播存网络环境下UCL推荐多样性优化算法

播存网络将广播分发模式引入现有互联网体系结构,极大地降低网络共享过程中产生的冗余流量,可有效缓解信息过载问题.播存网络采用统一内容标签(uniform content label, UCL)适配用户兴趣和推荐信息资源,在UCL个性化推荐过程中,如何结合播存网络的富语义、高时效特征,有效地提高UCL推荐列表的多样性,成为播存网络中一个亟需解决的关键问题.针对播存网络环境的需求,提出了一种基于语义覆盖树的UCL推荐多样性优化算法UDSCT,将该问题分为UCL语义覆盖树构建和多样化UCL列表查询2个步骤.在UCL语义覆盖树构建阶段,基于语义覆盖树的若干约束条件,充分考虑UCL语义信息及非语义用户评分信息,同时,较新的UCL具有较高的优先权,以保证列表的时效性;在多样化UCL列表查询阶段,采用简单树查询及启发式列表补充操作,可快速高效地获得多样性优化后的UCL推荐列表,并可进一步根据用户请求快速返回指定的UCL集合.通过理论分析及一系列仿真实验验证,结果证明：UDSCT算法相对于基准算法能够获得更好的多样性优化效果及效率,可有效满足播存网络环境的需求.     

播存网格中基于UCL的硬件过滤系统

针对播存网格,对节目进行统一内容定位(UCL)标引,将UCL信息封装进IP包,形成用于传输的广播IP(BIP)包。设计一种基于UCL的BIP包硬件过滤系统。模拟广播网的数据传输过程,在源端对节目进行UCL标引得到BIP包,以太网终端通过现场可编程门阵列在数据链路层对BIP包进行解析和过滤,并将结果交付用户存储。实验结果验证了该系统的有效性。     

一种基于贝叶斯网络的个性化协同过滤推荐方法研究

针对推荐系统不能有效进行个性化推荐问题,在协同过滤过程中引入语义校验,通过对基于用户的协同过滤推荐结果进行语义校验,剔除概率较低的推荐结果,选择概率较高的结果推荐给用户,从而实现个性化语义推荐。在构建贝叶斯语义校验网络时,增加用户“喜好”偏好字段,通过问卷调查及信息反馈,确定用户对物品的喜好偏好值,确保贝叶斯语义校验网络的科学性。实验结果表明,本方法能剔除用户喜好度较低的物品,提高用户的满意度。     

基于信任网络的协同过滤推荐方法

经典的协同过滤推荐系统存在数据稀疏和冷启动问题。利用信任网络能够有效地解决此问题,但性能有待提高。根据“如果a信任b,则a与b相似度高的概率较大”这一普适规律,提出一种基于信任网络的协同过滤推荐算法。该算法采用惩罚、奖励机制,进一步提高了推荐系统的性能。算法将覆盖率和准确率作为衡量标准,与经典协同过滤算法和已有信任推荐算法进行实验对比,结果表明所提推荐方法的性能更好。     

一种带标签的协同过滤广告推荐算法

为准确预测点击率(CTR)并合理利用其进行广告推荐,基于标签推荐技术与协同过滤方法,提出一种新的混合式广告推荐算法。将广告关键词作为标签引入到Query页的相似性计算中,采用Query页加权综合相似度度量方法降低相似矩阵的稀疏性,建立一种基于广告关键词的搜索广告兴趣模型。使用Top-N策略以减少最近邻候选集的大小,并基于预测CTR筛选出广告推荐结果。通过实验调节Query页加权综合相似度度量参数并验证算法的可扩展性。在KDDCUP2012数据集上的实验结果表明,与传统协同过滤算法、基于标签的推荐算法及基于标签和项目关系的推荐算法相比,带标签的协同过滤广告推荐算法具有更好的可扩展性和较优的推荐质量。     

