基于改进相似度计算方法的协同过滤算法研究

协同过滤算法是目前推荐系统中应用最广泛的技术,相似度的计算是该算法中关键的一步,它直接影响到后续的目标用户邻居集的选取及评分预测,最终决定着推荐的准确度。在传统的基于用户的协同过滤中,相似度的计算未考虑用户评分差异和商品的热度对相似度计算的影响。论文引入平均评分修正因子和热门商品惩罚因子,对传统的相似度计算公式加以优化。实验表明,改进后的相似度算法在电影推荐时,平均绝对误差(MAE)值较其他相似度算法更低,有着更好的推荐效果。     

一种结合共同邻居和用户评分信息的相似度算法

随着互联网的发展,推荐系统逐步得到广泛应用,协同过滤(CF)是其中运用得最早.最成功的技术之一.CF首先根据用户间的相似度,找出每个用户的近邻;然后根据目标用户近邻的评分预测目标用户的评分;最后把预测评分较高的项目推荐给目标用户.因此相似度计算方法直接关系到预测结果的准确性,对推荐起着至关重要的作用.目前,学者们已从不同的角度提出了各种各样的相似度计算方法,其中共同邻居算法(common-neighbors)是一种简单有效的方法.但此法仅考虑了两用户间的共同邻居数,忽略了用户的具体评分信息.针对这个问题对共同邻居算法进行了改进,同时考虑了共同邻居数和用户的评分信息.实验结果表明,改进的共同邻居算法在一定程度上可提高评分预测的准确性.     

协同过滤技术的改进研究

协同过滤算法应用于个性化推荐系统中取得了巨大成功,它是通过用户项目评分数据,以用户之间或者项目之间相互协作的方式来产生推荐。然而,邻居用户的相似度计算不精确一直是阻碍推荐系统推荐精度进一步提高的主要因素。从提高用户间相似度计算精度出发,提出了一种改进算法,该算法通过考虑不同特征、加强平均值影响、惩罚热门项目的比重,对用户的相似度计算方法进行改进,以期生成更加合理的邻居用户集,最后,根据评分预测公式进行预测,最终产生推荐。在MovieLens数据集上的实验表明,改进算法计算用户间的相似度更加精确,推荐算法的预测精确度有了显著提高。     

基于改进相似度的协同过滤算法研究

协同过滤利用邻居用户的偏好对目标用户的偏好进行推荐预测,相似度计算是其关键。传统的相似度计算忽略了用户共同评分项目数与用户平均评分的影响,以至于在数据稀疏时不能很好地度量用户间的相似度。提出了两个修正因子来改进传统相似度,同时改进了协同过滤算法,将其应用于电影推荐。仿真结果表明,在电影推荐中,基于改进后相似度计算的协同过滤算法能取得比传统算法更低的MAE值,提高了电影推荐质量。     

融合项目流行度与用户间多相似度的协同过滤算法

为进一步解决协同过滤算法中存在覆盖范围不高的问题,针对现有算法未充分考虑引入项目流行度在降低热门项目影响力的同时会普遍降低热门但评分高的项目影响力的问题,提出一种融合项目流行度与用户间多相似度的协同过滤算法.在降低热门项目影响力的同时,考虑目标用户的相似用户群体对热门项目的综合评分,动态调整推荐列表中热门项目对目标用户的影响力.算法通过融合多种改进的用户相似度来提高相似度计算精度.其中引入了用户属性相似度去除“零相似度”以缓解用户冷启动问题的影响.实验结果证明,该算法在解决冷启动问题和改善推荐覆盖率的同时,提升了推荐的准确率.     

基于评分支持度的最近邻协同过滤推荐算法

针对传统协同过滤推荐算法存在推荐质量不高的局限性,提出一种基于评分支持度的最近邻协同过滤推荐算法。该算法用调整后的共同评分次数动态调节相似度的值,以更真实地反映彼此间的相似性。然后计算目标用户和目标项目的最近邻集合及各自评分和支持度,根据评分支持度自适应调节基于目标用户和目标项目的评分对最终推荐结果影响的权重。与其他算法的对比实验结果表明,该算法能有效避免传统相似度度量方法存在的问题,从而提高了推荐质量。     

融合用户偏好和多交互网络的协同过滤算法

推荐系统中的辅助信息可以为推荐提供有用的帮助,而传统的协同过滤算法在计算用户相似度时对辅助信息的利用率低,数据稀疏性大,导致推荐的精度偏低.针对这一问题,本文提出了一种融合用户偏好和多交互网络的协同过滤算法(NIAP-CF).该算法首先根据评分矩阵和项目属性特征矩阵挖掘出用户的项目属性偏好信息,然后使用SBM方法计算用户间的项目属性偏好相似度,并用其改进用户相似度计算公式.在进行评分预测时,构建融合用户-项目属性偏好信息的多交互神经网络预测模型,使用动态权衡参数综合由用户相似度计算出的预测评分和模型的预测评分来进行项目推荐.本文使用MovieLens数据集进行实验验证,实验结果表明改进算法能够提高推荐的精度,降低评分预测的MAE和RMSE值.     

