首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到20条相似文献,搜索用时 201 毫秒
1.
传统的协同过滤算法广泛应用于推荐系统领域,但该算法仍存在用户冷启动和数据稀疏性问题,造成算法的推荐质量较差。对此,提出一种基于用户多属性与兴趣的协同过滤算法AICF(Attributes and Interests Collaborative Filtering)。首先通过对多种用户属性分配权重计算出用户多属性相似度。其次利用改进的Slope One算法填充用户-项目评分矩阵,然后计算基于隐性标签的用户兴趣相似度。最后基于两种相似度的组合进行推荐。实验结果表明,AICF算法不仅明显提高了推荐结果的准确性,同时也解决了用户冷启动和数据稀疏性问题。  相似文献   

2.
移动网络和智能终端的发展使得基于优质用户的伴随人员的推荐成为互联网发展的热点之一,而伴随人员的推荐算法则是至关重要的因素.针对以往基于地理位置的用户轨迹性相似推荐算法中需基于地理位置或基站数据,且数据稀疏时推荐结果不理想的问题,提出了基于IP场所的轨迹余弦相似度的伴随人员推荐,以更完善的IP场所数据代替地理位置数据,以一段时间的纵向日期和横向时刻分别计算余弦相似度以消除数据稀疏性问题.最后推荐出了相似度质量更高的伴随人员.  相似文献   

3.
推荐算法通过历史数据发现用户的兴趣偏好,在数据资源中寻找用户的偏好信息,并对用户进行推荐。目前,推荐系统中的协同过滤算法在各领域应用广泛,由于数据稀疏性和冷启动,使得推荐质量有所下降,为提升推荐精度,有学者从相似度方向进行研究。总结了推荐系统中最广泛使用的协同过滤算法,以及推荐系统中常用的传统相似度算法;对比分析了基于Pearson相关系数的相似度、余弦相似度、修正的余弦相似度等的适用场景;从冷启动和数据稀疏等方面分析了相似度的研究现状,研究表明通过混合相似度计算用户相似性,提高了推荐质量。最后,总结了相关文献在改进后存在推荐效率低、复杂度增高的问题,在提高推荐精度和推荐效率方面对相似度改进进行了展望。  相似文献   

4.
协同过滤推荐算法是目前应用最广泛个性化推荐技术,其中用户相似度的计算方法是影响推荐算法质量的关键因素。针对传统协同过滤算法中稀疏评分数据造成的用户相似度计算不准确问题,提出一种基于用户兴趣模型的协同过滤推荐算法。该算法使用分布估计算法建立用户兴趣模型,并使用用户兴趣模型计算用户间相似度。实验表明,该算法的准确性受数据稀疏性影响较小,同时在收敛速度和推荐准确性方面有明显提高。  相似文献   

5.
针对协同过滤推荐算法中数据极端稀疏所带来的推荐精度低下的问题,文中提出一种基于情景的协同过滤推荐算法。通过引入项目情景相似度的概念,基于项目情景相似度改进了用户之间相似度的计算公式,并将此方法应用至用户离线聚类过程中,最终利用用户聚类矩阵和用户评分数据产生在线推荐。实验结果表明,该算法能够在数据稀疏的情况下定位目标用户的最近邻,一定程度上缓解数据极端稀疏性引起的问题,并减少系统在线推荐的时间。  相似文献   

6.
《微型机与应用》2016,(17):17-19
协同过滤推荐算法是推荐系统研究的热点,近年来,在亚马逊、淘宝等商业系统中获得应用。在实际应用过程中,协同过滤推荐面临数据稀疏和准确性低的问题。作为推荐基础的用户-产品(项目)矩阵通常非常稀疏(存在大量缺失数据),从而导致推荐结果不准确。文章试图在缺失数据情况下提高协同过滤推荐的准确性,聚焦以下两个方面:(1)用户相似度、产品(项目)相似度计算;(2)缺失数据预测。首先,用增强的皮尔森相关系数算法,通过增加参数,对相似度进行修正,提高用户、产品(项目)相似度计算的准确率。接着,提出一种同时考虑了用户和产品(项目)特征的缺失数据预测算法。算法中,对用户和产品(项目)分别设置相似度阈值,只有当用户或产品(项目)相似度达到阈值时,才进行缺失数据预测。预测过程中,同时使用用户和产品(项目)相似度信息,以提高准确度。在模型基础上,用淘宝移动客户端的数据集进行了验证,实验结果表明所提算法比其他推荐算法要优异,对数据稀疏性的鲁棒性要高。  相似文献   

7.
现有的兴趣点推荐算法大都存在两个问题:第一,算法中利用用户签到的历史数据,而忽略了用户的评论和标签等信息,不能很好地解决冷启动问题。第二,部分算法在计算相似度时仅使用用户的签到评分,而由于POI签到矩阵的高稀疏性,会导致推荐结果不准确。鉴于上述问题,提出了利用潜在的狄利克雷分配(Latent Dirichlet Allocation,LDA)主题模型挖掘用户的兴趣话题,融合签到数据进行相似度度量,很好地解决了冷启动问题。在推荐生成阶段提出了一种动态预测法,动态填补缺失的访问概率,进一步缓解数据稀疏,提高推荐质量。在真实数据集上的实验结果表明,基于相似度融合和动态预测的兴趣点推荐算法有效解决了数据稀疏性和冷启动问题,推荐性能优于传统的推荐算法。  相似文献   