基于景点标签的协同过滤推荐

针对基于用户社会关系的协同过滤推荐算法有时无法给出目标用户对目标物品的评分的情况,以及基于物品的协同过滤推荐算法中存在的用户对不同类型物品的评分可能不具有可比性的问题,提出了两个基于物品标签的协同过滤推荐算法。这两个算法在计算物品相似度时引入了物品的类型标签信息。在景点评分数据上的实验结果表明：相比基于用户社会关系的协同过滤推荐算法,基于用户社会关系和物品标签的协同过滤推荐算法的准确率和覆盖率提升最高达10%和4%;相比基于物品的协同过滤推荐算法,基于物品和物品标签的协同过滤推荐算法的准确率提升达15%。这说明景点类型标签信息的引入能使得景点的相似度计算更准确。     

融合社交网络特征的协同过滤推荐算法

为了解决传统协同过滤算法中存在的严峻的数据稀疏性问题,提出了一种融合社交网络特征的协同过滤推荐算法。该算法在传统矩阵分解模型基础上,通过融合社交网络特征与用户评分偏好程度得到信任和被信任特征矩阵,然后利用社交特征矩阵、商品特征矩阵和用户评分偏好相似性共同预测用户对商品的评分值。为了验证该算法的可靠性,使用Epinions公开数据集对算法性能进行对比分析。实验结果显示,相比现有的社交推荐算法,所提算法有更小的平均绝对误差和均方根误差,同时算法的时间复杂度与数据集的数量之间为线性关系。因此,该算法可以有效缓解数据稀疏性对推荐结果的影响,并提高推荐准确率。在现实推荐中,该算法可以考虑作为大规模数据集进行商品推荐的一个选择方式。     

一种改进的协同过滤推荐算法

目前,协同过滤算法在电子商务中得到了广泛的应用。伴随着网络上客户和产品的数量剧增,推荐系统的推荐效率成为了推荐系统在电子商务中应用的一大挑战。因此,提高协同过滤算法的效率变得越来越重要。本文开发了一种基于Hadoop的协同过滤推荐算法,实现了用MapReduce分布式计算框架来提高推荐算法的效率,同时也扩大算法的可扩展性。实验表明:基于Hadoop集群的推荐算法在推荐系统的可伸缩性和效率方面都有极大的优化。     

一种结合评分时间特性的协同过滤推荐算法

用户评分是协同推荐算法实现未知评分预测的主要依据,传统协同推荐算法一般只利用评分的数值,而忽视评分产生时间对推荐的作用,但是评分时间特性对推荐系统准确性的影响不容小觑。本文针对这个问题,以传统协同过滤推荐算法为基础,从评分时间角度对推荐算法的相似度计算和评分预测过程进行改进,提出了一种结合评分时间特性的协同过滤推荐算法。算法依据用户对项目的评分及时间计算出一个时间因子,并将时间因子融入到相似度的计算中,使推荐给目标用户的项目更加合理。通过实验进行该算法与现有协同推荐算法的对比,验证了该算法在提高推荐准确性方面的有效性。     

基于改进型协同过滤的网络学习资源推荐算法

面对网络学习资源的信息过载问题,如何根据用户的偏好推荐其感兴趣的学习资源是网络教育智能化的关键应用.协同过滤推荐算法无需构建资源的特征描述,经常应用于形式多样的网络学习资源推荐,但传统协同过滤推荐算法具有评分矩阵稀疏和冷启动问题.针对这两个问题,提出基于改进型协同过滤的网络学习资源个性化推荐算法.该算法首先将用户对资源...     

