基于Hadoop个性化推荐算法设计与实现

为了提升个性化推荐系统的大数据处理能力,选择基于用户聚类协同过滤的个性化推荐算法,并在Hadoop平台下实现算法的分布式并行化.离线状态下对用户物品矩阵降维,对用户进行聚类得到类别信息列表,对用户在类簇内进行推荐,并在相似度计算内引入物品贡献权重,最后对算法实现并行化得到推荐结果,实现基于用户聚类的分布式协同过滤推荐算法.最后对推荐结果进行测试分析,证明分布式个性化推荐有更好的推荐准确性和实时性.     

基于安全多方计算的系统间隐私保持推荐算法

针对协同过滤推荐过程中的隐私泄露问题,以RSA公钥密码系统和安全多方计算理论为基础,提出一个安全计算模型,并将此模型应用到跨系统协同过滤中,并提出一个基于安全计算模型的跨系统隐私保持协同过滤推荐算法.该算法可有效防止不可信第三方和系统间恶意串通.实验表明,与传统的单系统协同过滤推荐算法相比,该算法不但可以保护用户对项目的评分,并且提高了协同过滤推荐算法的精度.     

基于粒子群优化算法的协同过滤推荐并行化研究

针对常用协同过滤推荐算法存在计算性能瓶颈的问题,提出了在Spark上并行化实现协同过滤推荐算法RLPSO_KM_CF.首先,通过具备反向学习和局部学习能力的粒子群优化（RLPSO）算法寻找粒子群最优解,输出优化后的聚类中心;然后,运用RLPSO_KM算法对用户信息进行聚类;最后,将传统协同过滤推荐算法与RLPSO_KM聚类结合,从而对目标用户进行有效推荐.实验结果显示,RLPSO_KM_CF算法在推荐准确度方面有显著提高,具有较高的加速比,稳定性也得到了一定提升.     

基于分布式处理的关联聚类协同过滤算法

随着互联网的发展,推荐系统在大数据信息处理(如电子商务)中发挥着越来越重要的作用。为了处理推荐系统中的大数据,提出了一种基于云平台k-medoids聚类的协同过滤算法,有效解决了数据的稀疏性问题,提高时间效率的同时也提高了召回率和推荐评分。考虑到聚类会造成准确率的下降,引入关联多叉树模型来关联用户信息与邻居用户信息,从而计算用户-项目扩展评分,充分利用了云平台用户数据间的相关性。在此基础上提出的基于云平台关联聚类的协同过滤算法在保证推荐效果和时间效率的同时,有效提高推荐准确率。采用阿里数据集在Hadoop云平台上进行实验,结果显示基于云平台关联聚类的协同过滤算法在大数据信息推荐方面有更好的推荐效果和推荐效率。     

融合用户和项目相关信息的协同过滤算法研究

针对User-based协同过滤和Item-based协同过滤算法的不足，提出了一种新的推荐算法。该算法融合用户-项目评分数据集所包含的用户相关和项目相关的信息来推荐商品，并且利用模糊聚类技术分别将相似的项目和相似的用户聚类，改善传统推荐算法的数据稀疏性和可扩展性问题。实验结果表明，将用户相关和项目相关的信息融合能够提供更好的推荐。     

一种改进的协同过滤推荐算法

针对User-based协同过滤推荐和Item-based协同过滤推荐算法的不足,提出了一种改进的推荐算法。该算法融合User-based协同过滤推荐和Item-based协同过滤推荐算法思想,通过形成项目相似集来填充用户评分矩阵,并利用高评分阈值来计算用户相似性,有效改善了传统协同过滤推荐算法的数据稀疏性和实时性。实验结果表明,该算法可以显著提高推荐系统的推荐质量。     

一种基于三部图网络的协同过滤算法

推荐系统是电子商务领域最重要的技术之一,而协同过滤算法又是推荐系统用得最广泛的.提出了一种基于加权三部图网络的协同过滤算法,用户、产品及标签都被考虑到算法中,并且研究了标签结点的度对用户相似性计算的影响.实验结果表明,此算法在解决用户冷启动问题的同时,还具有较高的推荐准确性.     

