基于用户层次信息的协同推荐算法

在个性化信息推荐服务中,协同推荐作为一种基本的信息过滤方法得到广泛的应用,它根据和目标用户具有相似行为的用户对资源的评价来进行推荐。但是,我们的研究发现,协同推荐算法所获得的相似用户群和实际用户的概念层次没有关系,这和我们的直觉是矛盾的,这驱使我们在协同推荐算法中考虑进用户的分类信息。实验结果表明,这样的方法是有效的,它和传统协同过滤相比具有更高的推荐精度。     

基于协同过滤的网络论坛个性化推荐算法

提出一种基于协同过滤的网络论坛个性化推荐算法,根据用户的发帖、回帖、阅读等记录,采用加权方法计算用户帖子的评分矩阵,获取邻近用户集合,通过邻居用户的帖子评分,计算目标用户的帖子预测评分,推荐预测评分最高的帖子。实验结果表明,该算法的推荐质量较高。     

反映用户兴趣变化的协同过滤算法

针对传统协同过滤算法存在的两个弊端:一是传统的相似性度量方法在评分矩阵稀疏的情况下很难准确地反映用户间的相似性,二是不能及时反映用户的兴趣变化,提出一种新的相似性计算方法。此方法把基于用户兴趣度的相似性度量与基于项目相似度的数据权重结合,形成一种考虑用户兴趣变化的相似性度量方法。实验结果表明,改进后的算法集成了上述两种方法的优点,对传统算法中存在的两个弊端进行了改善,在推荐准确度上有所提高。     

基于用户属性和评分的协同过滤推荐算法

为解决协同过滤推荐系统数据稀疏和冷启动带来的问题,提出一种相似度计算和评分预测算法。结合用户评分相似度、兴趣倾向相似度和置信度3方面,更充分地利用用户评分信息,使得用户相似度的计算更准确、区分度更高;使用sigmoid函数,实现冷启动状态下用户相似度计算时用户属性和用户评分信息的平滑过渡。在MovieLens真实数据集上进行实验,实验结果表明,该算法可有效提高评分预测的准确性,在一定程度上解决冷启动的问题。     

结合类别偏好的协同过滤推荐算法

推荐系统是针对如今信息过载现象的一种极为有效的方法,而协同过滤算法自提出以来就在推荐系统中得到了广泛的应用,但是这种方法也存在着推荐精度不高、难以处理稀疏数据等缺点。对此提出一种结合类别偏好的协同过滤推荐算法。在原算法计算用户相似度的基础上,结合用户类别偏好的相似度来计算近邻,从而得到推荐结果。实验结果表明,该方法能较为有效地结合用户的类别偏好,与传统的协同过滤算法相比,有更好的推荐效果。     

基于密度的动态协同过滤图书推荐算法*

针对协同过滤推荐技术在个性化服务应用中存在的服务质量和服务效率问题,提出一种基于密度的动态协同过滤图书推荐算法。在对读者的图书流通记录进行兴趣度模糊筛选基础上,利用扩展的密度聚类算法进行区域聚类,读者的兴趣模型依据聚类区域的密度与权重变化更新,动态进行协同过滤图书推荐。实验表明,该算法在提高推荐精确度上,优于传统的协同过滤推荐算法。     

协同过滤的一种个性化推荐算法研究

在分析传统推荐算法不足的基础上,提出一种稀疏矩阵下的个性化改进策略.首先进行一对一的个性化预测,得到虚拟用户评分矩阵,在此基础上再进行综合预测.该方法避免了传统推荐算法中推荐值与用户相似度不密切相关的弊端,提高了协同过滤的预测精度,尤其是在矩阵极端稀疏情况下的预测精度.最后通过实验验证了算法的有效性和优越性.     

改进型协同过滤的图书推荐算法

针对用户从海量图书中选择喜欢图书较难的问题,提出一种基于图书属性分组的改进协同过滤算法。该算法首先根据用户喜欢的图书类型去选择相似用户,缩小数据集,再根据基于用户的协同过滤算法寻找最近邻居集合,然后根据项目推荐值的方法向用户推荐感兴趣的图书序列。实验结果表明:在同一数据量下,该算法在推荐数据量以及覆盖率方面均优于同类算法。     

基于协同过滤和用户画像的流媒体推荐系统研究

随着电影、电视剧、综艺节目等产业的飞速发展,近年来新兴的OTT服务(Over-the-top media services)平台给用户提供高清的流媒体播放服务,例如:爱奇艺、腾讯视频、Netflix、Hulu等.事实上,随着新用户数增多、新增流媒体数量不断庞大,用户评分逐渐矩阵成为高维矩阵,而用户评分数又不到总数的1％,传统的流媒体推荐系统因为评分稀疏性逐渐显得乏力.文章介绍了一种基于协同过滤,同时结合用户画像的方法来优化推荐系统.对于新用户,系统利用用户画像进行建模,计算用户间的相似度;对于新的流媒体视频,系统利用平台内已有的应用分类标签来初始化未知评分,然后使用协同推荐算法来反馈用户的偏好.实验结果表明该系统卓有成效,同时也提升了平台的满意度.     

结合项目区分用户兴趣度的协同过滤算法

协同过滤是推荐系统中应用最为广泛的方法.基于用户的协同过滤算法在计算用户相似性时,对不同的项目给予相同的权重,然而在现实中不同项目对刻画用户的兴趣所起作用不同,从而基于用户的协同过滤会造成对流行的项目打分高的问题,而不能真正反映用户的兴趣.本文提出项目的区分用户偏好值概念,从而更好的刻画了用户的兴趣,在此基础上,改进了计算用户相似度的方法,使推荐算法具有较高准确度.算法在标准数据集MovieLens上进行了测试,实验表明了算法的有效性.     

