融合偏置的动态专家信任推荐算法

针对协同过滤推荐算法中数据稀疏、冷启动与噪声用户对推荐质量的严重影响,该文将用户-项目评分数据与用户信任关系数据相结合;提出一种融合偏置的动态专家信任推荐算法(BDETA),首先根据用户信任关系数据进行社区划分,获取用户间显式信任值;其次从社区中用户-项目评分数据获取可信度、隐式信任值;通过结合用户间可信度、显式信任值、隐式信任值动态确定专家信任因子,根据用户的推荐能力为每个社区确定专家数据集;最后结合用户不同评分标准进行评分预测。在真实数据集FilmTrust的实验结果中,能够有效地解决协同过滤中冷启动与数据稀疏问题,可更好地满足用户的个性化推荐需求,并且在推荐系统常用评价指标MAE与RMSE中有着不错的表现。     

基于隐式数据和Apriori的协同过滤推荐算法

针对传统协同过滤推荐算法对目标客户进行个性化推荐时,因用户评价数据和物品属性等显式数据稀疏,造成推荐商品的准确率和质量相对较差的问题,本文基于隐式数据和Apriori算法对协同过滤推荐算法做出改进.首先,算法基于隐式数据中用户对商品的行为和用户对商品的评价,建立用户对商品的评分偏好模型,用以构建原始评分数据;其次,利用...     

结合关联规则填充的协同过滤改进算法

为了改善传统个性化推荐中协同过滤算法存在的诸如用户和项目评分矩阵稀疏、推荐准确度不高、冷启动等问题,提出一种结合关联规则填充对协同过滤推荐算法进行改进的方法。这种算法是在协同过滤算法的第一步前加入通过关联规则得到的结果,预测一些没有评分值的项目,将新得到的数据填充到原用户-项目评分矩阵中,降低评分矩阵的稀疏性,从而提供更多数据的相似性计算,在此基础上再结合基于传统项目的协同过滤算法对用户进行推荐。通过MovieLens数据集进行实验对比,结果显示文中提出的算法与传统算法相比,推荐系统的准确性和有效性显著提高。     

基于评分区间相似性的协同过滤推荐算法

研究协同过滤推荐系统处理大规模稀疏评价数据的精度问题,针对目前余弦相似性处理极稀疏的用户评价矩阵不能获取满意推荐质量,且处理大规模推荐数据时存在性能缺陷的情况,提出基于评分区间相似性的协同过滤推荐算法.将用户评价的数值范围进行定性划分,以项目在各评价区间上的得分建模项目质量,以用户在各评价区间内的评分建模用户评分取向.使用余弦相似性度量方法衡量用户和项目间的相似程度,进而确定最近邻居.此方法的实现过程降低了稀疏性对最近邻发现的影响,且算法具有快速处理大规模评价数据的能力.使用标准的MovieLens数据集,测试提出的推荐算法,实验结果表明,本算法相比传统的最近邻推荐算法具有更好的推荐精度.     

综合项目评分和属性的个性化推荐算法

针对传统协同过滤算法存在的数据稀疏性和冷启动问题,提出了一种综合项目评分和属性的个性化推荐算法.该算法在衡量项目相似性时,同时考虑用户评分和项目属性特征,并根据评分数据的实际稀疏情况动态调整两者的影响权重;预测评分时,利用用户对项目属性的偏好度来衡量其对未评分邻居项的喜好程度,并产生最终推荐.基于MovieLens数据集进行的实验结果表明,该算法使得最近邻的确定更加准确,系统推荐质量明显改善.     

基于项目属性和BP神经网络的协同过滤推荐

针对协同过滤推荐中存在的数据稀疏性问题,文中提出了一种基于项目特征属性和BP神经网络相结合的协同过滤推荐算法,并通过Movielens数据集验证了该模型的有效性。此方法首先将用户评分数据映射为用户对项目特征属性的偏好,然后使用BP神经网络训练得到目标用户的特征属性偏好模型并对新项目的评分进行预测,从而降低用户项目评分矩阵的数据稀疏性,最后使用协同过滤推荐算法,形成最近邻并生成推荐建议。     

一种融合云模型和信任的推荐算法

针对传统的协同过滤推荐系统推荐精度低的问题,从用户相似度和用户信任度两个角度出发,提出了一种融合云模型和信任的推荐算法。采用云模型的相似度方法计算用户间的相似度,再采用信任推导来计算用户间的信任值,在此基础之上根据用户相似度和信任度两个因素分别确定邻居用户,得到预测评分。再将二者的预测评分结合的混合值作为最终的预测评分,从而产生推荐。实验结果表明,该算法与基于信任关系的推荐算法相比有更好的推荐效果。     

基于多社交数据源的协同推荐方法研究

协同过滤推荐作为一种有效的推荐方法,普遍存在数据稀疏性和冷启动问题,利用社交网络的多项数据源对协同推荐方法进行了改进.为了克服评分矩阵的稀疏性问题,提出结合用户评分相似度和用户信任度选择推荐邻居,同时对用户相似度计算进行了改进;提出了一种简单有效的信任推理方法,能够识别出用户间隐含的间接信任关系,进一步缓解了数据稀疏性问题;为了解决推荐系统的冷启动问题,提出综合利用项目的类型属性信息和领域专家信息进行联合推荐.实验结果表明,提出的改进策略非常有效,在精度和召回率方面都较已有方法具有明显改善.     

基于邻近项目的Slope One协同过滤算法

协同过滤是个性化推荐系统中的常用技术,数据稀疏性是影响协同过滤算法预测准确度的主要因素。提出了改进的Slope One算法,在该算法中,首先根据用户历史评分计算项目间相似性,然后依据项目相似性选取当前活跃用户评价过的k个相似项目记为邻近项目集合,并计算目标项目与其邻近项目的评分偏差,最后以项目间相似性为权重,计算当前活跃用户对目标项目的评分预测值。该算法使用邻近项目进行计算,降低数据的稀疏性,同时减少了计算量。使用标准MovieLens数据集对该算法的预测结果进行验证,结果表明：相对于原算法,该算法提高了预测的准确性,与其他协同过滤算法相比,推荐准确度也有明显的提高。     

基于协同过滤算法的英语资源库信息推荐模型

针对大数据量下的英语资源库信息推荐模型中数据稀疏性较大的问题，提出一种基于协同过滤算法的英语资源库信息推荐模型。对历史监测的数据进行深度挖掘，将原始数据通过整合完善转化为资源数据集。通过协同过滤算法和资源反馈矩阵的表述实现资源选取，根据任意用户对项目集中同一数据资源的反馈评分计算得出每个项目间的相似阈值，以此为基础拟合项目整体相似阈值，根据阈值数挑选与用户最为匹配的项目资源，完成推荐。仿真实验证明，该模型算法的推荐精准度和效率较高，有效解决了数据稀疏性较大的问题。