线性逐步遗忘协同过滤算法的研究

协同过滤系统是目前最成功的一种推荐系统，但是传统的协同过滤算法没有考虑用户兴趣变化问题，导致用户兴趣发生变化时的推荐质量较差。该文借鉴心理学遗忘规律，提出了线性逐步遗忘协同过滤算法。该算法依据评价时间线性逐步减小每项评分的重要性。基于MovieLens数据集的实验结果表明，该算法在准确性方面优于传统的协同过滤算法。     

适应用户兴趣变化的指数遗忘协同过滤算法

协同过滤是目前推荐系统中最为成功的推荐技术,但传统的协同过滤算法没有考虑用户兴趣的变化。针对上述问题,从艾宾浩斯记忆遗忘规律得到启发,提出一种基于资源相似度的协同过滤算法,利用基于指数遗忘的数据权重来逐步减小资源相似度的权重。实验结果表明,该算法显著提高推荐系统的推荐质量。     

基于加权Slope one的协同过滤个性化推荐算法

针对传统协同过滤算法存在冷启动、数据稀疏、运行效率低下等问题,分析了较传统协同过滤算法更加高效准确的Slope one算法的优点、原理及流程,针对Slope one算法未考虑用户兴趣变化和用户相似性这两方面的问题,提出了基于用户兴趣遗忘函数和用户最近邻居筛选策略的改进方案,以期提高推荐的质量,同时采用MovieLens数据集进行了实验验证,实验对比结果佐证了本文算法确实提高了推荐准确度并且减少了响应时间。     

基于用户特征和用户兴趣变化的协同过滤推荐

协同过滤系统是目前最成功的一种推荐系统,但是传统的协同过滤算法没有考虑用户兴趣会随时间发生变化以及类似特征用户对用户相似度精度具有影响等因素,导致推荐质量较差。该文结合用户兴趣变化和用户特征两个因素,提出了新的用户之间相似度计算方法用来提高协同过滤推荐质量。     

基于用户特征和用户兴趣变化的协同过滤推荐

协同过滤系统是目前最成功的一种推荐系统,但是传统的协同过滤算法没有考虑用户兴趣会随时间发生变化以及类似特征用户对用户相似度精度具有影响等因素,导致推荐质量较差。该文结合用户兴趣变化和用户特征两个因素,提出了新的用户之间相似度计算方法用来提高协同过滤推荐质量。     

基于记忆效应的协同过滤推荐算法

针对传统协同过滤算法无法及时反映用户兴趣变化的情况,将人脑的记忆和遗忘特性引入到个性化推荐中,提出基于记忆效应的协同过滤推荐算法。利用短时记忆体现用户近期兴趣变化,应用长时记忆强调用户早期兴趣的重要性,给出将短时记忆和长时记忆相结合的调和记忆,使推荐系统可以自适应地跟踪用户兴趣变化。实验结果表明,与CF算法、SCF算法和AUICF算法相比,该算法的推荐精度更高、收敛速度更快。     

融合时间衰减函数的改进协同过滤算法

大数据时代数据量呈爆发式增长,为帮助人们在海量数据中获取自己所感兴趣的信息,推荐系统应运而生.协同过滤在推荐系统中应用广泛,针对传统协同过滤推荐算法数据稀疏、推荐精度较低,不能及时反映用户的兴趣度变化以及时效性不足等缺点,提出了一种融合时间衰减函数的改进协同过滤推荐算法.此算法在传统协同过滤算法的基础上综合考虑了时间因...     

基于Logistic时间函数和用户特征的协同过滤算法

目前推荐系统中协同过滤算法是应用最成熟的推荐算法之一,然而传统算法没有考虑随着时间的迁移,用户的兴趣也可能发生相应变化以及特征属性在推荐过程中对推荐结果的影响,致使预测结果不准确。为此,提出一种新的相似性改进算法对传统算法进行改进。改进后的协同过滤算法对基于时间的Logistic权重函数与用户特征属性进行加权计算,形成一种新的相似性度量模型。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%,较传统算法推荐质量有明显提高。     

基于用户特征的协同过滤推荐算法

协同过滤算法是目前在电商系统中应用最广的推荐技术.为了缓解传统基于用户的协同过滤算法在冷启动、推荐准确性和数据稀疏性方面的缺点,本文提出基于用户特征的协同过滤推荐算法.此算法利用注册信息提取属性特征,并对已有的评分信息提取兴趣特征和信任度,综合以上各特征融合特征相似性进一步产生推荐.实验结果表明,与传统的基于用户的协同过滤算法做对比,基于用户特征的协同过滤算法对推荐的精度有大幅的提高.     

