基于流形近邻的协同过滤算法

协同过滤技术基于用户的评分历史预测用户对某一项目的评分。基于用户的协同过滤技术可以利用传统的欧氏距离发现与用户的兴趣相近的近邻。针对欧氏距离并不能很好地反应用户之间的近邻关系的问题,一种新颖的基于欧氏距离的最小最大距离的方法被提出,用来发现用户近邻,称之为流形近邻。实验结果表明,基于流形近邻的协同过滤框架(Collaborative Filtering based on Manifold Neighbors,MNCF)与目前的协同过滤算法相比,性能有一定的提高。     

基于相似度优化和流形学习的协同过滤算法改进研究

协同过滤算法中存在着数据稀疏性和可扩展性问题,由于用户和项目数据量巨大致使数据十分稀疏,且不同数据集中数据存在差异,致使现有算法中的相似度计算不够准确和用户聚类效果不佳,对推荐算法准确率产生了显著影响。为了提高相似度计算和最近邻居搜索的准确率,提出了一种基于相似度优化和流形学习的协同过滤算法。通过加权因子优化相似度计算,结合流形学习对稀疏的用户评分数降维后进行谱聚类,通过获得的全局最优解提高聚类所得目标用户最近邻居的准确率,进而提高协同过滤推荐精度。在Epinions数据集和MovieLens数据集上进行实验,结果表明,提出的算法可以有效降低协同过滤算法的平均绝对误差和均方根误差,提高召回率,拥有更高的推荐准确率。     

一种基于全局和局部特征匹配的流形对齐算法

不同流形样本点之间的关联性挖掘是决定流形对齐算法效率的关键问题。提出了一种新的思路,利用测地距离初步构造不同流形样本点之间的关联性,再利用样本点之间局部几何结构的相似性进行修正,以更为准确地挖掘不同流形样本点之间的关联性。进一步提出一种新的半监督流形对齐算法,利用已知对应点信息和所挖掘样本点之间的关联性,将多个流形数据投影到共同的低维空间。与传统的半监督流形对齐算法相比,本算法在先验信息不充分的情况下,能更准确地联结不同流形数据集。最后通过在实际数据集上的实验验证了算法的有效性。     

一种基于改进的巴氏系数的协同过滤推荐算法

传统基于邻居的协同过滤推荐方法必须完全依赖用户共同评分项,且存在极为稀疏的数据集中预测准确性不高的问题。巴氏系数协同过滤算法通过利用一对用户的所有评分项进行相似性度量,可以有效改善上述问题。但该种方法也存在两个很明显的缺陷,即未考虑两个用户评分项个数不同时的情况以及没有针对性地考虑用户偏好。在巴氏系数协同过滤算法的基础上进行了改进,既能充分利用用户的所有评分信息,又考虑到用户对项目的积极评分偏好。实验结果表明,改进的巴氏系数协同过滤算法在数据集上获得了更好的推荐结果,提高了推荐的准确度。     

一种改进的协同过滤推荐算法

协同过滤推荐算法是电子商务推荐系统中应用最成功的推荐技术之一,而影响协同过滤推荐算法准确率的关键因素是用户相似性度量方法。针对传统相似性度量方法没有考虑共同评分项数量对推荐质量的影响,将用户之间的共同评分项数量作为相似性计算的一个重要指标,从而得到一种改进的相似性度量方法。但这仍然不能解决数据稀疏带来的推荐质量下降的问题,鉴于此,在上述改进的基础上,提出了利用复杂网络中的结构相似性来度量用户之间相似性的方法,使计算结果更具实际意义和准确性。实验表明,通过这些改进能够有效避免传统方法带来的弊端,提高系统的推荐质量。     

一种基于改进信息熵的协同过滤算法

协同过滤算法是个性化推荐中应用最成功的技术之一,计算用户间的相似性是协同过滤算法的关键。而传统的相似性度量方法在数据稀疏和小用户交集时性能严重下降,因此本文提出了一种基于改进信息熵的相似性度量方法(NWDE),充分考虑了数据稀疏环境的特点,在计算用户间的相似性时综合考虑了用户间的交集大小以及评分差异的大小,使其得分更加真实。实验结果表明,在数据稀疏和小用户交集的情况下,该算法的推荐精度比传统方案取得了显著的改善。     

