意力机制和图神经网络来捕获全方位的用户偏好;此外还利用标签交集来探索用户—物品交互的深层原因。本文的主要研究成果包括:(1)对社会化标签的优缺点进行深入分析,挖掘现有研究存在的不足,充分利用深度学习模型在提取隐式表达和建模特征交互上的优势,并结合注意力机制和图神经网络等前沿技术,设计出推荐效果更优的标签感知推荐模型。(2)提出基于标签的注意力交集模型AIRec,利用多层感知机将稀疏的标签向量投射到隐式空间中,利用两层的注意力网络来学习用户混合表达,综合考虑显式的标注行为和隐式的交互物品,创新性地提出利用标签交集来增强对用户—物品共有特征的学习,并通过因子分解机捕获二阶交互信号实现评分预测。(3)提出基于标签的图卷积模型TGCN,利用图卷积神经网络来捕获节点的高阶连接性,在多跳邻居信息聚合的过程中兼顾用户的标注行为和交互物品。提出Trans Tag方法作为嵌入层,利用多个“通道”来隔离不同类型的邻居,设计了通道内的加权注意力机制来甄别邻居重要性,并通过多通道的卷积神经网络来提取跨通道特征从而更新节点表达。(4)在两个公开数据集上,与现有标签感知推荐模型相比,本文提出的模型在多个评估指标上取得更优的top-n推荐效果。此外,还设计了一个原型系统,利用用户的标注记录来实现个性化物品推荐,从而验证了本文模型具有良好的推荐效果。本文首先介绍标签感知推荐系统的背景和研究意义,分析当前研究的现状和不足,接着对标签感知推荐系统进行简要综述,提出本文的技术路线。在此基础上,提出了注意力交集模型AIRec和图卷积模型TGCN,并对模型的具体结构和训练细节展开叙述。在两个公开数据集上进行了详细的实验评估,设计并实现了一个原型系统,最后对未来的研究工作进行展望。

基于深度学习的标签感知推荐算法研究

这是一篇关于推荐算法,深度学习,社会化标签,注意力机制,图卷积神经网络的论文, 主要内容为随着互联网的高速发展,各种信息资源呈现井喷趋势,仅仅依靠搜索引擎已经难以为用户提供优质的信息服务。为了缓解信息过载问题,各大公司纷纷构建推荐系统,为用户提供精准的个性化推荐服务。在一些网站上,用户可以随意为喜欢的物品打上社会化标签,这些标签不仅可以反映用户的偏好和态度,也折射出物品的内在属性。因此,标签感知推荐系统将这些协同行为产生的社会化标签作为一种内容信息,为用户提供个性化的物品推荐。为了解决标签所带来的稀疏性、多词同义和一词多义问题,一些基于深度学习的标签感知推荐模型被提出,大大提升了推荐性能。然而,这些模型也存在一些不足亟需改进:对用户偏好的建模仅利用显式的标注行为或者隐式的历史交互物品,难以全面刻画用户的偏好;物品的多维性使得不同用户选择同一物品的深层原因不尽相同;仅依靠全连接层难以缓解多词同义和一词多义问题。为了更好地利用社会化标签提升推荐性能,本文针对现有研究存在的不足进行了深入研究,提出了两个新型的标签感知推荐模型,分别通过注意力机制和图神经网络来捕获全方位的用户偏好;此外还利用标签交集来探索用户—物品交互的深层原因。本文的主要研究成果包括:(1)对社会化标签的优缺点进行深入分析,挖掘现有研究存在的不足,充分利用深度学习模型在提取隐式表达和建模特征交互上的优势,并结合注意力机制和图神经网络等前沿技术,设计出推荐效果更优的标签感知推荐模型。(2)提出基于标签的注意力交集模型AIRec,利用多层感知机将稀疏的标签向量投射到隐式空间中,利用两层的注意力网络来学习用户混合表达,综合考虑显式的标注行为和隐式的交互物品,创新性地提出利用标签交集来增强对用户—物品共有特征的学习,并通过因子分解机捕获二阶交互信号实现评分预测。(3)提出基于标签的图卷积模型TGCN,利用图卷积神经网络来捕获节点的高阶连接性,在多跳邻居信息聚合的过程中兼顾用户的标注行为和交互物品。提出Trans Tag方法作为嵌入层,利用多个“通道”来隔离不同类型的邻居,设计了通道内的加权注意力机制来甄别邻居重要性,并通过多通道的卷积神经网络来提取跨通道特征从而更新节点表达。(4)在两个公开数据集上,与现有标签感知推荐模型相比,本文提出的模型在多个评估指标上取得更优的top-n推荐效果。此外,还设计了一个原型系统,利用用户的标注记录来实现个性化物品推荐,从而验证了本文模型具有良好的推荐效果。本文首先介绍标签感知推荐系统的背景和研究意义,分析当前研究的现状和不足,接着对标签感知推荐系统进行简要综述,提出本文的技术路线。在此基础上,提出了注意力交集模型AIRec和图卷积模型TGCN,并对模型的具体结构和训练细节展开叙述。在两个公开数据集上进行了详细的实验评估,设计并实现了一个原型系统,最后对未来的研究工作进行展望。

