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.     

基于近邻关系的个性化推荐算法研究

协同过滤是目前电子商务推荐系统中广泛应用的最成功的推荐技术,但面临严峻的用户评分数据稀疏性和推荐实时性挑战。针对协同过滤中的数据稀疏问题,提出了一种基于最近邻的个性化推荐算法。通过维数简化技术对评分矩阵进行优化,降低数据稀疏性;采用一种新颖的相似性度量方法计算目标用户的最近邻居,产生推荐预测。实验结果表明,该算法有效地解决了数据稀疏,提高了推荐系统的推荐质量。     

改进邻居集合的个性化推荐算法

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,但传统的算法没有考虑在不同时间段内寻找最近邻居问题,导致寻找的邻居集合可能不是最近邻居集合。针对此问题,提出一种改进邻居集合的个性化推荐算法。该算法赋予每项评分一个按时间逐步递减的权重,利用加权后的评分寻找目标用户的最近邻居。实验表明,改进的算法提高了推荐系统的推荐质量。     

邻居关系感知的图卷积网络推荐模型

现有的基于图神经网络的推荐模型在更新目标节点向量时大多对邻居节点信息进行无差别的聚合，没有结合推荐系统本身引入更多有用的先验知识，从而区分目标节点与不同邻居节点之间的关系。针对此问题，提出一种基于邻居关系感知的图卷积网络推荐模型（neighbor relation-aware graph convolutional network,NRGCN），分别引入评分数值、评论文本和评分时间三种先验辅助信息实现对邻居节点的多层次聚合。具体来讲，以用户对物品的真实评分数值作为网络中不同邻居关系紧密程度的基础，利用评论文本的情感倾向对邻居关系进行修正补充，最后考虑到用户的兴趣随时间的变化情况，使用评分时间来标记不同时间交互下的邻居关系。在3组公开的数据集上，NRGCN的召回率高于多个基准算法，最大提高了12%。     

考虑负相关性信息的协同过滤算法研究

为了研究Pearson负相关性信息对协同过滤算法的影响, 提出了一种考虑负相关性信息的协同过滤算法。该算法选取正相关用户作为最近邻居, 负相关用户作为最远邻居, 使用参数调节最近邻居和最远邻居在推荐过程中的作用。MovieLens数据集上的对比实验表明, 负相关性不仅可以提高推荐结果的准确性, 而且可以增加推荐列表的多样性; 进一步分析发现, 负相关性还可以大幅度提高不活跃用户的推荐准确性。该工作表明, 负相关性有助于解决推荐系统中准确性、多样性两难的问题和冷启动问题。     

推荐算法在网上商城中的应用研究

介绍了一种利用协同过滤算法实现商品推荐的方法,根据和当前用户具有相似兴趣度的邻居用户偏好,向当前用户推荐其可能感兴趣的商品。其实现过程包括评分表示、邻居形成和推荐生成。     

基于用户模糊聚类的两阶段协同过滤推荐

推荐系统中,随着用户数目和商品数目的日益增加,传统的协同过滤技术在生成推荐时的速度已经成为一种瓶颈。针对此问题,本文提出了一种基于用户模糊聚类的两阶段协同过滤推荐。两阶段分为离线和在线两个阶段。离线时,应用模糊聚类技术,对基本用户进行模糊聚类;在线时,利用已有的用户模糊聚类寻找目标用户的最近邻居,并产生推荐。实验表明,基于用户模糊聚类的两阶段协同过滤推荐不仅加快了推荐生成速度,还提高了推荐质量。     

基于项目评分预测的协同过滤推荐算法

推荐系统是电子商务系统中最重要的技术之一.随着电子商务系统用户数目和商品数目的日益增加,在整个商品空间上用户评分数据极端稀疏,传统的相似性度量方法均存在各自的弊端,导致推荐系统的推荐质量急剧下降.针对用户评分数据极端稀疏情况下传统相似性度量方法的不足,提出了一种基于项目评分预测的协同过滤推荐算法,根据项目之间的相似性初步预测用户对未评分项目的评分,在此基础上,采用一种新颖的相似性度量方法计算目标用户的最近邻居.实验结果表明,该算法可以有效地解决用户评分数据极端稀疏情况下传统相似性度量方法存在的问题,显著地提高推荐系统的推荐质量.     

基于用户聚类的电子商务推荐系统

协同过滤是推荐系统中采用最为广泛和成功的推荐技术,但随着电子商务系统用户数目和商品数目的增加,在整个用户空间上搜索目标用户的最近邻居的耗时也急剧增加,导致系统性能下降.提出了一种基于用户项目类偏好值矩阵聚类的合作推荐方法,解决了"冷开始"问题,并且由于只在目标用户所属类别中搜索其最近邻居,减少了搜索空间,有效地提高推荐系统的实时响应速度.     

基于综合兴趣度的协同过滤推荐算法

针对传统协同过滤方法难以准确确定目标用户的最近邻居且推荐质量不高的问题,提出综合兴趣度的概念。综合兴趣度是对用户兴趣的完整描述,在此基础上给出一种新颖的基于综合兴趣度的协同过滤算法。实验结果表明,该算法可以提高最近邻居计算的准确性,进而提高推荐质量。     

融合用户自然最近邻的协同过滤推荐算法

现有的基于近邻的协同过滤推荐方法如基于KNN、基于K-means的协同过滤推荐常用来预测用户评分,但该方法确定邻居个数K非常困难且推荐准确率不高,难以达到理想推荐效果。从选择邻居用户这一角度出发,提出一种融合用户自然最近邻的协同过滤推荐算法（Collaborative Filtering recommendation integrating user-centric Natural Nearest Neighbor,CF3N）,该算法首先自适应地寻找目标用户的自然最近邻居集,再融合目标用户的自然最近邻居集与活动近邻用户集,使用融合后得到的邻居集合预测目标用户评分。实验使用了MovieLens数据集,以RMSE和MAE为评测标准,比较CF3N、CF-KNN与INS-CF算法,结果显示在电影领域该算法的推荐准确率有显著提高。     