基于项目属性的用户聚类协同过滤推荐算法

协同过滤推荐算法是个性化推荐服务系统的关键技术,由于项目空间上用户评分数据的极端稀疏性,传统推荐系统中的用户相似度量算法开销较大并且无法保证项目推荐精度.通过对共同感兴趣的项目属性的相似用户进行聚类,构建了不同项目评价的用户相似性,设计了一种优化的协同过滤推荐算法.实验结果表明,该算法能够有效避免由于数据稀疏性带来的弊端,提高了系统的推荐质量.     

基于改进用户属性评分的协同过滤算法

为解决在基于用户的推荐算法中,用户相似度计算精度较低、缺乏个性化等问题,提出一种基于改进用户属性评分的协同过滤算法(IUAS-CF)。针对个性用户、偏执用户等在评分矩阵上存在的评价值范围差异,基于现有的相似度计算公式设计一种适应于计算个性化用户相似度的距离度量公式;针对用户自身存在影响用户抉择的用户属性,设法将用户属性评分量化,将其引入相似度计算公式中。实验结果表明,IUAS-CF算法能更真实地反映用户评分偏好,提高了推荐系统的推荐精度,更好地满足了用户对系统的个性化需求。     

基于评分信息量的协同过滤算法研究

传统的协同过滤算法中,依靠用户评分大小计算用户间相似度,但是评分数据稀疏性使相似度计算不够准确。针对此问题,提出了基于评分信息量的相似度计算方法;在推荐系统中项目有多种可选评分,该方法将参与评分的用户数量转换为评分信息量,以此结合用户评分大小计算相似度。实验结果表明,相对于传统协同过滤算法,该方法在一定程度上减少了评分数据稀疏性带来的负面影响,有效地提高了预测评分准确性。     

基于用户特征和项目属性的协同过滤推荐算法

在数据极度稀疏的环境下,仅仅依赖用户直接评分数据的传统协同过滤算法无法取得满意的推荐质量。提出基于用户特征和项目属性的协同过滤算法,在用户相似性计算过程中引入时间相关的兴趣度,使得最近邻的确定更加准确;预测评分时,通过衡量用户信任度来体现各邻居对目标用户最终推荐的贡献程度,并以用户对项目属性的偏好度代替评分数据对新项目进行推荐。基于MovieLens数据集进行的实验结果表明,改进后的算法有效解决了系统冷启动问题,明显提高了系统推荐的准确度。     

适应用户兴趣变化的改进型协同过滤算法

协同过滤算法可以根据用户的历史行为记录去预测其可能喜欢的物品,是现在业界应用极为广泛的推荐算法。但传统的协同过滤算法并没有考虑到用户兴趣的概念漂移,在一些基于时间的协同过滤算法中对推荐时效性的考虑也有所欠缺。针对这些问题,结合用户兴趣随时间转移的特点,改进了相似度的度量方法,同时引入一种增强的时间衰减模型来度量预测值,并将这两种方式有机地结合起来,解决了用户兴趣的概念漂移问题并考虑了推荐算法的时效性。仿真实验中,分别在不同的数据集中对比了该算法与UserCF、TCNCF、PTCF以及TimeSVD++算法的预测评分准确度和TopN推荐准确度。实验结果表明,改进算法能够降低预测评分的均方根误差（RMSE）,并在TopN推荐准确度上均优于对比算法。     

改进的协同过滤推荐算法

协同过滤是迄今为止个性化推荐系统中采用最广泛最成功的推荐技术,但现有方法是将用户不同时间的兴趣等同考虑,时效性不足,而且推荐精度也有待进一步提高。鉴于此提出一种改进的协同过滤算法,针对用户近邻计算和项目评分的预测两个关键步骤,提出基于项目相关性的用户相似性计算方法,以便邻居用户更准确,同时在预测评分的过程中增加时间权限,使得接近采集时间的点击兴趣在推荐过程中具有更大权值。实验结果表明,该算法在提高了推荐精度的同时实现了实时推荐。     

结合拓扑势用户聚类的协同过滤推荐算法

针对传统协同过滤算法中数据稀疏造成推荐准确度低以及K-means聚类算法需要预先确定聚类个数的问题,提出自适应K-means聚类算法(SKCA)。引入物理学中的拓扑势场理论,利用拓扑势值进行用户重要性表示并获得用户影响范围,结合改进K-means算法完成用户聚类并得到各类代表用户,目标用户通过与各代表用户进行用户相似度计算确定最优代表用户,在最优代表用户场域内使用协同过滤算法进行推荐。与其它算法对比的实验结果表明,SKCA在准确率、F值及运行效率上都有提升,有效缓解了数据稀疏的影响。     

结合用户信任模型的协同过滤推荐方法研究

协同过滤推荐是当前最成功的推荐技术之一,在电子商务推荐服务中得到了广泛的应用,它根据和目标用户具有相似行为的用户对项目的评价来进行推荐。鉴于传统的协同过滤推荐算法过于强调相似性的作用,并且和用户的认知习惯矛盾,引入了社会学中较成熟的信任机制来改进传统算法。实验结果表明,改进方法是有效的,它和传统的协同过滤推荐算法相比有更好的推荐质量。