基于项目语义相似度的协同过滤推荐算法

协同过滤是个性化推荐系统中最广泛使用的推荐技术.在用户评分矩阵极度稀疏情况下,传统的协同过滤推荐算法中用户相似度的计算建立在用户评分项目交集之上,并且没有考虑不同项目之间存在的语义关系,从而导致推荐准确率低.针对上述问题,文章提出一种新的基于项目语义相似度的协同过滤算法(CFSSI,collaborative filtering basedon semantic similarity between Items):首先利用领域本体计算项目之间的相似性,填充评分矩阵缺失值,而后根据修正的余弦相似度计算用户相似性.实验结果表明:算法可以在用户评分数据极端稀疏的情况下,仍能取得较高的推荐质量.     

基于选择性预测策略的协同过滤推荐算法

针对传统协同过滤推荐算法在用户评分数据极端稀疏情况下无法取得令人满意的推荐质量问题,结合User-based 和Item-based 协同过滤算法思想,提出了一种基于选择性预测策略的协同过滤推荐算法,算法利用高相似度阈值来计算用户相似性和项目相似性,并通过形成用户最近邻居集和项目最近邻居集来预测填充评分矩阵。基于Movielens数据集的实验表明,改进的算法有效改善了传统协同过滤推荐算法的数据稀疏性和扩展性问题,明显提高了系统的推荐质量。     

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。     

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。     

一种引入加权异构信息的改进协同过滤推荐算法

协同过滤作为当前应用最成功的推荐技术之一,其推荐质量在很大程度上取决于近邻用户选取的准确性,而数据的稀疏性问题（sparsity）和相似度度量方式（similarity metrics）严重影响着最近邻的选择。该文提出了一种引入加权异构信息的改进协同过滤算法。首先利用异构网络中丰富的语义信息和边属性信息,得到用户之间基于不同元路径的相似度;然后将相似度分别应用到典型的基于用户的协同过滤推荐算法中,得到基于每个相似度的用户评分值;最后采用监督学习算法为每个打分值分配不同的权重,融合为用户最终评分。在扩展MovieLens经典数据集上的实验结果表明,本文所提算法在精确度上较传统算法有显著提高。     

协同过滤算法中一种改进的相似性计算方法

协同过滤算法作为一种成功的个性化推荐技术已经被应用到很多领域中.传统的协同过滤算法中用户相似性的计算只考虑了用户评分信息而没有考虑到用户的社会背景信息,针对这个问题,本文提出了基于用户社会信息的相似度计算方法,实验表明,改进后的协同过滤算法能更好地反映用户兴趣,提高推荐精度,在推荐效果方面得到了更好的改善.     

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.     

一种基于用户兴趣联合相似度的协同过滤算法

在推荐系统中数据稀疏性和推荐时效性是经常面对的问题,为了更好地反映不同用户在不同阶段的邻域相关性,从而能够挖掘出评分项目中所隐含的个性化信息,在基于用户的协同过滤算法预测评分过程中将联合相似度与用户兴趣的时序信息相结合,首先融合覆盖评分信息的用户间的协同相似度、偏好相似度和轨迹相似度等3种相似度,通过参数调节不同度量的权重及相似度阈值形成联合相似度以获取用户有效的邻居数目;其次在联合相似度计算过程中引入反映时间权重的Logistic函数以提高推荐的时效性;最后进行实验,结果表明,所提出的方法与经典算法相比,不仅提高了精度,而且可以更有效地预测用户的真实评分。     

融合用户和项目相关信息的协同过滤算法研究

针对User-based协同过滤和Item-based协同过滤算法的不足，提出了一种新的推荐算法。该算法融合用户-项目评分数据集所包含的用户相关和项目相关的信息来推荐商品，并且利用模糊聚类技术分别将相似的项目和相似的用户聚类，改善传统推荐算法的数据稀疏性和可扩展性问题。实验结果表明，将用户相关和项目相关的信息融合能够提供更好的推荐。     

基于修正相似度的User-Based协同过滤推荐算法

运用传统的User-Based协同过滤算法计算用户相似度时,因数据过度稀疏而易造成较大的计算偏差。为了有效提高该算法的准确性,研究改进相似度计算方法。根据用户现有的评分数据计算每个项目的自信息量,根据自信息量为不同的项目分配权值,利用权值来修正传统的相似度计算方法。当用户共同评分项目数量较少时,增加惩罚因子,以避免评分相似所致相似度过高的问题。     