融合社会化标签信息的个性化推荐方法研究

这是一篇关于个性化推荐,社会化标签,贝叶斯个性化排序,doc2vec的论文, 主要内容为作为解决信息过载问题的有效工具,推荐系统已经成为电子商务网站和社交网络平台的基本组成部分。根据推荐系统依赖的数据类型,可将个性化推荐算法分为基于显式评分数据的推荐算法和基于隐式反馈数据的推荐算法,其中隐式反馈数据存在更为广泛,获取成本更低,利用隐式反馈数据进行推荐研究可以有效缓解用户隐私性负担的问题,能反映用户实际行为偏好。但隐式反馈数据中只包含用户的正向行为偏好,面临着负样本缺乏问题。社会化标签信息既能反映用户偏好也能体现产品特征,能在用户和其未交互产品之间的构建联系,因此在隐式反馈数据中引入社会化标签信息能够细分用户反馈集合,识别出产品中的负样本,对提高个性化推荐算法的精度具有重要意义。本文首先利用doc2vec技术实现用户-标签集合和产品-标签集合的向量表达,并通过向量的余弦相似度关系找出与目标用户在标签语义层面最相近的潜在偏好产品。其次,根据用户的交互记录和用户的潜在偏好为每个用户找出其所对应正反馈集合、基于标签的潜在兴趣反馈集合、负反馈集合,并据此构建出两组用户的偏好关系假设。最后,根据两对偏序关系假设提出了一种融合社会化标签信息的贝叶斯个性化排序推荐算法tag-BPR。在真实的社会化标签数据集上的实验表明,基于社会化标签信息的贝叶斯个性化排序算法tag-BPR的性能与经典协同过滤算法相比有着较大提升,尤其在冷启动场景和数据稀疏场景下提升效果更加明显。

FolkRank标签推荐算法研究与优化

这是一篇关于社会化标签,标签推荐系统,FolkRank,初始权重,Top-N列表的论文, 主要内容为近几年,互联网进入迅猛发展的阶段,与此同时,各式各样的网站也得到了快速发展,标签系统慢慢的成为Web2.0时代海内外研究学者十分感兴趣的热点方向。标签可以帮助广大用户群体对物品进行分类以及注释,越来越多的用户使用标签进行对物品进行标注。一方面,标签可以表示用户的兴趣爱好;另一方面,标签也代表了物品的描述信息,一个优秀的标签系统往往可以在用户给物品打标签的时候给出令用户满意的标签推荐列表,以提高用户打标签的质量,标签推荐算法由此产生。常用的标签推荐算法通常包括基于协同过滤的推荐算法、基于内容的推荐算法以及基于图的推荐算法。基于图的FolkRank标签推荐算法因其能够有效的利用用户、物品以及标签之间的关系,所以FolkRank能够达到更优的标签推荐性能。但是,FolkRank算法没有考虑用户-用户、物品-物品、标签-标签之间的内部关系;此外,FolkRank标签推荐算法及其他Top-N标签推荐算法的推荐列表长度常为固定值,这将导致推荐精度的下降,用户体验感差。针对以上提出的两个问题,本文的创新点总结如下:1、针对FolkRank标签推荐算法并没有充分利用图中用户-用户、物品-物品之间内在联系的问题,本文提出了一种改进的FolkRank标签推荐算法,该算法能够更充分的考虑标签系统当中用户-用户、物品-物品之间的内在关系。以上工作主要从两个方面完成:(1)根据属性信息寻找目标物品的近邻物品,根据用户给物品打标签的历史行为信息进一步获取目标用户的近邻用户集合。(2)在三部图中,计算每个物品节点的加权度,以此作为评价物品重要性的指标,根据物品节点的重要性对目的物品的近邻物品给予初始权重;根据用户标记物品的行为为近邻用户分配初始权重。2、针对FolkRank标签推荐算法推荐列表长度常为固定值,进而导致推荐精度下降的问题,本文提出了一种优化标签推荐算法Top-N推荐列表长度的算法。以上工作主要从两个方面完成:(1)首先将大于Top-1标签分数的1/2的标签加入候选推荐列表,通过定义成对标签置信度指标,计算候选列表中的标签与Top-1标签的相关性,并按照相关性的大小顺序,完成推荐列表的重排序。(2)对重排序后的标签推荐列表,通过计算每个子列表的相关性系数,相关性系数最高的子列表即为最佳推荐列表长度。本文在多个真实数据集进行了多次对比实验,并与FolkRank等常用的标签推荐算法进行了比较。结果表明,本文提出的以上两种方法均具有较好的推荐性能。