一种改进的均方差协同过滤算法

由于传统基于均方差的协同过滤算法(MSD)计算相似性时仅考虑评分向量间均方差值，导致其推荐性能不理想，针对这个问题，提出融合评分向量间余弦值和均方差值的改进均方差协同过滤算法(Improved MSD， IMSD)。通过在2个Movielens数据集上进行实验表明，IMSD算法较MSD算法的推荐准确度有所提高。更为重要的是，将IMSD算法进行推广应用，也能够取得较好的效果。本文将其应用于改进另外2种算法,即JAC_MSD和AC_MSD算法,并提出了2种相应的JAC_IMSD和AC_IMSD算法，发现算法的推荐准确度都有所提高。在所研究的几种算法中，AC_IMSD算法推荐准确度最优。     

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。     

一种基于Spark的改进协同过滤算法研究

为提高协同过滤算法在大数据环境下的可扩展性以及在高维稀疏数据下的推荐精度,基于Spark平台实现了一种分层联合聚类协同过滤算法。利用联合聚类对数据集进行稀疏性处理并构建聚类模型,运用层次分析模型并结合评分密集度分析联合聚类模型中用户和项目潜在类别权重,由此进行项目相似度计算并构建项目最近邻居集合,完成在线推荐。通过在GroupLens提供的不同规模MovieLens数据集上实验表明,改进后的算法能够明显提高推荐的准确度,并且在分布式环境下具有良好的推荐效率和可扩展性。     

一种改进的协同过滤推荐算法

传统的协同过滤算法在寻找最近邻居集合时没有考虑时间因素的影响,仅从用户或者项目单方面出发计算用户或者项目的相似性以产生推荐结果,也忽略了用户特征对推荐的影响.针对上述问题,引入时间遗忘函数、黏度函数、用户特征向量,对协同过滤算法寻找用户的最近邻居集合过程进行了改进,体现了时间效应、用户偏好程度和用户特征.采用MovieLens数据集进行了一系列对比实验,结果表明,改进后的算法能够明显提高推荐的准确度.     

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Spark框架的改进协同过滤算法

随着互联网数据量的不断膨胀,单机已经无法在可接受的时间范围内计算完基于大规模数据的推荐算法,也无法存放海量的数据。利用Spark平台内存计算的优点,设计了一种分布式的基于项目的协同过滤算法,利用Spark提供的RDD(resilient distributed dataset)算子完成算法的设计。针对由于数据稀疏而导致的相似度计算不准确的问题,提出了一种利用两项目间公共用户数目进行加权的相似度计算公式,提高了最终推荐结果的准确度。为了改善计算中涉及到的数据表等值连接操作耗时太长的问题,利用自定义的Hash_join函数替代Spark自带的连接操作算子,提高了计算效率。采用UCI的公用数据集MovieLens对算法进行测试,并分别与改进前的算法以及单机运行的算法进行对比,结果表明,改进的算法在准确度和效率方面都有更好的表现。     

基于用户和项目组合的协同过滤推荐算法

协同过滤算法是电子商务系统中一种重要的个性化推荐技术之一。但是随着电子商务规模的扩大,评分矩阵的稀疏性问题严重的影响了协同过滤算法的推荐效果。该文通过分析并研究了传统的协同过滤算法的不足,提出了一种新的基于用户和项目组合的协同过滤算法,在对稀疏矩阵进行填充时,不仅考虑到了项目之间的相关性,还考虑到了用户之间的相关性,然后在此基础上,构造虚拟的评分矩阵,最后再进行综合推荐。实验结果表明,在评分矩阵极其稀疏的情况下,该算法能有效的提高预测精度。     

一种改进的Top-N协同过滤推荐算法

摘 要: 针对传统的相似度计算方法仅依靠用户评分信息矩阵来计算物品或用户相似度,物品相似度的计算考虑了所有用户的历史反馈信息等问题,提出一种改进的协同过滤推荐算法。首先,以所有物品的度的平均值作为阈值,在用户相似度计算公式中引入用户共同评分权重以及流行物品权重。其次,在物品相似度计算公式中引入物品时间差因素和用户共同评分权重。最后,将兴趣相似的用户聚成一类,在类内应用推荐算法分别为用户进行推荐。实验结果表明,相比于传统的协同过滤推荐算法,新算法得到的推荐结果在召回率上提高了2.1%。该算法可在一定程度上提高推荐算法的精度以及推荐质量。     