8.
传统基于用户的协同过滤推荐算法在计算用户相似性时经常面临数据稀疏的问题,同时忽略了不同评分项目之间的差异。针对这些问题,提出一种基于FunkSVD矩阵分解和相似度矩阵的推荐算法。利用用户评分数据与物品标签数据计算出用户的相似度矩阵;利用FunkSVD对得到的相似度矩阵进行矩阵分解,生成新的用户相似度矩阵;根据用户之间评分数据对两个相似度矩阵中的用户相似度加权组合,并生成用户的综合相似度矩阵来对用户进行评分预测。经过Movielens数据集的实验表明,该算法提高了预测的准确性,优于传统的推荐算法。  相似文献   

9.
邹洋  赵应丁 《计算机应用研究》2020,37(12):3578-3581,3598
针对传统推荐算法中存在的数据稀疏性问题,国内外许多研究人员都提出了相应的推荐算法。然而,在个性化推荐方面,其中大多数并没有取得很好的推荐效果。因此,提出改进填补法和多权重相似度相结合的推荐算法,该算法首先采用改进填补法填充缺失值并对数据降维,接着分别计算社交网络用户信任度和改进的二部图用户关联度,最后采用多权重因子将这两者相似度进行结合。基于此,该算法根据相似度高低获取邻居用户并对目标用户进行商品推荐。实验结果表明,在数据稀疏性以及个性化推荐情况下,该算法的平均绝对误差(MAE)优于其他推荐方法。  相似文献   

10.
随着社交网的广泛流行,用户的数量也急剧增加,针对社交网络用户难以在海量用户环境中快速发现其可能感兴趣的潜在好友的问题,各种推荐算法应运而生,协同过滤算法便是其中最为成功的思想。然而目前的协同过滤算法普遍存在数据稀疏性和推荐精度低等问题,为此提出一种基于动态K-means聚类双边兴趣协同过滤好友推荐算法。该算法结合动态K-means算法对用户进行聚类以降低稀疏性,同时提出相似度可信值的概念调整相似度计算方法以提高相似度精度;利用调整后的相似度分别从用户的吸引与偏好两方面计算近邻用户集,综合考虑这两方面近邻对当前用户的择友影响来生成推荐列表。实验证明,相较于基于用户的协同过滤算法,该算法能有效提高系统的推荐精度与效率。  相似文献   

11.
Automatic recommenders are now omnipresent in e-commerce websites, as selecting and offering to users products they may be interested in can considerably increase sales revenue. The most popular recommendation strategy is currently considered to be the collaborative filtering technique, based on offering to the user who will receive the recommendation items that were appealing to other individuals with similar preferences (the so-called neighbors). On the other hand, its principal obstacle is the sparsity problem, related to the difficulty to find overlappings in ratings when there are many items. As the product catalogue of these sites gets more and more diverse, a new problem has arisen that happens when users share likings for lots of products (for which they are reckoned to be neighbors) but they differ in products similar to the one that is being considered for recommendation. They are fake neighbors. Narrowing the range of products on which similarities between users are sought can help to avoid this, but it usually causes a worsening of the sparsity problem because the chances of finding overlappings gets lower. In this paper, a new strategy is proposed based on semantic reasoning that aims to improve the neighborhood formation in order to overcome the aforementioned fake neighborhood problem. Our approach is aimed at making more flexible the search for semantic similarities between different products, and thus not require users to rate the same products in order to be compared.  相似文献   

12.
Collaborative filtering is one of the most successful and widely used methods of automated product recommendation in online stores. The most critical component of the method is the mechanism of finding similarities among users using product ratings data so that products can be recommended based on the similarities. The calculation of similarities has relied on traditional distance and vector similarity measures such as Pearson’s correlation and cosine which, however, have been seldom questioned in terms of their effectiveness in the recommendation problem domain. This paper presents a new heuristic similarity measure that focuses on improving recommendation performance under cold-start conditions where only a small number of ratings are available for similarity calculation for each user. Experiments using three different datasets show the superiority of the measure in new user cold-start conditions.  相似文献   

13.
Data sparsity, that is a common problem in neighbor-based collaborative filtering domain, usually complicates the process of item recommendation. This problem is more serious in collaborative ranking domain, in which calculating the users' similarities and recommending items are based on ranking data. Some graph-based approaches have been proposed to address the data sparsity problem, but they suffer from two flaws. First, they fail to correctly model the users' priorities, and second, they can't be used when the only available data is a set of ranking instead of rating values.In this paper, we propose a novel graph-based approach, called GRank, that is designed for collaborative ranking domain. GRank can correctly model users’ priorities in a new tripartite graph structure, and analyze it to directly infer a recommendation list. The experimental results show a significant improvement in recommendation quality compared to the state of the art graph-based recommendation algorithms and other collaborative ranking techniques.  相似文献   

