协同过滤推荐算法研究综述

协同过滤推荐算法是目前在推荐系统中应用最成功和广泛的技术之一。本文详细介绍了协同过滤推荐算法的分类和度量指标。同时，分析了协同过滤推荐算法中的问题以及相应的解决办法。最后阐述了协同过滤推荐系统中仍需解决的问题和未来可能的发展方向。     

一种基于信息老化的协同过滤推荐算法

协同过滤推荐算法中存在推荐信息低时效性问题,该文针对此问题,结合信息老化理论,提出一种基于信息老化的协同过滤推荐算法。该算法利用用户的点击记录,构建项目的时效性评价模型来预测项目当前时刻被点击的概率;将模型与基于项目协同过滤推荐算法结合,综合考虑用户的兴趣和项目的时效性来发现项目的最近邻居,从而进行高时效性的推荐。实验结果表明,与传统基于项目的协同过滤推荐算法相比,该算法提高了推荐结果的时效性。     

协同过滤推荐算法的研究

随着互联网的普及,网络资源的激增,网上购物的交易方式正在改变着传统的商业模式。为了提供精确而又快速的推荐,研究者提出了多种推荐算法。本文将针对电子商务发展的需求,通过协同过滤推荐算法的文献综述,对传统过滤算法无法适用于用户多兴趣下的推荐问题进行了剖析,提出了一种基于用户多兴趣的协同过滤推荐改进算法,分析了基于用户多兴趣的协同过滤推荐算法的电子商务系统。     

基于协同过滤算法的MOOC个性化推荐系统

MOOC(慕课,Massive Open Online Course)大规模在线开放课程是一个在线课堂,旨在通过网络让用户随时无限制学习。为了让用户发现感兴趣且高质量的课程,文中设计了一种基于协同过滤技术的MOOC个性化课程推荐系统,为用户提供个性化的课程选择,以提升用户体验。同时对协同过滤算法存在的缺陷提出了改进思路,并对推荐技术以及MOOC未来的发展进行了展望。     

基于协同过滤的推荐算法研究

随着互联网时代WEB2.0技术的到来,信息过载问题要通过协同过滤推荐系统算法有效地解决。文章分析了基于协同过滤的推荐算法研究的意义和基于协同过滤的推荐算法研究的现状,根据推荐系统和协同过滤算法的特点,分别对融合社交网络信息的协同过滤算法、融合基于用户和基于项目协同过滤算法进行简单的研究和分析。     

协同过滤推荐瓶颈问题研究

进入21世纪以来,我国的科学技术取得了巨大进步,互联网和电子商务正处于迅猛发展的阶段,促进信息化不断深入到人们的日长生活工作当中。在现代社会中人们的工作繁忙,在购物方面越来越多偏向于在电子商务网站上进行,在享受足不出户的便利的同时,也因为电子商务网站所提供的大量商品造成严重的"信息超载",于是就出现了电子商务推荐系统。其中协同过滤推荐是目前最为常用的电子商务推荐系统,它已经被广泛应用于各商务网站中,但是在使用过程中还存在许多的问题,这些协同过滤推荐瓶颈问题严重阻碍了它的进一步发展。因此,文章的主旨就是针对协同过滤推荐瓶颈问题进行研究,并提出相对应的解决措施清扫阻碍。     

基于协同过滤算法的推荐系统研究

传统的推荐算法主要分为两类:基于内容过滤推荐算法(contents-based filtering,简称CBF)[1-2]和基于协同过滤推荐算法(collaborative filtering,简称CF)[3-10]。CBF算法主要利用信息检索或信息过滤技术,根据推荐项目(item)的内容信息和用户配置文件的相关性向目标用户推荐相关项目。     

协同过滤算法优化在推荐系统中的应用

基于协同过滤算法的推荐系统广泛应用于电子商务平台。在成熟推荐系统技术的基础上,探讨应用在团购网站上遇到冷启动、产品跟新周期快、用户以情感性需求主导消费等问题以及解决方案。     

智能运维平台协同过滤信息推荐系统设计

针对以往使用的内容过滤推荐系统、数据挖掘技术推荐系统难以区分信息属性,导致系统不同分区所占比例与实际不符,出现推荐精准度低的问题,提出了智能运维平台协同过滤信息推荐系统设计.根据系统硬件结构,从超文本服务器中阅读位置信息,构建索引器,在同一上下文中,正向索引和反向索引关键词.使用华为云Stack8.0平台中央处理器,设...     

一种混合式协作过滤服务推荐算法

随着电子商务的飞速发展,服务推荐系统的重要性越来越得到体现。服务推荐技术作为电子商务的重要应用技术之一,为用户正确的决策提供有力的支持和保证。传统的基于协作过滤的服务推荐算法存在无法进行双向推荐的弊端,同时推荐质量有待提高。针对这些不足,提出了一种基于混合式协作过滤的服务推荐算法,考虑用户和服务之间的相似度,实现了双向推荐。实验结果表明,该算法能有效提高推荐质量。     

一种基于RFM模型的新型协同过滤个性化推荐算法

摘要：为了提高个性化推荐效果及预测准确度,特别是针对传统算法中评分矩阵过于稀疏等问题提出一种新颖的协同过滤算法。该算法首先利用RFM模型合理地筛选用户信息,其次通过黏性客户的消费记录稠密化用户—项目评分矩阵,并改进了传统相似度计算公式。通过仿真实验证实了算法的准确性,最后将其应用于一套具有个性化商品推荐功能的系统原型中,证明了该推荐算法的有效性及实用性。     