传统Item-Based协同过滤推荐算法改进

传统item-based协同过滤算法根据项目之间的相似性来选取最近邻居.然而,现存的几种相似性度量方法都存在相应的弊端,因此只根据相似性无法找到准确可靠的最近邻.根据对两项目共同评分的用户个数,建立项目近邻等级,提出了结合项目近邻等级与相似性求取最近邻的新方法.另外,对于系统中新加入的项目,因为其上评分信息的匮乏,求得的最近邻往往是不准确的.为此,提出了聚合最近邻和"集体评分"两种改进方法.在MovieLens数据集上的实验结果表明,将上述改进应用于传统itembased协同过滤算法,推荐质量有明显的提高.     

基于模范用户的改进协同过滤算法

针对传统协同过滤算法普遍存在的稀疏性和扩展性问题,在传统协同过滤算法的基础上提出一种基于模范用户的协同过滤算法。通过对用户空间的聚类,自动选取模范用户聚类的最优粒度,利用模范用户产生推荐。实验结果表明,与传统协同过滤算法和其他基于聚类策略的算法相比,该算法在明显提高推荐效率的同时对推荐精度和稳定性都有所改进。     

改进的协同过滤算法

协同过滤是众多推荐技术中最主流的推荐技术,在个性化推荐系统中起着主导作用,然而随着大数据时代的到来,信息过载问题日益严重,评分矩阵越来越稀疏,传统协同过滤算法遇到了瓶颈。为了提高稀疏矩阵下推荐系统的推荐质量,本文对传统协同过滤算法进行改进。首先对项目集进行聚类,然后利用Slope One算法对聚类后的矩阵进行填充,最后在计算相似度时引入用户对每个聚类的喜好程度作为权重。实验结果表明,改进后的算法提高了推荐系统的推荐质量,能够有效缓解评分矩阵稀疏问题。     

改进的协同过滤推荐算法

传统的选修课系统存在结构性的不足和缺憾,为了避免高校学生盲目的选择选修课程,本文利用改进的协同过滤算法对高校学生进行个性化的选课推荐.本文首先介绍了两种推荐算法,并着重介绍基于协同过滤的推荐算法,并分析了两种算法的优缺点,最后针对协同过滤算法的数据稀疏性问题,提出了一种改进的协同过滤算法,即在协同过滤中加入基于内容的因素来解决这个问题.这种改进的协同过滤算法避免了传统协同过滤算法中存在的数据稀疏问题,以学生为本推荐适合学生的课程,满足学生学习的个性化要求.     

基于图和改进K近邻模型的高效协同过滤推荐算法

在互联网高速发展的今天,推荐系统已成为解决信息过载的有效手段,能够缓解用户在筛选感兴趣信息时的困扰,帮助用户发现有价值的信息.推荐系统中的协同过滤推荐算法,因其领域无关性及支持用户发现潜在兴趣的优点被广泛应用.由于数据的规模过大且稀疏的特点,当前协同过滤在算法实时性、推荐精确度等方面仍有较大提升空间.提出了GK-CF方法,通过建立基于图的评分数据模型,将传统的协同过滤算法与图计算及改进的KNN算法结合.通过图的消息传播及改进的相似度计算模型对用户先进行筛选再做相似度计算;以用户-项目二部图的节点结构为基础,通过图的最短路径算法进行待评分项目的快速定位.在此基础上,进一步通过并行图框架对算法进行了并行化实现及优化.在物理集群环境下进行了实验,结果表明,与已有的协同过滤算法相比,提出的GK-CF算法能够很好地提高推荐的准确度和评分预测的准确性,并具有较好的算法可扩展性和实时性能.     

一种基于改进的层次聚类的协同过滤用户推荐算法研究

为了降低组用户推荐的计算时间,提出了一种改进的层次聚类协同过滤用户推荐算法。由于数据的稀疏性,传统的聚类方法在尝试划分用户群时效果不理想。考虑到传统聚类算法的聚类中心不变组内用户间相关度不高等问题,将用户进行聚类,然后按照分类计算出每个用户的推荐结果,在进行聚类的同时充分利用用户间的信息传递来增强组内用户的信息共享,最后将组内所有的用户的推荐结果进行聚合。最后仿真实验表明,本方法能够有效地提高推荐的准确度,比传统的协同过滤算法具有更高的执行效率。