协同过滤算法在推荐系统中的应用

介绍了协同过滤算法,并对算法进行了改进,解决了用户稀疏的情况下传统算法的不足,同时通过引入评分阈值,显著提高了个性化协同过滤算法的推荐精度。     

基于心理学模型的协同过滤推荐方法

提出一种改进协同过滤推荐的方法。该方法根据心理学中的态度行为关系理论建立用户浏览购买模型,通过分析用户浏览信息,预测用户对项的评分,根据预测的评分,运用协同过滤推荐算法为用户做出推荐。实验验证了用户浏览购买模型的有效性。与传统协同过滤方法进行对比的结果表明,该方法可以有效地改进协同过滤算法的推荐结果。     

一种基于协作过滤的电影推荐方法

在海量网络资源中,用户为了寻找喜欢的视频往往需要进行频繁操作,个性化推荐服务可以有效解决该问题,但当前推荐服务准确度较低,为此,提出一种基于协作过滤的改进推荐方法。根据相似用户群,即邻居集的点播记录确定当前用户的推荐电影子集,挖掘当前用户的喜好,建立兴趣模型,并与推荐子集中的电影进行匹配,按匹配度高低进行推荐。对推荐电影子集进行分类,以适应家庭中多用户观看的情况。另外在系统运行初期采用相似影片的推荐以一定程度地缓解冷启动问题。实验结果表明,与现有协作过滤算法相比,改进推荐方法的推荐准确度有明显提高。     

协同过滤系统项目冷启动的混合推荐算法

研究协同过滤推荐系统中的冷启动问题,运用基于内容预测的方法,对系统内未被用户评价过的项目进行评分预测,应用2种优化步骤,过滤掉预测不准确的用户的评分。在此基础上用协同过滤的方法产生推荐,使传统推荐算法中无法推荐给用户的项目得到推荐机会。通过一系列实验证明,该混合推荐算法能保证推荐准确性,提高了新项目的推荐概率。     

基于Hadoop平台协同过滤推荐算法

针对协同过滤推荐算法在数据稀疏性及在大数据规模下系统可扩展性的两个问题, 在分析研究Hadoop分布式平台与协同过滤推荐算法后, 提出了一种基于Hadoop平台实现协同过滤推荐算法的优化方案. 实验证明, 在Hadoop平台上通过MapReduce结合Hbase数据库实现算法, 能够有效地提高协同过滤推荐算法在大数据规模下的执行效率, 从而能够进一步地搭建低成本高性能、动态扩展的分布式推荐引擎.     

面向个性化网站的增量协同过滤推荐方法

为了解决个性化网站中很少考虑用户检索意图，检索效果较差的问题，提出了一种有效的增量协同过滤推荐方法。该增量协同过滤推荐模型改进了最流行的推荐算法之一的协同过滤算法，并应用到个性化网站中。通过分析Web日志提取用户的浏览行为，将其归一化为用户对项目的评分值，并利用改进的相似度计算方法得到用户之间的相似度值，从中选择能够表现用户偏好的最近邻集合进行评分预测后对结果排序，将排序后的结果作为推荐列表返回给用户。最后设计增量更新算法实时有效地更新用户的历史偏好数据。实验表明，增量协同过滤推荐模型适用于个性化网站，利用该方法可以使推荐结果更加符合用户意图。     

基于项目和信任的协同过滤推荐算法

为解决冷启动用户的推荐问题,对TrustWalker算法在相似度计算、可能性项目选择和预测评分等方面进行改进,提出一种基于项目和信任的协同过滤推荐算法CoTrustWalker。采用云模型相似度方法计算项目间的相似度,通过选择最相似的若干个项目的聚合结果作为随机游走的返回结果,从而提高推荐结果的稳定性。实验结果表明,CoTrustWalker算法在小规模数据集上与TrustWalker算法相比,其推荐质量和推荐速度均有较大提高。     

一种优化的协同过滤推荐算法

协同过滤技术被成功地应用于个性化推荐系统中．随着电子商务系统用户数目和商品数目的日益增加,整个项目空间上用户评分数据极端稀疏,传统的相似性度量方法存在一定的不足．在引入项目评分预测思想的基础上,考虑到数据稀疏性带来的影响,采用修正的条件概率方法计算项目相似性,提出一种优化的协同过滤推荐算法,计算结果更具有实际意义和准确性．实验表明,该算法能够有效避免传统方法带来的弊端,提高系统的推荐质量．     

一种基于情景的协同过滤推荐算法

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。