基于商品属性值和用户特征的协同过滤推荐算法

为了提高用户相似度计算精度和推荐准确性,缓解数据稀疏性,提出一种基于商品属性值和用户特征的协同过滤推荐算法。该算法首先从用户对商品属性值的偏好出发,计算用户对商品属性值的评分分布和评分期望值,得到用户-属性值评分矩阵;同时利用数据相似性度量方法寻找用户特征邻居,填充用户-属性值评分稀疏矩阵,进而得出目标用户偏好的最近邻居集;计算用户对未评属性值的评分,将目标用户对商品所有属性值评分的均值进行排序,形成该用户的Top-N推荐列表。采用Movie Lens和Book Crossing数据集进行实验,结果表明该算法在缓解数据稀疏性问题上效果较好,推荐精度显著提高。     

基于免疫优化算法的电影个性化推荐

本文针对传统电影推荐系统中缺乏新颖性的问题,提出一种基于免疫优化算法的求解方法。该算法将准确性和新颖性作为两个目标函数,通过免疫优化算法的原理,设计了个体编码、交叉算子以及变异算子。仿真实验结果表明,免疫优化算法能够有效地求得最佳解决方案,为用户提供准确性和新颖性都较高的电影推荐列表。     

融合偏好度与网络结构的推荐算法

针对传统推荐系统追求推荐列表的准确率而忽略推荐的多样性以及数据集信息缺失等问题，提出了融合偏好度与网络结构的推荐算法。通过用户历史反馈数据分析用户偏好度，将偏好度与二部图随机游走推荐算法融合，初步得出项目推荐列表；利用用户-标签二部图，挖掘用户不跟随大众的喜好标签，得到推荐项目列表；根据模型融合得到最终的推荐结果。实验表明，新算法在保持较好精确率和召回率的情况下，有效提高了推荐的多样性。     

一种基于整体多样性增强的推荐算法

目前大多数推荐算法都是以提高用户对未知商品的预测评分值为主要目标,然而预测准确率并不是增加用户满意度的唯一标准,推荐列表的多样性也是衡量推荐质量的一个重要指标。提出了一种新的推荐方法,旨在提高系统的整体多样性和长尾商品的推荐率。算法综合考虑了商品预测值、商品流行度、商品的偏爱度等多个标准。实验表明,与其他方法相比,本方法在维持较高推荐准确率的同时,能够推荐更多的长尾商品,提高了系统的整体多样性。     

TEFRCF:标签熵特征表示的协同过滤个性化推荐算法

标签作为Web 2.0时代信息分类和检索的有效方式,已经成为近年的热点研究对象。标签推荐系统旨在利用标签数据为用户提供个性化推荐。现有的基于标签的推荐方法在预测用户对物品的兴趣度时往往倾向于赋予热门标签及其对应的热门物品较大的权重,导致权重偏差,降低了推荐结果的新颖性,未能充分反映用户个性化的兴趣。针对上述问题,定义了标签熵的概念来度量标签的不确定性,提出了标签熵特征表示的协同过滤个性化推荐算法。该算法通过引入标签熵来解决权重偏差问题,利用三分图形式描述用户-标签-项目之间的关系;构建基于标签熵特征表示的用户和项目特征表示,并通过特征相似性度量方法计算项目的相似性;最后利用用户标签行为和项目的相似性线性组合预测用户对项目的偏好值,并根据预测偏好值排序生成最终的推荐列表。在Last.fm数据集上的实验结果表明,该方法能够提高推荐准确性和新颖性,满足用户的个性化需求。     

融合评论文本与评分交互特征的推荐方法

为缓解协同过滤推荐算法中评分数据稀疏问题对推荐结果的影响，提出一种融合文本评论和用户评分交互的推荐算法。通过将用户和商品评论各自潜在主题向量与用户、商品的潜在因子向量进行融合并各自进行评分，经过动态线性加权融合做出整体评分预测。在公开的多组数据集上，以推荐结果的均方根误差(RMSE)和平均绝对误差(MAE)为评估指标进行实验验证。实验结果表明，提出算法可以更好地刻画用户偏好和商品特征，有效缓解了评论数据稀疏性影响，提高推荐结果的准确性。     

基于评分可信度的大数据线性回归推荐算法

针对传统线性回归推荐算法没有考虑用户兴趣漂移、活跃度和评分可信度等影响因素,为进一步提高算法的准确度和对用户偏好的拟合度,提出一种融合评分可信度的线性回归推荐算法。首先将用户的兴趣漂移度、活跃度和用户对商品的评价信息综合考虑到用户评分可信度的计算方法中;然后将该方法融合到传统线性回归推荐算法系数矩阵求解过程当中;最后利用优化后的线性回归推荐算法对用户评分进行预测。为了验证该算法的准确性,在Hadoop集群和亚马逊商品评分数据集上与传统的线性回归推荐算法进行了对比,实验结果表明,该算法在处理效率、推荐效果和拟合程度上有明显提高。     

