融合邻域模型与矩阵分解模型的推荐算法

协同过滤推荐算法是目前构建推荐系统最为成功的算法之一,它利用已知的一组用户对物品喜好数据来对推测用户对其他物品的喜好,其中,能够直接刻画用户与项目潜在特征的矩阵分解模型和通过分析物品或者项目间相似度的邻域模型是研究的热点.针对这两个模型存在的不足,提出了一种将邻域模型与矩阵分解模型有效结合的方法,进而构建了一个改进的协同过滤推荐算法,提高了预测准确性.实验结果验证了改进算法的正确性与有效性.     

基于评分偏好和项目属性的协同过滤算法

针对传统的协同过滤推荐由于数据稀疏性导致物品间相似性计算不准确、推荐准确度不高的问题,文中提出了一种基于用户评分偏好模型、融合时间因素和物品属性的协同过滤算法,通过改进物品相似度度量公式来提高推荐的准确度。首先考虑到不同用户的评分习惯存在差异这一客观现象,引入评分偏好模型,通过模型计算出用户对评分类别的偏好,以用户对评分类别的偏好来代替用户对物品的评分,重建用户-物品评分矩阵;其次基于时间效应,引入时间权重因子,将时间因素纳入评分相似度计算中;然后结合物品的属性,将物品属性相似度和评分相似度进行加权,完成物品最终相似度的计算;最后通过用户偏好公式来计算用户对候选物品的偏好,依据偏好对用户进行top-N推荐。在MovieLens-100K和MovieLens-Latest-Small数据集上进行了充分实验。结果表明,相比已有的经典的协同过滤算法,所提算法的准确率和召回率在MovieLens-100K数据集上提高了9%~27%,在MovieLens-Latest-Small数据集上提高了16%~28%。因此,改进的协同过滤算法能有效提高推荐的准确度,有效缓解数据稀疏性问题。     

一种基于空间变换的协同过滤推荐算法

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。     

一种改进的协同过滤推荐算法

推荐系统在电子商务中应用广泛,协同过滤是推荐系统中应用最为成功的推荐技术之一。随着电子商务系统数据不断增加,用户-项目评分矩阵稀疏性问题日趋明显,成为推荐系统的瓶颈。本文提出基于LDA的协同过滤改进算法,提升稀疏评分矩阵下的推荐质量。首先,根据用户与项目评分矩阵,建立LDA模型,得到用户-项目概率矩阵,作为协同过滤的原始数据;然后根据属性对项目聚类,对用户-项目概率矩阵进行裁剪;最后,考虑上下文信息,在传统协同过滤相似度计算基础上,通过引入时间因子函数改进相似度计算公式。在Movie Lens数据集上的实验结果表明,本文提出模型的MAE指标优于传统协同过滤算法。     

基于FunkSVD矩阵分解和相似度矩阵的推荐算法

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。     

基于情感分析和LDA主题模型的协同过滤推荐算法

协同过滤推荐算法通常基于物品或用户的相似度来实现个性化推荐,但是数据的稀疏性往往导致推荐精度不理想。大多数传统推荐算法仅考虑用户对物品的总体评分,而忽略了评论文本中用户对物品各个属性面的偏好。该文提出一种基于情感分析的推荐算法SACF(reviews sentiment analysis for collaborative filtering),该算法在经典的协同过滤推荐算法的基础上,考虑评论文本对相似度计算的影响。SACF算法利用LDA主题模型挖掘物品潜在的K个属性面,通过用户在各个属性面上的情感偏好计算用户相似度,从而构建推荐模型。基于京东网上评论数据集的实验结果表明,SACF算法不但可以有效地改善传统协同过滤推荐算法中数据稀疏性的问题,而且提高了推荐系统的精度。     

融合本体语义与用户属性的协同过滤算法

传统协同过滤推荐算法在处理海量数据时存在数据稀疏性和项目长尾效应,导致推荐精度较低。针对该问题,结合本体语义和用户属性,提出一种改进的协同过滤算法。利用本体计算项目之间的语义相似度,构建项目相似度矩阵,同时引入用户属性计算用户相似度矩阵。通过融合本体语义和用户属性形成用户-项目评分矩阵,并对该矩阵的预测评分进行加权处理,生成TOP-N推荐结果。实验结果表明,相比传统皮尔逊相似度计算协同过滤算法、基于本体语义的协同过滤算法和基于评分矩阵填充与用户兴趣的协同过滤算法,该算法的平均绝对误差较低,准确率较高,综合性能及新颖度较优。     