基于用户项目体验度的协同过滤推荐算法

在用户相似度计算基础上,根据用户偏好以及项目特征对用户评分产生的影响,提出一种针对用户项目体验度的推荐算法。阐述项目体验度对用户产生的潜在影响,选择皮尔森相似性计算公式做进一步计算。通过用户对项目的好评数以及给项目的评分分别占该项目的总评数和总体项目评分中的比例,获得用户对项目的体验度权重。采用长尾理论平衡用户相似性和用户对流行项目的关注度,计算得出用户相似度并产生预测和推荐。实验结果表明,与传统协同过滤算法相比,该算法提高了相似度计算准确度,并能改善数据稀疏情况下的推荐效果。     

基于用户评分和共同评分项的协同过滤算法研究

针对协同过滤算法存在的问题进行改进,以提高评分预测和推荐结果的准确性。传统的相似度度量方法只考虑用户评分,过于简单,在皮尔逊相似度的基础上引入用户评分时间和商品流行度对用户评分进行加权处理,并与基于共同评分项规模的相似度计算进行加权组合,使得计算结果更加准确,也更符合现实意义。实验结果表明,新算法评分预测的平均绝对误差明显低于皮尔逊相似度,将MAE降低了10%以上,并提高了推荐的召回率和覆盖率。只在电影评分数据集上进行实验验证有一定的局限,该算法能够提高协同过滤算法的准确性,具有一定的现实意义。     

基于评分差异度和用户偏好的协同过滤算法

针对传统协同过滤推荐算法仅通过使用用户评分数据计算用户相似度以至于推荐精度不高的问题,提出一种改进的协同过滤推荐算法。首先,以用户评分的平均值作为分界点得出用户间的评分差异度,并将其作为权重因子计算基于评分的用户相似度;其次,依据用户项目评分和项目类别信息挖掘用户对项目类别的兴趣度以及用户项目偏好,并以此计算用户偏好相似度;然后,结合上述两种相似度加权产生用户综合相似度;最后,融合传统项目相似度和用户综合相似度进行评分预测及项目推荐。实验结果表明,相对于传统的基于用户评分的协同过滤推荐算法,所提算法在数据集下的平均绝对误差值平均降低了2.4%。该算法可在一定程度上提高推荐算法精度以及推荐质量。     

基于评分可信度的大数据线性回归推荐算法

针对传统线性回归推荐算法没有考虑用户兴趣漂移、活跃度和评分可信度等影响因素,为进一步提高算法的准确度和对用户偏好的拟合度,提出一种融合评分可信度的线性回归推荐算法。首先将用户的兴趣漂移度、活跃度和用户对商品的评价信息综合考虑到用户评分可信度的计算方法中;然后将该方法融合到传统线性回归推荐算法系数矩阵求解过程当中;最后利用优化后的线性回归推荐算法对用户评分进行预测。为了验证该算法的准确性,在Hadoop集群和亚马逊商品评分数据集上与传统的线性回归推荐算法进行了对比,实验结果表明,该算法在处理效率、推荐效果和拟合程度上有明显提高。     

基于多层次混合相似度的协同过滤推荐算法

针对传统协同过滤推荐算法在数据稀疏的情况下存在的性能缺陷和相似性度量方法的不足,为了提高推荐精度,改进原算法得到了一种基于多层次混合相似度的协同过滤推荐算法。该算法主要分为三个不同的层次：首先采用模糊集的概念将用户评分模糊化,计算用户的模糊偏好,并结合用户评分的修正余弦相似度和用户评分的Jarccad相似度总体作为用户评分相似度;再对用户评分进行分类来预测用户对项目类别的兴趣程度,从而计算出用户兴趣相似度;然后利用用户的特征属性来预测用户之间的特征相似度;其次根据用户评分数量来动态地融合用户兴趣相似度及用户特征相似度;最后融合三个层次的相似度作为用户混合相似度的结果。利用MovieLens公用数据集对改进前后的算法进行对比实验,结果表明：当在邻居集合数量较少时,改进的混合算法相对修正余弦相似度算法的平均绝对偏差（MAE）下降了5%左右;较改进的修正的Jaccard相似性系数的协同过滤（MKJCF）算法也存在略微的优势,随着邻居集合数的增加MAE也平均下降了1%左右。该算法采用多层次的推荐策略提高了用户的推荐精度,有效地缓解了数据稀疏性问题和单一度量方法的影响。     

结合用户聚类和项目类型的协同过滤算法

为了解决协同过滤算法中数据稀疏性问题,提高推荐效果,提出一种改进的协同过滤算法.该算法首先通过一种新的相似度计算方法来计算项目类型相似度,将相似度大于某阈值的项目作为目标项目的邻居;然后根据目标用户对邻居项目的评分信息来预测该用户对目标项目的评分值,并将预测值填入稀疏的用户项目评分矩阵;最后对填充后的评分矩阵采用基于用户聚类（K-means聚类）的协同过滤算法做出最终的预测评分进行推荐.在Movielens数据集上进行实验验证,结果表明该算法能够很好地缓解数据稀疏性、降低计算复杂度,提高推荐精度.     