基于ALS协同过滤及频繁项挖掘的混合推荐算法

在信息技术日益发展的当下,不同类型的推荐算法在互联网行业的各领域有着广泛的应用。在目前使用较多的推荐算法中,部分侧重于基于评分的预测,也有部分是基于关联排序生成的推荐序列。本文设计一种混合推荐算法,将交替最小二乘法(ALS)计算的具体评分与Fp-growth的置信度相结合,融合两种算法的优势,从而实现推荐结果优化。基于Spark计算框架的实验表明,在选取合适的算法参数的情况下,这种改进的算法与交替最小二乘法(ALS)的原始结果相比,效率有较明显的提高,能够更准确的为用户做出个性化推荐。     

一种改进的混合协同过滤推荐算法

传统协同过滤算法存在着相似度计算差和因数据稀疏而导致推荐信息不准确问题。文中通过改进相似度计算方法,提出新的混合协同过滤算法框架,以提高推荐质量。其中,对相似度计算方法的改进采用加权方式,而新的框架是将基于内存的两种协同过滤算法进行结合,最终得到一种混合协同过滤算法。通过Netflix提供的数据集进行实验,实验结果表明,该算法相比于传统协同过滤算法有更好的效果。     

两方参与的隐私保护协同过滤推荐研究

 隐私保护的协同过滤推荐研究致力于在确保高质、高效地产生推荐的同时有效地保护参与方的隐私.在数据分布存储,参与方大于2的情形,已有研究针对其核心任务——对指定项进行评分预测,以可交换的密码系统为主要技术,设计了一个隐私保护计算协议.但该协议不适用于参与方是2的情形.以安全比较计算和安全点积计算为基础安全设施,设计了一个协议,解决参与方是2的情况下对指定项进行评分预测的隐私保护问题,从而解决了隐私保护的两方协同计算问题.预测准确度与数据集中存放一样,证明了协议的正确性,并基于安全多方计算理论和模拟范例,证明其安全性,分析了时间复杂度和通信耗费.     

协同过滤中的相似性度量方法的研究

现今,推荐系统越来越受到重视和普及,协同过滤算法是应用最为广泛的个性化推荐技术之一,对基于用户和项的协同过滤推荐算法进行简单的阐述之后,着重对相似性度量方法进行了研究,分别介绍了相关相似性、余弦相似性和调整的余弦相似性,在稀疏数据下对这3种相似性度量方法进行了分析与比较,在最终给出分析结论,并在此基础上提出了改进的相似性计算方法。     

基于模糊权重相似性的协同过滤算法研究

在传统协同过滤算法中,相似度直接依据用户评分。但是,用户评分会受各种不确定因素影响。采用数值评分的推荐系统收集到的用户喜好信息是模糊、不精确和不完整的。单一的数值不能包含丰富的信息来表达用户喜好,也会导致推荐结果的不准确性。文中定义了几种模糊集的隶属函数,提出了基于模糊逻辑的相似度计算方法。实验结果表明,基于模糊权重的相似度有效的提高了推荐系统的预测准确度,一定程度上解决了协同过滤算法的可扩展性和数据稀疏性问题。     

一种基于社会化标签的协同过滤推荐算法

为了减少社会化标签的语义模糊和冗余给基于标签的协同过滤算法带来的噪声,利用群体智慧选择流行标签对用户和资源建模,在此基础上设计了基于流行标签的协同过滤算法。实验证明,该算法降低了标签噪声,并提高了传统的基于标签协同过滤算法的准确性。     

一种基于协同过滤的网格门户推荐模型

随着网格技术的不断发展,作为网格资源管理接口的网格门户也迅速发展起来。访问网格门户的用户数和门户管理的资源数也越来越多。为了解决网格门户系统资源管理信息规模过载、服务器大规模查询和处理资源负载较高、用户获取所需资源的满意度较低等问题,该文通过分析网格门户的主要功能和特点,在结合现有协同过滤推荐算法并改进的基础上,提出了基于协同过滤的网格门户推荐模型。推荐模型包括协同过滤交互模型、处理模型和展现模型。在设计模型的基础上提出了二次组合协同推荐算法并且进行了和现有算法的比较工作。实验表明：该文提出的推荐模型可以较好地实现网格门户的个性化协同推荐功能,并且可以保证个性化推荐的准确度和质量。     

基于评分预测与排序预测的协同过滤推荐算法

协同过滤推荐算法在电子商务领域运用广泛.之前的研究要么仅从评分预测的角度来研究,要么仅从排序预测的角度来研究.为了兼顾这两个方面,本文在传统的基于评分预测的PMF（Probabilistic Matrix Factorization）算法和基于排序预测的xCLiMF（Extended Collaborative Less-is-More Filtering）算法的基础上提出了一种基于评分预测与排序预测的协同过滤推荐算法URA（Unified Recommendation Algorithm）,该方法通过在PMF和xCLiMF算法中共享用户和推荐对象的特征空间,利用PMF算法来学习高精度的用户和推荐对象的特征向量,从而进一步增强排序推荐性能.实验验证,该方法在评价指标NDCG和ERR下均优于PMF和xCLiMF算法,且复杂度与评分点个数线性相关.URA算法可运用于互联网信息推荐领域的大数据处理.