融合协同过滤和主题模型的弹幕视频推荐算法

针对弹幕视频网站通常不为用户提供评分功能并且使用弹幕池策略以降低存储压力导致的缺少用户评分和无法准确建模用户主题的问题,提出融合主题模型和协同过滤的弹幕视频推荐算法（DRCFT）。首先根据用户行为构造隐式评分矩阵,并得到项目评分相似度;其次建立LDA主体模型,生成项目主题,计算项目主题相似度;再加权生成综合项目相似度,由此结合评分矩阵计算用户—项目预测评分;然后对项目主题相似度矩阵进行sigmoid惩罚,结合用户历史记录得到用户—项目主题相似度;最后将用户—项目主题相似度作为权重,与预测评分相乘,得到最终的预测评分。对比实验表明,该算法能够得到合理的推荐结果,提高推荐的准确性。     

融合用户偏好和多交互网络的协同过滤算法

推荐系统中的辅助信息可以为推荐提供有用的帮助,而传统的协同过滤算法在计算用户相似度时对辅助信息的利用率低,数据稀疏性大,导致推荐的精度偏低.针对这一问题,本文提出了一种融合用户偏好和多交互网络的协同过滤算法(NIAP-CF).该算法首先根据评分矩阵和项目属性特征矩阵挖掘出用户的项目属性偏好信息,然后使用SBM方法计算用户间的项目属性偏好相似度,并用其改进用户相似度计算公式.在进行评分预测时,构建融合用户-项目属性偏好信息的多交互神经网络预测模型,使用动态权衡参数综合由用户相似度计算出的预测评分和模型的预测评分来进行项目推荐.本文使用MovieLens数据集进行实验验证,实验结果表明改进算法能够提高推荐的精度,降低评分预测的MAE和RMSE值.     

一种基于用户兴趣分析的协同过滤推荐算法

传统的协同过滤推荐算法以用户对所有物品的评分向量作为计算用户相似度的依据,没有考虑到物品属性对用户兴趣的反映。为此,提出一种新的改进的相似度计算方法,引入了"用户兴趣分布矩阵"的定义,设计了启发式的评分预测方式,即根据兴趣相似度选出TOP-K用户之后,以用户标记的物品数量作为该用户的权重来预测评分。在Movielens数据集上的测试结果表明,改进后的算法相比传统的算法在平均绝对误差(MAE)上降低了7.3%。     

基于内容预测和项目评分的协同过滤推荐

文中提出了一种基于内容预测和项目评分的协同过滤推荐算法，根据基于内容的推荐计算出用户对未评分项目的评分，在此基础上采用一种基于项目的协同过滤推荐算法计算项目的相似性，随后作出预测。实验结果表明，该算法可以有效解决用户评分数据极端稀疏的情况，同时运用基于项目的相似性度量方法改善了推荐的精确性，显著提高推荐系统的推荐质量。     

嵌入LDA主题模型的协同过滤推荐算法

协同过滤推荐算法由于其推荐的准确性和高效性已经成为推荐领域最流行的推荐算法之一。该算法通过分析用户的历史评分记录来构建用户兴趣模型,进而为用户产生一组推荐。然而,推荐系统中用户的评分记录是极为有限的,导致传统协同过滤算法面临严重的数据稀疏性问题。针对此问题,提出了一种改进的嵌入LDA主题模型的协同过滤推荐算法(ULR-CF算法)。该算法利用LDA主题建模方法在用户项目标签集上挖掘潜在的主题信息,进而结合文档-主题概率分布矩阵和评分矩阵来共同度量用户和项目相似度。实验结果表明,提出的ULR-CF算法可以有效缓解数据稀疏性问题,并能显著提高推荐系统的准确性。     

基于动态k近邻的SlopeOne协同过滤推荐算法

协同过滤是个性化推荐系统中的常用技术, 数据稀疏性是影响协同过滤算法预测精度的主要因素。SlopeOne算法利用线性回归模型解决数据稀疏性问题。基于用户相似度的k近邻方法可以优化参与预测的用户评分数据的质量。在SlopeOne算法的基础上, 提出了一种动态k近邻和SlopeOne相结合的算法。首先根据用户之间相似度的具体情况动态地为每个用户选择不同数目的近邻用户, 然后利用近邻用户的评分数据生成项目之间的平均偏差, 最后利用线性回归模型进行预测。在MovieLens数据集上的实验结果表明, 改进算法在预测精度上比原SlopeOne算法有所提高, 能适应数据稀疏度更低的推荐系统, 并且与其他协同过滤算法相比, 推荐精度也具有明显优势。     

基于信任网络随机游走模型的协同过滤推荐

协同过滤是目前应用最广泛和最成功的推荐技术之一。然而,目前该技术的发展面临着严重的冷启动和稀疏性问题,降低了其推荐质量,因此提出了一种基于信任网络随机游走模型的协同过滤推荐方法。该方法融合了基于信任和项目的协同过滤推荐方法,并引入了信任因子作为引导推荐的重要因素。随机游走模型不仅考虑了信任用户对目标项目的评分,也考虑了他们对与目标项目相似的项目的评分。随着随机游走深度的增加,以相似项目的评分信息来代替目标项目的评分信息的概率也逐渐增大。在Epinions真实数据集上的验证结果表明,该方法在推荐评价指标上比其他算法具有更好的推荐结果。     