基于用户兴趣模型的协同过滤推荐算法

协同过滤推荐算法是目前应用最广泛个性化推荐技术,其中用户相似度的计算方法是影响推荐算法质量的关键因素。针对传统协同过滤算法中稀疏评分数据造成的用户相似度计算不准确问题,提出一种基于用户兴趣模型的协同过滤推荐算法。该算法使用分布估计算法建立用户兴趣模型,并使用用户兴趣模型计算用户间相似度。实验表明,该算法的准确性受数据稀疏性影响较小,同时在收敛速度和推荐准确性方面有明显提高。     

基于模糊聚类和改进混合蛙跳的协同过滤推荐*

由于传统的协同过滤推荐算法存在很多缺陷,如数据稀疏性、冷启动、低推荐精度等,提出了一种基于模糊聚类和改进混合蛙跳的协同过滤推荐算法。首先利用一种构造的基于时间的指数遗忘函数对原始评分数据进行处理;然后根据得到的基于时间衰退的评分矩阵对用户进行模糊C-均值(FCM)聚类,并找出与目标用户有较高相似性的前几个类作为候选邻居集;再用改进的混合蛙跳算法找到最近邻居集;最后求出目标用户对未参与项目的预测评分。经实验证明,该算法比其他一些算法的推荐精度要高,且由于数据稀疏性引起的不良影响也得到了有效的缓解。     

基于IALM和填充可信度的协同过滤算法及其并行化研究*

为解决传统协同过滤推荐中存在的数据稀疏性和可扩展性问题,基于IALM和填充可信度提出了并行化的协同过滤算法。该算法利用非精确增广拉格朗日乘子法（IALM）对评分矩阵和评分时间矩阵进行填充;引入填充可信度,并与指数遗忘函数结合,对填充评分进行加权修正,在此基础上应用协同过滤算法进行预测评分;最后基于Hadoop平台对算法进行了并行化设计与实现。实验结果表明,该算法能够提高推荐质量,同时基于Hadoop平台的算法运算效率明显提高。     

一种基于信任的协同过滤推荐模型

传统的协同过滤推荐技术主要基于用户-项目评价数据集进行挖掘推荐,没有有效地利用用户通信上下文信息,从而制约其进一步提高推荐的精确性。针对传统协同过滤推荐算法存在的推荐精度不高的弊端,在协同过滤算法中融入通信上下文信息,引入了通信信任、相似信任和传递信任三个信任度,并提出了一种基于信任的协同过滤推荐模型。通过公开数据集验证测试,证明提出的推荐算法较传统的协同过滤推荐技术在推荐准确性上有较大提高。     

混合协同过滤算法中用户冷启动问题的研究

在推荐系统中,用户冷启动问题是传统协同过滤推荐系统中一直存在的问题。针对这个问题,在传统协同过滤算法的基础上,提出一种新的解决用户冷启动问题的混合协同过滤算法,该算法在计算用户相似性时引入用户信任机制和人口统计学信息,综合考虑用户的属性相似性和信任相似性。同时,算法还在用户近邻的选取上做了一些改进。实验表明该算法有效缓解了传统协同过滤推荐系统中的用户冷启动问题。     

结合CFDP与时间因子的协同过滤推荐算法

在这个网络数据呈现爆炸式增长的时代,如何利用用户行为数据,对每位目标用户进行精准的项目推荐是一个极有价值的研究方向。协同过滤推荐算法作为最常见的推荐算法之一,如何对传统的协同过滤算法进行优化,便是该文的研究内容。针对传统协同过滤算法存在的数据稀疏、冷启动以及实时性问题。采用CFDP算法对项目集合进行聚类,并对采用Slope-One算法进行数据填充,有效地缓解了数据稀疏以及冷启动的问题。针对传统算法的实时性问题,引入了时间因子,对每一项预测评分都乘以时间权重,使得预测评分更加科学准确,解决了推荐系统的实时性问题。采用MovieLens 1M数据集分别对传统协同过滤算法以及改进协同过滤算法进行对比实验,得出新算法的平均绝对偏差MAE要小于传统的协同过滤推荐算法,表明改进算法有效地优化了传统算法。     

一种混合模式的协同过滤算法

当今是一个数据爆炸时期,促进信息过滤技术发展,个性化推荐系统作为其中一种重要的应用方式,已经成为很多网站一种个性化信息服务方式,但传统的协同过滤算法存在扩展性和稀疏性的问题。提出一种基于项目聚类、项目语义相似度和奇异值分解的混合推荐模型,来应对传统的协同过滤推荐系统面临的算法的伸缩性问题、数据稀疏性问题和推荐的精准度问题,进行推荐。结果表明,与传统的算法相比,使用该改进算法能显著地提高推荐系统的推荐质量。     

基于Hadoop的协同过滤并行化算法

在针对大数据的迅速增长,为了改善协同过滤算法的推荐效率,使得推荐精度越来越高,提出基于Hadoop平台的协同过滤并行化算法,将传统的基于用户的协同过滤在Hadoop平台下进行MapReduce编程模型,实现并行化.通过利用MovieLens公用数据集对改进前后的算法对比,验证了并行化的协同过滤效率更高,也更加适合大规模数据的推荐.     

基于模范用户的改进协同过滤算法

针对传统协同过滤算法普遍存在的稀疏性和扩展性问题,在传统协同过滤算法的基础上提出一种基于模范用户的协同过滤算法。通过对用户空间的聚类,自动选取模范用户聚类的最优粒度,利用模范用户产生推荐。实验结果表明,与传统协同过滤算法和其他基于聚类策略的算法相比,该算法在明显提高推荐效率的同时对推荐精度和稳定性都有所改进。