利用项目属性和偏好改进协同过滤推荐

协同过滤(CF)推荐系统可以通过了解用户过去的行为向用户推荐项目. 针对现有的CF推荐系统没有利用潜在的项目偏好信息,提出了一种利用项目偏好改进CF的推荐方法. 该方法首先采用K-means算法对用户进行聚类,然后利用用户聚类和效用矩阵构建项目偏好矩阵,最后在基于项目的CF方法中,综合项目评分相似度、项目属性及其偏好特征相似度产生推荐. 实验结果表明,该方法获得了较好的推荐精度,在一定程度上缓解了稀疏问题.     

基于用户交互行为的群组推荐偏好融合策略

为尽可能减小群组成员对所推荐项目的不满意度,提高推荐系统的准确度,在传统推荐系统的基础上,提出一种基于用户交互行为的偏好融合策略。通过成员间协同过滤获得用户对项目的预测评分,通过组间协同过滤获得群组对项目的预测评分,再利用用户间的交互行为获得用户在群组中的权重,进而获得群组对推荐项目的最终评分。通过改进的GMAE评估模型对本融合策略进行验证和评价, 结果表明,本策略在准确度、推荐项目多样性方面较传统协同融合策略有明显提高。     

基于用户信任的攻击检测防御模型

提出了一种基于用户信任的攻击检测防御模型,通过用户对系统推荐项目的反馈情况和其邻居用户对该项目的推荐分进行分析评判,引入信任度机制,来降低攻击用户对推荐系统的影响。大量的实验证明,该模型能有效地降低协作过滤推荐中的随机攻击和平均攻击所产生的攻击效果,从而提高推荐系统的可靠性。     

语义环境下个性化推荐系统建模

为解决现有个性化推荐系统中缺乏对语义信息处理能力的问题,建立了语义推荐系统模型,使用描述逻辑实现了该模型,并给出了推荐算法。在实现模型的过程中引入了两条规则实现了概念层次关系在兴趣程度和关联程度上的传递。实验证明,通过将用户的兴趣和待选资源的相关概念在语义层面进行适当扩展,语义推荐系统模型能产生更多符合用户兴趣的推荐项目。     

基于用户聚类的二分图网络协同推荐算法

针对协同过滤推荐系统应用中存在的数据稀疏、可扩展性受限等问题,提出了一种基于用户聚类的二分图网络协同推荐算法.该算法在用户聚类阶段对二分图网络进行用户中心聚类,并获取用户聚类中心及其所在的群组,基于用户群组的评价信息为目标用户提供更广泛的推荐数据;在协同推荐阶段,围绕聚类中心及其所在群组为未评分项目完成预测评分,为用户推荐综合评分最高的Top-n项目.结果表明,该算法能够提升目标用户推荐的准确度,并能改善协同推荐的多样性.     

基于Python的推荐系统相似性分析和协同过滤

推荐系统是根据用户在电子商务网站上的购买和浏览记录,将用户感兴趣的物品主动推荐给用户。有两种主要的推荐方法,一种是基于用户相似的推荐,一种是基于项目相似的推荐。文中介绍了计算用户或项目的相似程度的常用方法,诸如欧式距离、曼哈顿距离、皮尔逊相关系数、余弦相关性等算法。在本章的最后,还给出了一个基于项目协同过滤的推荐系统的Python分析和计算。     

基于评论文本情感注意力的推荐方法研究

基于评论文本的深度学习推荐方法主要利用评论文本刻画用户和项目的特征信息,学习用户对项目的评分关系,提升推荐的性能.现有研究工作在提高推荐系统精度质量的同时,忽略了情感特征在评分预测中的可解释性贡献.针对此问题,考虑了评论文本以及情感倾向分别在用户和项目嵌入中的作用,提出了一种基于评论文本情感注意力的推荐方法(Incor...     

基于用户项目特征分组的隐私保护算法

针对互联网推荐系统中存在严重的隐私保护问题,在传统推荐系统算法的基础上,引入项目属性相似度的概念,并提出了一种具备保护用户隐私功能的新型推荐系统.系统利用用户的历史评价和推荐系统中项目的属性信息,使用不采集用户个人信息的协同过滤推荐算法,计算出用户对未评价项目的评分预测,形成了一种能够保护个人隐私的推荐算法.结果表明,与其他推荐算法相比,本文算法在推荐准确度和用户隐私保护程度上取得一个较好的平衡,具有较高的实用价值.     