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。     

基于时间衰减的协同过滤推荐算法

针对传统的协同过滤算法在计算相似度时未考虑时间因素的影响,导致推荐结果不准确的问题,本文提出将时间因素融入用户项目评分矩阵中,以解决兴趣衰减的问题。首先将遗忘曲线和记忆周期作为时间因素融入算法之中,将艾宾浩斯遗忘曲线用于指数函数拟合,从而获得时间与兴趣衰减的函数关系,以此用于优化用户项目的评分。并将改进的评分矩阵应用到基于项目的协同过滤推荐算法中进行推荐。在评分中加入记忆周期的影响,让目标用户对待预测的项目评分预测更为准确。实验结果表明,改进后的基于时间衰减协同过滤算法在准确性方面有显著的提高。     

基于PCA降维协同过滤算法的改进

随着电子商务网站用户与商品数目的增加,使用户一项目评分矩阵成为高维稀疏矩阵,使协同过滤算法的质量降低。为此,采用主成分分析法对用户一项目评分矩阵进行降维处理,改善输入数据的稀疏性。实验结果表明,与几种典型的协同过滤算法比较,改进后的算法推荐质量有明显提高。     

一种压缩稀疏用户评分矩阵的协同过滤算法

提出了一种通过降低用户评分矩阵维数来解决数据稀疏问题的协同过滤算法(基于项目多类属概率潜在语义的协同过滤算法)．首先将概率潜在语义分析法中的隐变量集固定为项目的多类属集,明确隐变量的意义,限制隐变量的变化范围; 而后迭代学习隐变量的分布,即用户的兴趣模型,压缩用户评分矩阵; 最后用学到的兴趣模型度量用户的相似度,对目标用户做出推荐． 仿真实验结果表明: 该算法有效解决了数据稀疏问题,平均绝对误差低于基于记忆的协同过滤算法4％; 与通过概率潜在语义分析法降低用户评分矩阵维数来解决数据稀疏问题的协同过滤算法相比,该算法明确了隐变量的意义,提高了对系统的理解,并取得了富有竞争力的推荐性能．     

推荐系统中分布式混合协同过滤方法

传统协同过滤方法面临数据稀疏问题,稀疏的用户-项目关联数据将产生不准确的相似用户或项目,为了改善推荐质量,提出一种基于Map Reduce的混合协同过滤方法.该方法利用用户特征和用户-项目评分数据构造项目偏好向量,然后使用模糊K-Means算法对项目进行聚类,并从每个项目簇中选择相似项目,最后组合所有项目簇的预测结果作出推荐.实验结果显示,该方法能缓解数据稀疏问题,改善推荐精度.     

基于双因子混合加权相似度的协同过滤推荐算法

针对在数据稀疏和冷启动情况下,使用协同过滤推荐算法中传统相似度算法产生相似度不准确的问题,本文将传统相似算法中修正余弦相似度算法与基于用户属性的相似度算法加权混合,引入双因子作为权重,双因子用sigmoid函数定义,以阈值与读者借阅量的差值为变量,当读者借阅量大于(小于)阈值时,数据不稀疏(稀疏),修正余弦相似度算法权重自动增加(降低),基于用户属性相似度算法的权重自动降低(增加)。这种自动调整2种相似度算法权重的方法,既考虑了传统相似算法的优点,又避免其缺点。通过实验证明,改进后的算法提高了相似度计算的准确性,提高了推荐精度,在一定程度上解决了数据稀疏和冷启动下产生的相似度不准确问题。     

基于用户量化属性的多维相似度的协同过滤推荐算法

针对传统协同过滤推荐算法模型过于粗糙和推荐精度较低的问题,提出了一种新的基于用户量化属性的多维相似度的协同过滤推荐算法.该算法考虑到个别项目对相似度计算的影响,利用最大差值特性进一步描述用户评分相似度,并结合用户量化属性,构建用户兴趣偏好模型,依此阐明了新的相似度计算方法,利用该方法获取目标用户的近邻用户和预测评分,最终实施推荐.实验结果表明该算法可以有效的提高推荐质量.     

基于信息熵的协同过滤算法

针对用户评分数据的稀疏性制约着系统的推荐质量的问题,提出了一种基于信息熵的协同过滤算法。首先定义了用户信息熵以反映用户评分分布和倾向程度;然后,利用大间隔的方法计算目标用户与其他用户的间隔距离,结合目标用户的信息熵,得到目标用户的近邻选择范围;最后,同时考虑用户的信息熵和用户间的相似性大小得到目标用户的近邻集合,以降低数据稀疏性对推荐结果的影响。试验结果表明:基于信息熵的协同过滤算法能够有效地提高推荐质量。     

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。