社会化推荐旨在融合社会关系改善传统推荐算法的推荐效果。当前基于网络嵌入(NE)的社会化推荐算法面临两个问题:一是在构建网络时未考虑对象间的不一致性,并且倾向于利用获取难度大、约束条件多的积极对象来约束算法;二是这些算法未能依据评分数量消除算法训练中的过拟合。因此,提出一种基于消极相似性的自适应社会化推荐(ASRNS)算法。首先通过一致性分析构建具有正向相关性的同构网络;接着联合加权随机游走与Skip-Gram算法得到嵌入向量;然后计算相似度,并从消极相似性的角度来约束矩阵分解(MF)算法;最后基于自适应机制将评分数量映射到理想评分数量区间,并对算法偏置项施加不同的惩罚。在FilmTrust和CiaoDVD数据集上实验结果表明,与协同用户网络嵌入(CUNE)算法、一致性邻居聚合的推荐(ConsisRec)算法等算法相比,ASRNS的均方根误差(RMSE)分别至少降低了2.60%和5.53%,平均绝对误差(MAE)分别至少降低了1.47%和2.46%。可见,ASRNS不仅可以有效降低评分预测误差,还能显著改善算法训练过程中的过拟合问题,对不同评分数量的对象都具有较好的健壮性。
针对现有审稿人推荐算法主要通过亲和力分数分配审稿人,而忽略了审稿人与论文研究方向匹配的问题,提出一种基于亲和力与研究方向覆盖率的审稿人推荐算法(ARDC)。首先,根据研究方向在待审论文和审稿人论文组中出现的频数,确定论文选择审稿人的次序;然后,综合审稿人和论文间的亲和力得分以及审稿人对论文的研究方向覆盖得分,来计算审稿人对待审论文的综合审阅得分,并依据轮询调度得到论文预分配审稿小组;最后,对预分配审稿小组进行利益冲突检查与消解以实现最终的审稿小组推荐。实验结果表明,与基于松弛迭代的分配算法(FairIR)和同行评审公平分配算法(PR4A)等基于分配的审稿人推荐算法相比,所提算法在牺牲少量亲和力的情况下,将研究方向覆盖得分平均提高了38%,从而确保推荐结果更加准确合理。
针对现有的社会化推荐算法大都忽略了物品间的关联关系对推荐精度的影响,并且未能将用户评分与信任数据进行有效结合的问题,提出一种融合信任隐含相似度与评分相似度的社会化推荐算法(SocialTS)。首先,将用户间的评分相似度与信任隐含相似度进行线性组合以得到用户间可靠的相似朋友;然后,将信任关系融入到项目的相关性分析中,从而得到修正后的相似项目;最后,将相似用户、项目作为正则项添加到矩阵分解(MF)模型下,从而获取用户、项目更准确的特征表示。实验结果表明,当潜在特征维度为10时,与主流的社会化推荐算法TrustSVD相比,SocialTS在FilmTrust和CiaoDVD数据集上的均方根误差(RMSE)分别降低了4.23%和8.38%,平均绝对误差(MAE)分别降低了4.66%和6.88%。SocialTS不仅可以有效改善用户冷启动问题,还能较为准确地预测不同评分数量下用户的实际评分,且具有良好的鲁棒性。
针对传统Web文本聚类算法没有考虑Web文本主题信息导致对多主题Web文本聚类结果准确率不高的问题,提出基于主题的Web文本聚类方法。该方法通过主题提取、特征抽取、文本聚类三个步骤实现对多主题Web文本的聚类。相对于传统的Web文本聚类算法,所提方法充分考虑了Web文本的主题信息。实验结果表明,对多主题Web文本聚类,所提方法的准确率比基于K-means的文本聚类方法和基于《知网》的文本聚类方法要好。
为提高Web资源推荐的准确度,提出基于本体的Web资源个性化推荐算法(BO-RM)。设计Web资源主题抽取算法和相似性度量方法,利用本体语义推理机制实现资源聚类,在推荐过程中通过实时分析用户浏览行为捕获用户个性化偏好的变化,动态实时推荐内容。与基于情境的协同过滤算法(CFR-RM)和基于模型的个性化预测算法(BM-RM)进行对比,结果显示BO-RM的时间开销相对稳定,在平均排序倒数(MRR)和平均准确率(MAP)上均取得了较好的效果。实验结果表明:BO-RM离线完成海量Web资源的分析聚类,有效提高了运行效率,实用性比较强;BO-RM实时捕捉用户兴趣变化,动态更新推荐列表,更加贴近用户的真实需求。