14.
有针对性地为用户提供推荐,提高互联网信息利用率是个性化推荐系统的主要目标.文中基于热扩散传播概率模型,结合用户在社交网络中隐含的跟随关系,提出基于热扩散影响力传播的社交网络个性化推荐算法.首先,算法将现实生活中人与人的朋友关系转化为购物网络中用户与用户的跟随关系,构建异构信息网络图,计算用户之间的复合相似度.然后,利用基于热扩散概率模型模拟社会网络中影响力的传播过程,计算社交网络中用户的跟随概率分数并精确排序,筛选与目标用户相似的邻近用户.最后,根据目标邻近用户对各个产品的评分,将评分较高、具有潜在兴趣的产品推荐给目标用户,实现个性化的用户推荐.在公开数据集上与现有的个性化推荐算法进行对比,实验表明,文中算法具有较好的精确度和多样化的推荐效果.  相似文献   

15.
协同过滤是构造推荐系统最有效的方法之一.其中,基于图结构推荐方法成为近来协同过滤的研究热点.基于图结构的方法视用户和项为图的结点,并利用图理论去计算用户和项之间的相似度.尽管人们对图结构推荐系统开展了很多的研究和应用,然而这些研究都认为用户的兴趣是保持不变的,所以不能够根据用户兴趣的相关变化做出合理推荐.本文提出一种新的可以检测用户兴趣漂移的图结构推荐系统.首先,设计了一个新的兴趣漂移检测方法,它可以有效地检测出用户兴趣在何时发生了哪种变化.其次,根据用户的兴趣序列,对评分项进行加权并构造用户特征向量.最后,整合二部投影与随机游走进行项推荐.在标准数据集MovieLens上的测试表明算法优于两个图结构推荐方法和一个评分时间加权的协同过滤方法.  相似文献   

16.
针对传统的协同推荐算法存在数据稀疏和推荐精度低的问题,提出了一种集成社会化标签和用户背景信息的协同过滤(CF)推荐方法。首先,分别计算基于社会化标签和用户背景信息的用户间的相似度;然后,基于用户评分计算用户间的相似度;最后,集成上述3种相似性度量产生用户间综合相似度,并对目标用户进行项目推荐。实验结果表明,与传统的协同过滤推荐算法相比,所提方法在正常数据集和冷启动数据集下的平均绝对误差(MAE)平均降低了16%和22.6%。该方法不仅能有效地提高推荐算法的精度,而且能较好地解决数据稀疏和冷启动的问题。  相似文献   

17.
王毅  金忠 《计算机科学》2016,43(5):219-222, 237
传统的推荐系统往往是通过使用协同过滤或基于内容的方式来实现的,而文中将矩阵完整化的方法应用到推荐系统中。由于数据的稀疏性,直接使用矩阵完整化的方法会给推荐结果带来不小的误差。考虑到使用用户中存在一些活跃用户,挖掘出这些特殊用户,由他们组成的数据会降低稀疏性,而且对活跃用户提高 推荐质量,会产生更大的商业价值。提出了一种分块整合推荐的方法,实验结果表明该方法能够提升推荐精度。  相似文献   

18.
传统的协同过滤推荐算法在实际应用中往往面临着计算可扩展性的问题。为解决此问题,文中在基于物品的协同过滤推荐的框架下,通过融合社交关系信息,提出了一种基于空间变换的协同过滤推荐算法。首先,根据用户社交网络信息,运用社区发现算法将用户划分为不同的类;其次,基于评分信息,根据用户和物品之间的对应关系找到各个用户类所对应的物品类;最后,通过各个物品对每一物品类的隶属关系,将稀疏的高维评分信息矩阵转换为一个低维稠密的物品隶属度矩阵,进而基于该矩阵进行相似度计算并进行协同过滤推荐。在公开数据集上将所提方法与其他算法进行了对比实验分析,结果表明,所提算法能够在保证推荐准确性的同时明显提升计算效率。  相似文献   

19.
20.
陈燕  马进元  李桃迎 《计算机应用研究》2021,38(9):2662-2666,2672
数据稀疏和用户冷启动一直是推荐系统中亟待解决的问题,因此提出了一种基于共享评级迁移的跨域推荐算法(shared ratings transfer cross-domain recommendation,SRTCD).首先,该算法考虑到不同领域间存在着用户群体/项目信息潜在特征的相似性,对各个领域评分矩阵进行概率矩阵分解,得到用户和项目的潜在特征;再利用基于模拟退火和遗传算法优化的K-means算法对用户和项目分别进行聚类,将用户类别和项目类别的内积作为共享评级;然后利用各领域数据集的共享评级和目标领域数据集的特定评级得出推荐结果.最后,利用公共数据集对所提方法SRTCD进行验证,结果表明该方法的推荐性能明显优于常用推荐算法.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号