项目子相似度融合的协同过滤推荐算法

针对用户评分数据稀疏性和项目最近邻寻找的不准确性问题,提出了一种项目子相似度融合的协同过滤推荐算法.该算法根据目标用户每一属性取值,选取与该属性值一致的用户作为用户子空间,并在此空间上计算目标项目与其他项目之间的相似度(称其为项目子相似度).在此基础上,以项目子相似度为依据选取目标项目的K最近邻,计算其预测评分;最后对用户不同属性上的预测评分进行加权求和,得到目标项目的最终评分.实验结果表明,该算法能准确地选取目标项目的最近邻,明显改善了推荐质量.     

基于改进联合相似度计算的图书推荐算法

推荐系统可有效解决海量数据中的信息过载问题,为用户推荐感兴趣的信息。用户相似度计算是一种常用的推荐算法,但传统算法仅考虑用户-物品评分之间的相似性,忽略了用户固有特征对用户喜好的影响。考虑用户特征对推荐效果的影响,本文提出一种联合用户特征相似度及用户评分相似度计算的算法,采用F1衡量指标评价推荐效果的有效性。实验结果表明改进算法能有效提高推荐效果,取得更好的用户体验。     

基于FunkSVD矩阵分解和相似度矩阵的推荐算法

传统基于用户的协同过滤推荐算法在计算用户相似性时经常面临数据稀疏的问题,同时忽略了不同评分项目之间的差异。针对这些问题,提出一种基于FunkSVD矩阵分解和相似度矩阵的推荐算法。利用用户评分数据与物品标签数据计算出用户的相似度矩阵;利用FunkSVD对得到的相似度矩阵进行矩阵分解,生成新的用户相似度矩阵;根据用户之间评分数据对两个相似度矩阵中的用户相似度加权组合,并生成用户的综合相似度矩阵来对用户进行评分预测。经过Movielens数据集的实验表明,该算法提高了预测的准确性,优于传统的推荐算法。     

一种改进的Top-N协同过滤推荐算法

摘 要: 针对传统的相似度计算方法仅依靠用户评分信息矩阵来计算物品或用户相似度,物品相似度的计算考虑了所有用户的历史反馈信息等问题,提出一种改进的协同过滤推荐算法。首先,以所有物品的度的平均值作为阈值,在用户相似度计算公式中引入用户共同评分权重以及流行物品权重。其次,在物品相似度计算公式中引入物品时间差因素和用户共同评分权重。最后,将兴趣相似的用户聚成一类,在类内应用推荐算法分别为用户进行推荐。实验结果表明,相比于传统的协同过滤推荐算法,新算法得到的推荐结果在召回率上提高了2.1%。该算法可在一定程度上提高推荐算法的精度以及推荐质量。     

考虑用户活跃度和项目流行度的基于项目最近邻的协同过滤算法

项目相关性度量是基于项目最近邻的协同过滤算法的关键。已有的项目相关性度量方法在数据集稀疏或推荐低流行度产品时会面临较大挑战,因此提出一种考虑用户活跃度和项目流行度的基于项目最近邻的协同过滤算法。该算法在度量两个项目的相关性时,若有记录只对两个项目之一有评分,则利用该记录所对应的评分用户的活跃度和被评价项目的流行度进行相关性惩罚,从而提高数据稀疏环境下低流行度产品被推荐的概率。实验表明,所提算法在保证评分预测精度的情况下提升了推荐结果的多样性和新颖性。     

用户间多相似度协同过滤推荐算法

传统的User-based协同过滤推荐算法仅采用了单一的评分相似度来度量用户之间对任何项目喜好的相似程度。然而根据日常经验,人们对不同类型事物的喜好程度往往是不同的,单一的评分相似度显然无法准确描述这种不同。针对上述问题,提出了一种基于用户间多相似度的协同过滤推荐算法,即基于用户间对不同项目类型的多个评分相似度来计算用户对未评分项目的预测评分。实验结果表明,该算法可以有效地提高预测评分的准确性及推荐质量。     

改进非对称相似度和关联正则化的推荐算法

为了改善传统推荐系统中数据稀疏问题给推荐效果带来的影响,提出了改进非对称相似度和关联正则化的推荐算法。根据不同用户和不同项目之间的不对称关系,提出一种改进相关度计算式,用于预测评分。同时,由于社会化隐式关系的获取难度较大,利用传统相似度获取邻域集合作为用户社会关系,将关联正则化用于约束矩阵分解目标函数,缓解用户信息不对称造成的数据稀疏问题。最后在一些真实数据集上对算法进行验证,实验结果表明,与主流的推荐算法相比,该算法能够更加有效地预测实际评分。