Distributed collaborative filtering with singular ratings for large scale recommendation

Collaborative filtering (CF) is an effective technique addressing the information overloading problem, where each user is associated with a set of rating scores on a set of items. For a chosen target user, conventional CF algorithms measure similarity between this user and other users by utilizing pairs of rating scores on common rated items, but discarding scores rated by one of them only. We call these comparative scores as dual ratings, while the non-comparative scores as singular ratings. Our experiments show that only about 10% ratings are dual ones that can be used for similarity evaluation, while the other 90% are singular ones. In this paper, we propose SingCF approach, which attempts to incorporate multiple singular ratings, in addition to dual ratings, to implement collaborative filtering, aiming at improving the recommendation accuracy. We first estimate the unrated scores for singular ratings and transform them into dual ones. Then we perform a CF process to discover neighborhood users and make predictions for each target user. Furthermore, we provide a MapReduce-based distributed framework on Hadoop for significant improvement in efficiency. Experiments in comparison with the state-of-the-art methods demonstrate the performance gains of our approaches.     

Non-dominated differential context modeling for context-aware recommendations

Context plays an important role in the process of decision making. A user’s preferences on the items may vary from contexts to contexts, e.g., a user may prefer to watch a different type of the movies, if he or she is going to enjoy the movie with partner rather than with children. Context-aware recommender systems, therefore, were developed to adapt the recommendations to different contextual situations, such as time, location, companion, etc. Differential context modeling is a series of recommendation models which incorporate contextual hybrid filtering into the neighborhood based collaborative filtering approaches. In this paper, we propose to enhance differential context modeling by utilizing a non-dominated user neighborhood. The notion of dominance relation was originally proposed in multi-objective optimization, and it was reused to definite non-dominated user neighborhood in collaborative filtering recently. These non-dominated user neighbors refer to the neighbors that dominate others from different perspectives of the user similarities, such as the user-user similarities based on ratings, demographic information, social relationships, and so forth. In this paper, we propose to identify the non-dominated user neighborhood by exploiting user-user similarities over multiple contextual preferences. Our experimental results can demonstrate the effectiveness of the proposed approaches in comparison with popular context-aware collaborative filtering models over five real-world contextual rating data sets.

     

Predicting labels for dyadic data

In dyadic prediction, the input consists of a pair of items (a dyad), and the goal is to predict the value of an observation related to the dyad. Special cases of dyadic prediction include collaborative filtering, where the goal is to predict ratings associated with (user, movie) pairs, and link prediction, where the goal is to predict the presence or absence of an edge between two nodes in a graph. In this paper, we study the problem of predicting labels associated with dyad members. Special cases of this problem include predicting characteristics of users in a collaborative filtering scenario, and predicting the label of a node in a graph, which is a task sometimes called within-network classification or relational learning. This paper shows how to extend a recent dyadic prediction method to predict labels for nodes and labels for edges simultaneously. The new method learns latent features within a log-linear model in a supervised way, to maximize predictive accuracy for both dyad observations and item labels. We compare the new approach to existing methods for within-network classification, both experimentally and analytically. The experiments show, surprisingly, that learning latent features in an unsupervised way is superior for some applications to learning them in a supervised way.     

协同过滤中一种有效的最近邻选择方法

协同过滤中的评分数据稀疏性使得最近邻搜寻不够准确,导致推荐质量较差。基于此,文中提出一种有效的针对稀疏评分的最近邻选择方法--两阶段最近邻选择算法(TPNS)。TPNS分为两个步骤,首先计算用户间的近邻倾向性,选择近邻倾向性较高的用户组成初始近邻集合;然后根据初始近邻集合计算目标用户与其他用户间的等价关系相似性,使用等价关系相似性对目标用户的初始近邻集合进行修正,得到最近邻集合。在MovieLens数据集上对比常用的推荐算法,实验结果表明文中方法在协同过滤推荐的应用中具有更高的准确性。     

一种基于粗集的协同过滤算法

针对协同过滤中的数据稀疏问题，提出了一种基于粗集的协同过滤算法．首先通过自动填补空缺评分降低数据稀疏性；然后采用分类近似质量计算用户闻的相似性形成最近邻居，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问题，提高了推荐的质量．     

基于增量协同过滤和潜在语义分析的混合推荐算法

为了解决传统新闻推荐系统定期更新推荐算法不能根据用户喜好的变化进而动态地调整推荐列表的问题,提出了一种混合推荐算法(IULSACF)。该算法包含了2个关键部分:基于项目的增量更新协同过滤算法和基于关键词频率的潜在语义分析算法。该混合推荐算法在基于项目的增量更新协同过滤模块中,通过对项目相似度列表增量更新来动态地调整推荐列表,并结合潜在语义分析算法来确保所推荐文章的相关性。实验结果表明,所提出的IULSACF算法在各项评价指标上均优于传统的推荐方法。