基于项目语义相似度的协同过滤推荐算法

协同过滤是个性化推荐系统中最广泛使用的推荐技术.在用户评分矩阵极度稀疏情况下,传统的协同过滤推荐算法中用户相似度的计算建立在用户评分项目交集之上,并且没有考虑不同项目之间存在的语义关系,从而导致推荐准确率低.针对上述问题,文章提出一种新的基于项目语义相似度的协同过滤算法(CFSSI,collaborative filtering basedon semantic similarity between Items):首先利用领域本体计算项目之间的相似性,填充评分矩阵缺失值,而后根据修正的余弦相似度计算用户相似性.实验结果表明:算法可以在用户评分数据极端稀疏的情况下,仍能取得较高的推荐质量.     

基于用户量化属性的多维相似度的协同过滤推荐算法

针对传统协同过滤推荐算法模型过于粗糙和推荐精度较低的问题,提出了一种新的基于用户量化属性的多维相似度的协同过滤推荐算法.该算法考虑到个别项目对相似度计算的影响,利用最大差值特性进一步描述用户评分相似度,并结合用户量化属性,构建用户兴趣偏好模型,依此阐明了新的相似度计算方法,利用该方法获取目标用户的近邻用户和预测评分,最终实施推荐.实验结果表明该算法可以有效的提高推荐质量.     

基于选择性预测策略的协同过滤推荐算法

针对传统协同过滤推荐算法在用户评分数据极端稀疏情况下无法取得令人满意的推荐质量问题,结合User-based 和Item-based 协同过滤算法思想,提出了一种基于选择性预测策略的协同过滤推荐算法,算法利用高相似度阈值来计算用户相似性和项目相似性,并通过形成用户最近邻居集和项目最近邻居集来预测填充评分矩阵。基于Movielens数据集的实验表明,改进的算法有效改善了传统协同过滤推荐算法的数据稀疏性和扩展性问题,明显提高了系统的推荐质量。     

耦合社会信任信息的矩阵分解协同过滤模型

在过去的十年中,协同过滤（CF）推荐系统已经取得了巨大的成功。然而,用户-物品矩阵的稀疏性和冷启动问题仍然是一个挑战。在线社交网络的出现,为推荐系统提供了大量社交网络信任信息,从而为解决这一问题提供了契机。该文基于矩阵分解协同过滤方法,提出了一种集成用户信任信息的模型。该方法利用用户信任信息对用户隐因子进行修正,采用自编码器来提取用户和物品隐特征向量的初始化特征,并针对社交网络中的信任关系提出了信任群组的检测算法。大规模的真实数据集上进行的广泛的实验表明,该模型与相关算法对比,不但能有效缓解冷启动,而且取得了更好的推荐性能。     

位置社交网络的个性化位置推荐

为了有效改善位置社交网络的用户体验,提出了一种个性化位置推荐服务模型.综合考虑了用户的签到行为特点、用户特征及位置兴趣点的语义特征,并将蚁群算法与改进的混合协同过滤算法有效结合起来进行个性化位置推荐,以此提高个性化位置推荐的质量和效率.实验结果表明,提出的位置推荐模型的召回率、准确率和平均绝对误差值都明显优于已有方法.     

一种基于时间加权和用户特征的协同过滤算法

协同过滤算法是目前个性化推荐系统中应用最成功的推荐算法之一,但传统协同过滤算法很少考虑到用户兴趣随着时间变化以及用户特征与兴趣的关联性两方面的问题。针对该问题提出了一种基于时间加权和用户特征的协同过滤算法,首先通过定义时间指数函数反映兴趣随时间增长的变化,然后建立用户的特征矩阵,最后采用一种新的相似度度量方法计算出目标用户的最近邻居集合。实验结果表明该算法推荐平均绝对误差(MAE)比传统算法降低了12%,推荐质量较传统算法有明显提高。     

基于蚁群算法的网页推荐

推荐技术中的信息过滤系统包括内容过滤和协作过滤,纯粹的内容过滤系统和纯粹的协作过滤系统都存在各自的缺陷.作者采用了蚁群算法把内容过滤和协作过滤有机的结合起来,形成了一种新的推荐方法.实验证明：该算法可以获得基于内容过滤的优点,包括能进行覆盖所有文档和用户的早期预测;同时也能获得协作过滤的优点,即使用户评估过的文章数不断增加,系统仍能给出较为精确的预测.     