网络资源中基于K-Means聚类的个性化推荐

为了实现在网络资源中为网络用户提供针对兴趣爱好的推荐项目,提出了一种基于K-means聚类的应用于动态多维社会网络的个性化推荐算法.首先根据用户评分数据对用户进行建模,并根据评分数据集构建多维用户网络,再加入局域世界演化理论形成动态多维网络;然后根据改进的K-means算法对用户聚类;最后根据最近邻居得到目标用户的预测评分作出推荐,从而形成一种应用于动态多维社会网络中的个性化推荐算法.实验表明,相比协同过滤个性化推荐系统,新推荐策略的预测值和真实值之间的误差较小,个性化推荐水平得到了一定程度的提高.     

基于客户关系演进的柔性推荐系统分析

通过对国内电子商务网站的推荐系统应用情况分析,总结国内电子商务网站推荐系统的现状及不足.根据用户在客户关系的不同阶段,将其划分为考察期、形成期、稳定期和退化期这4类,客户关系的不同和同一阶段具有不同消费习惯的用户对推荐系统需求是不同的,电子商务企业应为用户提供差异化的服务和个性化的管理.基于客户关系的柔性推荐系统能根据用户与企业的交互程度产生相应的推荐功能.     

基于深度学习的推荐算法研究综述

深度学习技术是机器学习领域的一个研究热点,已被深入研究并广泛应用于许多领域. 推荐系统是缓解信息过载的重要技术,如何将深度学习融入推荐系统,利用深度学习的优势从各种复杂多维数据中学习用户和物品的内在本质特征,构建更加符合用户兴趣需求的模型,以提高推荐算法的性能和用户满意度,是深度学习应用于推荐系统的主要研究任务. 对基于深度学习的推荐算法研究和应用现状进行了综述,讨论并展望了深度学习应用于推荐系统的研究发展趋势.     

基于数据稀疏性的协同过滤推荐算法改进研究

针对根据用户的活动行为向其推荐感兴趣项目的协同过滤推荐算法,随着用户数量和项目数量增多,用户在单一项目上的活动行为减少,导致推荐质量不佳的问题,本文提出了在数据稀疏的情况下提高推荐质量的优化算法。在方法上将基于项目和基于用户的推荐方法相结合,根据用户之间的相似度初步预测用户对项目的评分,再基于项目之间的相似度产生推荐;在填补未评分的空缺值时,将平均值与预测值相结合;在计算相似度时,考虑用户之间共同评分的项目数权重和项目之间被用户共同评分的用户数权重。实验首先对比了几种基本推荐算法的推荐效果以选取较佳的基本算法做研究,接着在此基础上将本文提出的优化算法与其他算法进行了对比,最后不同程度增加数据稀疏性做进一步的对比实验。实验表明,在优化算法的实验中,本文提出的优化算法一直具有较好的推荐效果。在数据稀疏性改变的实验中,随着数据稀疏度的增大,本文提出的优化算法推荐效果更具有明显优势。     

基于用户兴趣的个性化推荐算法研究

针对协同过滤算法存在用户兴趣不易捕捉的问题,提出了一种基于用户兴趣偏移和项目自身属性特征的个性化推荐算法。利用滑动时间窗内项目属性和用户评分建立出用户兴趣偏爱因子,通过推荐项目自身属性特征给出用户对项目的偏爱度;最后结合项目偏爱度和协同过滤算法中预测评分产生推荐。实验结果表明,该算法准确反映出用户兴趣的偏移和项目自身属性特征,在推荐质量上也得到提高。     

用户聚类的电子商务推荐系统研究

随着电子商务规模越采越大,协同过滤推荐算法的可扩展性差的问题也越来越受到人们的重视,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,有效地提高了推荐系统的实时响应速度．     