基于在线评分和社会化标签的协同过滤推荐方法研究

这是一篇关于社会化标签,隐式信任网络,帕累托占优,协同过滤推荐方法的论文, 主要内容为社会经济及电子商务的快速发展,为消费者带来了很多的便利的同时,也带来了“信息过载”的问题。协同过滤由于具有:对用户干扰较小、易于实现等优势,是推荐系统中最先进的方法之一,但仍存在数据稀疏、可扩展性以及冷启动问题。考虑到现实生活中,人们更倾向于接受信任的好友推荐的物品,结合信任关系信息,能进一步提高用户接受度。但显式信任信息出于隐私较难获取,且由于中用户较多,数据十分稀疏。因此,如何基于在线评分和社会化标签帮助用户进行产品推荐是一个值得关注并且具有现实意义的研究课题。基于此,本文对基于在线评分和社会化标签的协同过滤推荐方法进行了以下几个方面的研究工作:(1)给出基于在线评分和社会化标签的协同过滤推荐方法的研究框架。具体地,给出了基于在线评分和社会化标签的协同过滤推荐问题的描述和研究框架。(2)提出基于在线评分和社会化标签的隐式信任网络的构建方法。本文首先从三个维度计算用户相似度;然后计算基于社会化标签的用户相似度;最后计算基于在线评分和社会化标签的综合相似度,并构建隐式信任网络。(3)提出基于隐式信任网络和帕累托占优的协同过滤推荐方法。本文首先计算初始预测评分的置信度;然后基于帕累托占优寻找可代表性邻居用户集合;最后基于时间衰减的计算最终预测评分。(4)给出基于MovieLens网站的电影推荐的应用研究。将本文的研究成果应用到基于基于MovieLens网站的电影推荐问题中,以此说明了本文提出方法的可行性以及适用性。本文提出的基于在线评分和社会化标签的协同过滤推荐方法可以用于解决现实中信息过载导致的消费者无法快速而准确的进行购买决策制定的问题,为基于隐式信任网络的推荐方法相关研究奠定了 一定的基础。

基于社会化标签的图书馆书目推荐研究

这是一篇关于社会化标签,主题模型,图书馆,书目推荐的论文, 主要内容为在网络技术异常发达的今天,推荐系统在各种电商网站和社交媒体中的应用已经非常普遍,推荐技术是通过对资源进行相似度计算或者对用户特征进行分析挖掘,在此基础上帮助用户尽快找到自己关注的资源。图书推荐则是图书馆满足读者需求的一个重要手段,用来提高图书馆的资源检索效率,提升用户体验,提高图书资源的利用率。随着Web 2.0的出现,各种社交网站层出不穷,网络用户生成的信息量爆炸性增长,社会化标签网站作为一种新型资源组织网站和社交平台,发展亦是非常迅速,而标签作为一种特殊的“关键字”,已经成为社会化标签网站中在概念上组织和概括信息的优选媒介,它可以帮助用户标记和搜索内容。社会化标签有助于图书馆以更有效的方式组织或宣传其馆藏资源,并且可以为用户的个性化推荐提供一个很好的数据源。所以本文将社会化标签作为研究起点,探讨了将社会化标签作为图书特征项的有效性,将图书标签引入图书馆的书目推荐之中,重点做了以下几项工作:第一,对社会化标签及标签系统的产生和特征进行了概述总结,对个性化推荐相关理论和技术进行了梳理,之后重点对国内典型的标签系统网站——豆瓣网上的图书被打的社会化标签数据进行采集及分析,研究了标签的频数分布特征、内容分布特征,然后将图书标签和高校图书馆的书目记录进行了深入的对比分析,说明了图书标签可以较好地揭示图书的内容主题特征。第二,通过对采集的标签数据集进行一系列预处理之后,运用主题模型算法对图书标签集进行隐含主题的挖掘。在标签主题的挖掘过程中,在LDA主题模型的基础上,运用词对主题模型进行创新,采用吉布斯采样算法对参数进行估计,分别生成标签集的主题-标签模型,通过对两种主题模型得到的结果进行对比分析,说明了词对主题模型对标签隐性主题进行挖掘的可行性及有效性。第三,在对标签进行主题建模的基础之上,提出了一种基于标签主题特征扩展的图书馆书目推荐方法,首先运用词对主题模型对标签进行主题建模来挖掘其隐性主题特征,之后将标签-主题模型中最能揭示图书主题特征的标签作为图书的隐性特征项,对图书馆书目原有的特征项进行扩充,然后通过相似度计算得到图书与图书之间的相似性,按照相似度的高低排序来实现推荐。最后通过实验验证将图书的社会化标签作为书目特征项在扩充前和扩充后的图书推荐效果,证明其有效性。