Diversified recommendation method combining topic model and random walk

As one of the most widely used algorithms in recommendation field, collaborative filtering (CF) predicts the unknown rating of items based on similar neighbors. Although many CF-based recommendation methods have been proposed, there still be room for improvement. Firstly, the data sparsity problem still remains a big challenge for CF algorithms to find similar neighbors. Secondly, there are many redundant similar items in the recommendation list generated by traditional CF algorithms, which cannot meet the user wide interest. Therefore, we propose a diversified recommendation method combining topic model and random walk. A weighted random walk model is presented to find all direct and indirect similar neighbors on the sparse data, improving the accuracy of rating prediction. By taking both users’ behavior data and items’ lags into account, we give a diversity measurement method based on the topic distribution of items discovered by Linked-LDA model. Furthermore, a diversified ranking algorithm is developed to balance the accuracy and diversity of recommendation results. We compare our method with six other recommendation methods on a real-world dataset. Experimental results show that our method outperforms the other methods and achieves the best personalized recommendation effect.     

基于用户兴趣度和特征的优化协同过滤推荐

协同过滤技术目前被广泛应用于个性化推荐系统中。为了使用户的最近邻居集合更加精确有效,提出了基于用户兴趣度和用户特征的优化协同过滤推荐算法。首先通过计算用户对项目的兴趣度来对用户进行分组;然后采用贝叶斯算法分析出用户具有不同特征时对项目的喜好程度;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。实验表明该算法提高了最近邻居集合的有效性和准确度,推荐质量较以往算法有明显提高。     

基于信任模型的协同过滤推荐算法

提出一种基于信任机制的协同过滤推荐算法,其中,直接信任度基于共同评价项目得出,推荐信任度通过对项目的预测得出。借鉴社会网络中人与人之间的信任评价方法,使用户之间的相似度计算更加准确,从而为目标用户提供更好的推荐结果。实验结果表明,该模型提高了信任度预测的准确性及系统的推荐质量。     

改进的协同过滤推荐算法

协同过滤是迄今为止个性化推荐系统中采用最广泛最成功的推荐技术,但现有方法是将用户不同时间的兴趣等同考虑,时效性不足,而且推荐精度也有待进一步提高。鉴于此提出一种改进的协同过滤算法,针对用户近邻计算和项目评分的预测两个关键步骤,提出基于项目相关性的用户相似性计算方法,以便邻居用户更准确,同时在预测评分的过程中增加时间权限,使得接近采集时间的点击兴趣在推荐过程中具有更大权值。实验结果表明,该算法在提高了推荐精度的同时实现了实时推荐。     

Hybrid immunizing solution for job recommender system

Two traditional recommendation techniques, content-based and collaborative filtering (CF), have been widely used in a broad range of domain areas. Both methods have their advantages and disadvantages, and some of the defects can be resolved by integrating both techniques in a hybrid model to improve the quality of the recommendation. In this article, we will present a problem-oriented approach to design a hybrid immunizing solution for job recommendation problem from applicant’s perspective. The proposed approach aims to recommend the best chances of opening jobs to the applicant who searches for job. It combines the artificial immune system (AIS), which has a powerful exploration capability in polynomial time, with the collaborative filtering, which can exploit the neighbors’ interests. We will discuss the design issues, as well as the hybridization process that should be applied to the problem. Finally, experimental studies are conducted and the results show the importance of our approach for solving the job recommendation problem.     

基于用户谱聚类的协同过滤推荐算法

针对电子商务系统中传统协同过滤推荐算法面临的稀疏性、准确性、实时性等问题,提出了一种基于用户谱聚类的协同过滤推荐算法。首先利用非负矩阵分解的方法对原始稀疏评分矩阵进行平滑处理,然后利用改进相似度的谱聚类方法将用户聚类,最后在用户所属类中寻找最近邻并产生推荐。用户谱聚类过程可离线完成,加快了在线推荐速度。在数据集MovieLens上的实验结果表明,该算法在平均绝对偏差、召回率、准确率等方面都有了较大改善,提高了推荐质量。     

融合核密度估计和奇异值分解的多样化推荐算法

现今的推荐算法大多以提高推荐列表准确率为目标,而对推荐的多样性考虑较少,这样会导致推荐结果新颖性不强,在考虑多样性的时候又会降低准确率.本文提出了一种融合兴趣分布与奇异值分解的多样化推荐算法(KDE-SVD),首先使用核密度估计的方式估计用户兴趣分布,得出用户在兴趣分布上相似的邻居,并使用兴趣分布上相似的邻居的评分对当前用户未评分的物品进行预评分,然后将上一步得到的预评分填入用户-评分矩阵,进行SVD分解,此时获取推荐列表即包含了兴趣相似邻居预评分而来的物品,保证推荐列表的多样性,也有SVD分解而得的行为相似邻居的物品,保证推荐列表的准确率.在实验数据集上实验表明,该本文算法能保证准确率的的情况下充分提高推荐多样性.     

基于动态用户画像的信息推荐研究

针对传统信息推荐方式精度偏低的问题,引入用户画像作为推荐基础,在深入研究文本分类和用户行为后,提出一种基于动态用户画像的推荐方法.该方法通过动态分析用户历史数据,预测用户的兴趣变化趋势,从而实现动态推荐.离线实验证明,该方法在预测用户偏好变化方面具有一定优势,相较于传统的基于标签的信息推荐,提高了推荐精度.     

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.