基于改进协同过滤算法的推荐系统设计与实现

随着科技的发展以及信息化时代的到来,网络数据已由单一性向着复杂性、全面性转变,在大量冗余信息中提炼出有用数据,并进行精准推荐,解决信息过载问题是研究的重点。传统的协同过滤算法,通过研究相似用户的兴趣偏好进行相似性计算,忽略了时间因素以及项目属性对用户的影响,进而造成数据的稀疏性;且当引入新项目时无法及时的进行推荐,导致冷启动问题的产生,可扩展性不足。针对这种情况在已有过滤算法的模型上,引入新的相似性度量方法,将项目属性与用户评分信息进行融合并加入自适应平衡因子,对项目的相似性进行综合评判,进而实现精准推荐。通过实验仿真可知,改进算法可以较好地解决传统推荐系统的冷启动以及数据稀疏性等问题,具有一定鲁棒性,且不需要对噪声权重进行设置。     

改进的协同过滤算法

针对传统的CF（Collaborative Filtering）算法和基于项目评分的CF算法中存在的数据稀疏、扩展性及计算效率低的问题,通过引用评价系数,对其相似性计算和推荐集的选取方法进行了改进,提出了一种改进的基于相关相似性的CF算法,产生更为准确的用户兴趣度预测,从而提高系统推荐的质量与推荐效率。对改进算法进行实验和性能对比与评价的结果表明,改进算法与传统算法相比,能显著提高推荐精度,平均绝对误差（MAE：Mean Absolute Error）为0．53～0．77。     

基于云计算的电子商务推荐系统研究

通过对云计算系统架构、平台开发、用户行为分析、电子商务应用等方面的研究,提出了一种新型的分布式存储系统,并在此基础上构建了一种新的智能化电子商务个性化推荐系统。该推荐系统有效解决了大型日志数据存储、无法实时推荐、算法伸缩性低等问题,为用户提供动态、实时的个性化服务,实现了商务推荐引擎的个性化和智能化。     

基于社会信任正则化的排名推荐算法

随着在线商品交易额逐年增大和社交网络不断深入发展,推荐系统已成为解决信息过载的重要工具之一。当评分矩阵数据稀疏性较大时推荐精度就会显著下降,特别是用户冷启动的时候这个问题更加明显。因此,本文提出一种新的基于隐式反馈信息的社会化排序推荐算法。该算法首先利用矩阵分解方法计算不同项目间的用户偏好。其次将用户偏好信息融入Bayesian Personalized Ranking (BPR)算法中。然后挖掘用户之间相似关系以及信任用户直接和间接关系,并量化它们之间的信任关系,从而研究不同项目之间用户偏好差异。最后将以上这些信任关系和BPR算法进行融合,进而构建出社会化排序推荐模型。为了验证所提出的社会化排序推荐算法,在DouBan数据集和FilmTrust数据集上,进行该算法的有效性验证。主要通过Precision、MAP和NGCD这三种排序评估指标分别在全数据集和用户冷启动中验证本文所提算法与SBPR、TBPR、BPRMF和MostPopular等算法之间排序推荐的优劣性。实验结果证明本文所提算法明显优于其他排序推荐算法,并可以获得更好的推荐准确率。可见该算法可以有效改善由于数据稀疏性和用户冷启动所带来推荐效果差的问题。     

基于机器学习的视频识别与自适应推送算法

针对短视频推荐的广告与视频内容无关,而导致的投放收益低和用户体验差的问题,提出了一种基于机器学习的图片检测与内容推荐算法.使用基于相似度计算的关键帧提取算法从短视频中提取出关键帧,使用Faster R-CNN物体检测框架实时检测关键帧中包含的物品,并使用基于用户偏好的广告推荐算法实时更新用户的偏好权重.算法实现与仿真测试结果表明,所提出的方法可以满足实时用户推荐系统的需求,并能够根据用户的偏好情况进行广告推荐,实现84.19%的推荐准确率.     

基于协同谱聚类的推荐系统托攻击防御算法

提出了一种基于协同谱聚类的推荐系统托攻击防御算法. 该算法首先使用谱聚类方法对协同聚类算法进行改进,以在用户和项目2个维度上同时进行聚类;接着在聚类基础上结合分级偏离平均度对用户进行项目推荐. 实验测试结果表明,在同等托攻击规模的情况下,该算法可以降低实施托攻击的用户和攻击数据对系统推荐结果的影响.