一种改进Slope One的学习推荐算法

针对协同过滤算法的推荐精度不足问题,提出一种改进的Slope One算法。以基于用户协同过滤算法为前提,使用皮尔逊相似性计算用户间相似度,利用Top-N方法对相似用户进行筛选,把最相似用户作为邻居集,再结合加权Slope One算法,预测项目评分,实现对用户个性化精准推荐。实验结果表明,在数据稀疏的条件下,改进算法的预测精确度优于基于用户的协同过滤算法和Slope One算法,提高了推荐质量。     

基于粗集和模糊聚类的协同过滤算法

提出了一种基于粗集和模糊聚类相结合的协同过滤推荐算法,通过粗集理论自动填补空缺评分降低数据稀疏性;然后根据用户对项目评分的相似性对用户进行模糊聚类,并在此基础上搜索目标用户的最近邻居,从而缩小最近邻居的查找范围并产生推荐结果.实验结果表明,该方法能有效的解决数据稀疏性问题,提高了推荐系统的精确性和实时响应速度.     

基于客户顾目的聚类协同过滤组合推荐算法研究

通过分析传统协同过滤存在的稀疏性、冷启动及实时性问题的根源后,提出一种改进的基于客户颅目的聚类协同过滤组合推荐算法;算法通过运用聚类技术和基于用户的协同过滤算法来预测计算邻居用户,并给出未评分的目标项目的最终预测评分以得到推荐列表,弥补协同过滤推荐在新项目推荐方面的不足的同时稀疏问题也迎刃而解;在预测评分中增加时间权重...     

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。     

基于Logistic函数和用户聚类的协同过滤算法

针对协同过滤推荐算法的数据稀疏性和可扩展性问题,提出一种基于Logistic函数和用户聚类的协同过滤算法.计算用户对服务关键词的偏好度,构建用户-关键词偏好向量,并基于此向量对用户进行聚类;采用Logistic函数计算用户对服务的兴趣度,并根据兴趣度相似性在目标用户所在类内寻找其最近邻居;通过最近邻居预测用户对服务的兴趣度,将兴趣度较高的服务推荐给用户.基于真实数据集的实验证明,与传统协同过滤算法相比,本文算法能取得更高的准确率,且聚类后算法运行时间显著减少,有效地提高了推荐的实时性.     

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。     

融合项目聚类和时间权重的动态协同过滤算法

传统基于项目的协同过滤算法离线计算项目间的相似度,提高了向用户推荐的速度,但极大的数据稀疏度影响了推荐质量,且该算法也忽略了用户兴趣随时间变化这一现象. 针对上述问题,提出了一种融合项目聚类和时间权重的动态协同过滤算法,根据用户偏好对项目进行聚类,找出类别偏好相似的候选邻居,再在候选邻居中搜寻最近邻,排除与目标项目共同评分较少的项目干扰,提高了搜寻相似项目的准确性. 同时,引入时间权重来反映用户兴趣随时间的变化,从整体上提高推荐质量. 在MovieLens数据集上进行实验,实验结果表明,本文所提出算法的推荐质量较传统的协同过滤算法有显著提高.     

基于用户角色与行为的协同过滤推荐算法

针对传统协同过滤推荐算法中存在评分数据稀疏性问题,以稀疏的用户打分来确定用户间的相似性可能并不准确.为此,提出了以用户行为对应一定分值代替空缺评分的方法来修正用户I-U评分矩阵,并基于用户角色以权重系数K来约束最近邻的计算.实验表明,改进的算法具有更优的推荐质量.     

基于用户兴趣评分填充的改进混合推荐方法

针对传统协同过滤推荐方法中的用户项目评分数据稀疏和推荐准确度不高的问题,提出了一种基于用户兴趣评分填充的改进混合推荐方法。首先,分析用户对项目类型的偏好,计算用户兴趣评分并进行矩阵填充;然后,考虑用户主观评分差异化及项目自身质量的影响,对传统皮尔逊相关系数进行改进,并基于已填充评分矩阵进行用户相似性及项目相似性计算;在此基础上分别基于用户和项目两个方面进行评分预测,并将两者的预测评分进行加权求和,进而进行混合推荐;最后,以Movielens100k为数据集进行实验,先分析了用户兴趣评分矩阵的填充效果,再将文中方法和传统协同过滤混合推荐方法以及文献中提出方法进行了对比分析。实验结果表明;提出的评分矩阵填充方法能有效缓解数据稀疏的影响,填充效果优于传统评分矩阵填充方法;提出的改进混合推荐方法（IHRIRF）比传统的混合协同过滤推荐方法HCFR及WPCC方法具有更好地推荐效果。     