一种引入加权异构信息的改进协同过滤推荐算法

协同过滤作为当前应用最成功的推荐技术之一,其推荐质量在很大程度上取决于近邻用户选取的准确性,而数据的稀疏性问题（sparsity）和相似度度量方式（similarity metrics）严重影响着最近邻的选择。该文提出了一种引入加权异构信息的改进协同过滤算法。首先利用异构网络中丰富的语义信息和边属性信息,得到用户之间基于不同元路径的相似度;然后将相似度分别应用到典型的基于用户的协同过滤推荐算法中,得到基于每个相似度的用户评分值;最后采用监督学习算法为每个打分值分配不同的权重,融合为用户最终评分。在扩展MovieLens经典数据集上的实验结果表明,本文所提算法在精确度上较传统算法有显著提高。     

基于大数据集的混合动态协同过滤算法研究

协同过滤已在推荐系统中广泛使用,但传统算法存在一定的局限性,如不能较好地适应用户-项目评分矩阵数据集的稀疏性、计算项目相似性时未考虑项目的分类及用户对项目评分和兴趣的时变性等因素。针对这些局限性在传统协同过滤算法基础上提出一种基于大数据集的混合动态协同过滤算法。该算法在计算项目的相似性时引入了时间衰减函数,并综合考虑项目评分的相似性和项目分类的相似性,两者在项目综合相似性中所占权重可以自适应动态调节。算法还在相似性计算和近邻项目选取上做了一些改进。实验表明该算法比传统推荐算法质量有所提高。     

基于信任关系的资源分配推荐算法改进研究

近年来,一些统计物理学的方法被用于推荐算法的研究中,其中,基于扩散的推荐算法研究成为一个重要方向。然而,这些方法都只关注用户对产品的评分信息,而忽略了用户之间普遍存在的信任关系。该文将用户信任关系引入到基于扩散的推荐算法中,提出了一种基于信任关系的资源分配推荐算法。该算法在资源分配的过程中,对受信任的用户用一个可调参数分配其更多的资源,从而提高受信任用户所选物品的资源值。在Epinions和FriendFeed两个真实数据集上的实验结果显示,该算法在准确性、多样性和新颖性等方面明显优于主流的基准推荐算法。     

基于标签和协同过滤的改进推荐算法研究

针对基于标签和协同过滤的个性化推荐(TCF)没有考虑评分数据的作用和用户兴趣标签稀疏的问题,提出了一种加入评分数据并扩展用户兴趣标签的基于标签和协同过滤的改进推荐算法(ITCF).首先,以项目- 标签相关度构造项目特征向量,并结合评分构造用户特征向量和用户-标签关联度; 其次,对用户的历史偏好标签集进行基于标签相似性和基于近邻用户偏好的扩展; 最后,以MovieLens数据集为例对ITCF算法的有效性进行实验验证.实验结果表明,在稠密的数据集中,ITCF算法的平均准确率和平均召回率比文献[2]和[3]算法的平均准确率和平均召回率分别提升约2.0%和1.7%; 在稀疏的数据集中,当推荐项目数不超过20时,ITCF算法的平均准确率和平均召回率约比文献[2]和文献[3]算法的平均准确率和平均召回率分别提升约0.2%和0.8%.因此,本文提出的ITCF算法具有较好的应用前景.     

基于近邻传播聚类的混合推荐系统

协同过滤技术是推荐系统最具价值的核心技术之一,它能够深入地挖掘用户潜在的兴趣爱好并向用户做出比较合理的推荐;但是冷启动、数据稀疏性、可扩展性等问题依然制约该技术在实际推荐系统的应用。针对冷启动和数据稀疏性等问题,文章提出了一个基于近邻传播聚类的混合协同过滤推荐模型。该模型首先基于物品的标签属性进行聚类,挖掘出同类的物品并计算相似物品之间的关联程度,然后基于历史交互数据计算物品的相似度矩阵,最后按照一定权重混合构成一个物品相似度,并以此为用户进行推荐。与传统协同过滤推荐模型相比,该模型不仅提高了推荐精确度,而且改善了物品的召回率,能为用户提供更好的推荐体验。     

基于用户兴趣变化的协同过滤推荐算法

协同过滤算法是在众多应用领域中最成功的个性化推荐技术之一,但传统协同过滤算法不能及时反映用户的兴趣变化,致使预测结果不准确。针对这个不足,提出一种基于用户兴趣变化的改进协同过滤算法。改进算法提出一种基于时间的权重函数,用于研究用户在不同时间段的兴趣变化,通过用户兴趣之间的相似性,最后生成推荐结果。实验结果验证了改进算法在推荐的准确性方面得到显著提高。