基于正相关和负相关最近邻居的协同过滤算法

协同过滤算法是应用最广泛和最成功的推荐算法之一。针对传统协同过滤算法在预测评分时仅考虑正相关最近邻居,没有考虑负相关最近邻居对评分预测的影响而导致的预测结果准确性及多样性较低的问题,提出一种基于正相关和负相关最近邻居的协同过滤算法。该算法首先计算用户之间的相似度,再通过用户评分与其平均评分等信息计算出用户之间的变异系数,利用变异系数修正相似度的值,从而缓解因为用户共同项目数不足而导致的相似度计算结果可信度较低的问题。然后分别对与目标用户相似度为正及与目标用户相似度为负的用户进行排序,并利用动态加权参数α及训练得到的阈值口分别选取正相关最近邻居和负相关最近邻居,基于选取的正相关最近邻居和负相关最近邻居分别进行预测评分。最后,将基于正相关最近邻居和负相关最近邻居的预测评分进行加权,作为最终的预测评分。在MovieLens数据集上利用3种评价标准进行对比实验,结果表明本文算法有效地提高了推荐的准确性和多样性。     

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.     

基于项目层次相似性的推荐算法

针对协同过滤算法推荐效果依赖于相似度度量方法的问题,提出了一种基于项目层次结构相似度的推荐算法REHIS(recommendation hierarchical similarity)。首先利用关联规则挖掘和KNN(K nearest neighbor)算法完善项目层次结构,然后利用TopK算法计算项目之间的相似度,最后利用基于项目的协同过滤算法框架预测用户评分。为解决协同过滤算法扩展性差的问题,还把TopK算法推广到余弦距离和皮尔逊相关系数等常见的相似度度量方法。实验结果表明,与传统的协同过滤算法相比,REHIS能够获得更优的均方根误差,TopK算法可以减少最近邻项目的查找时间。     

一种基于用户信任网络的推荐方法

为了解决推荐中存在的数据稀疏、准确度不高等问题,提出了一种基于用户信任网络的推荐方法. 首先利用基本的社会网络,融合用户的基本信任关系、角色影响力、属性相似关系、偏好相似关系构造带权重的社会网络,然后基于此网络提出关键路径发现算法以发现满足约束条件的用户信任网络,最后基于用户信任网络进行推荐. 在Filmtipset数据集上对影响推荐质量的各个因素进行了对比分析,结果表明,基于用户信任网络的方法能得到更好的推荐效果.     

基于信任网络重构的推荐算法

基于信任网络的重构问题,提出一种新颖的推荐算法。将用户相似值与信任关系相结合构建初始信任网络,对用户未评分项进行初始预测;利用一种基于可靠性度量方法评价预测评分的质量,对于未评分项目根据新组建的用户信任网络进行最终评分预测。在两个真实数据集Epinions和Flixster上进行了性能验证,试验结果表明,信任网络的重构可以有效解决推荐系统中的数据稀疏问题,在查全率和查准率上优于传统的推荐算法。     

基于四阶奇异值分解的推荐算法研究

三阶奇异值分解推荐算法可以综合考虑用户、物品标签和物品三部分信息,挖掘三者之间的潜在关系进行推荐,然而该方法并没有引入其他方面的有效信息,如用户情感。为了考虑更多维度的信息,本文在三阶奇异值分解推荐算法的基础上,提出了一种加入用户情感信息的四阶奇异值分解推荐算法。该方法基于从评论中的emoji表情提炼出的用户情感偏好,再引入四阶张量模型,存储用户、用户情感、物品标签和物品四元组数据,应用四阶奇异值分解,从而进行个性化推荐。在某在线互联网教育的实证数据集上的实验结果表明,该方法比三阶奇异值分解推荐算法以及传统推荐算法在准确率和召回率性能指标上都有明显提升,其中进行Top-1推荐时,准确率和召回率可以达到0.513和0.339。本文的工作为移动通信端的个性化推荐提供了借鉴。     

基于用户特征和时间权重的协同过滤算法

为了解决传统算法中寻找最近邻居不准确和用户兴趣随时间变化而迁移的问题,提出一种基于用户特征和时间权重的协同过滤算法。文中首先把Movie Lens数据集中用户特征信息数字化,求出用户特征相似性,将其加入到修正的余弦公式中,得到一种新的用户相似度,以找到更加准确的最近邻居集;然后通过引入时间函数来反应用户的兴趣迁移,再根据预测评分公式来获得更加准确的预测评分;最后给用户生成一个较可靠的推荐结果。实验结果表明,该方法取得了较好的效果且平均绝对误差(MAE)值达到72.57%。     

基于用户关系挖掘的多策略推荐算法

个性化推荐服务为解决网络信息过载问题提供了有效手段。传统的推荐方法大多只关注于如何提高推荐的准确性,而忽略了推荐多样性对用户体验的影响。文章将社会网络用户关系挖掘应用于用户偏好预测及推荐中,提出了一种基于用户关系挖掘的多策略推荐算法。采用信任传播模型挖掘用户间的信任度,计算用户偏好配置文件的余弦相似性获得用户间的相似度,并给出4种将用户信任度、相似度结合的策略,在定义用户偏好预测函数的基础上采用Topn原则为用户给出推荐结果。实验结果表明,文章方法不仅减少了数据稀疏性的影响,而且兼顾了推荐准确性与多样性指标,提高了推荐系统的整体性能。