基于谱聚类与多因子融合的协同过滤推荐算法*

针对传统协同过滤算法面临数据稀疏、忽略用户时间上下文信息及对兴趣物品偏好程度等问题,本文提出基于谱聚类与多因子融合的协同过滤推荐算法。首先将FCM聚类融入到谱聚类算法的关键步骤,并通过聚类有效性指数对用户聚类个数进行优化,以降低生成最近邻的时耗;然后将Salton因子、时间衰减因子、用户偏好因子进行融合,从而对相似度进行改进;最后获取系统当前时间为目标用户生成推荐列表。Movielens上的实验结果表明,本文提出的算法在推荐精度、覆盖率及新颖度指标上有较大改善,提升了推荐性能。     

融合核密度估计和奇异值分解的多样化推荐算法

现今的推荐算法大多以提高推荐列表准确率为目标,而对推荐的多样性考虑较少,这样会导致推荐结果新颖性不强,在考虑多样性的时候又会降低准确率.本文提出了一种融合兴趣分布与奇异值分解的多样化推荐算法(KDE-SVD),首先使用核密度估计的方式估计用户兴趣分布,得出用户在兴趣分布上相似的邻居,并使用兴趣分布上相似的邻居的评分对当前用户未评分的物品进行预评分,然后将上一步得到的预评分填入用户-评分矩阵,进行SVD分解,此时获取推荐列表即包含了兴趣相似邻居预评分而来的物品,保证推荐列表的多样性,也有SVD分解而得的行为相似邻居的物品,保证推荐列表的准确率.在实验数据集上实验表明,该本文算法能保证准确率的的情况下充分提高推荐多样性.     

基于用户邻域和主题的新颖性Web社区推荐方法

社区推荐从海量社区中为用户过滤出有价值的社区,变得越来越重要.新颖性推荐逐渐得到关注,因为单纯追求准确度的推荐结果存在局限性.已有新颖性推荐方法不适用于社区推荐,因其无法处理Web社区特性,包括社区成员用户通过交互形成的关系网络以及社区主题.提出了一种新颖性社区推荐方法NovelRec,向用户推荐其有潜在兴趣但不知道的社区,旨在拓展用户视野和推动社区发展.NovelRec基于用户交互网络中的邻域关系,利用用户之间在主题上的关联,计算候选社区对用户的准确度;根据用户与社区在邻域和主题上的关联,提出一种用户社区距离度量方式,并利用该距离计算候选社区的新颖度.在此基础上,NovelRec最终进行新颖性社区推荐,并兼顾推荐结果的准确性.真实数据集上的对比实验结果表明,NovelRec方法在新颖性上优于现有方法,同时能够保证推荐结果的准确性.     

一种基于个性化成对损失加权的新颖推荐

推荐系统的目的是为了基于用户喜爱,为用户提供最高匹配度的潜在项目.但如果用户和项目提供者喜欢单一的热门项目,那么用户不能发现新颖性项目,会给用户和项目的提供商双方造成巨大损失.现有的新颖推荐工作主要集中在对由精度为基础的基础模型生成的前N个列表进行重新排序.结果,这些框架是两阶段的,并且结果基本上限于基础模型.另外,在训练基本模型时,通用的BRP损失函数以相同的方式对待所有对,始终抑制应该建议的有趣负项.针对BPR损失函数的局限性,在此提出了一种个性化的成对新颖性加权方法,该方法能够对1阶段的新推荐进行端到端的训练.该方法解决了损失函数中所有负项的一致抑制问题,并在损失函数中明确引入了用户个人偏好信息.充分利用了用户和项目的新颖性信息,并将其显式地集成到损失函数中,使模型能够区分感兴趣的未知项目和不喜欢的项目.有效地提高了具有边缘损失的新颖性.基础模型将在损失权重的指导下学习用户偏好,并在1阶段生成新的建议列表.综合实验表明,该方法在几乎不降低准确性的情况下有效地提高了新颖性.     

基于概念层次树的个性化推荐算法

改进了传统的协同过滤算法，提出了基于概念层次树的用户模型，利用该模型进行协同运算，使系统在用户共同评分项极其稀疏时也能产生推荐。在相似性计算和产生推荐阶段引入了概念分层思想，分别在商品种类上产生推荐，避免了推荐的单一现象。MovieLens数据集实验表明，改进后的算法在推荐质量上有了明显的提高。     

一种提高推荐多样性的概率选择模型

传统的推荐算法多以优化推荐列表的精确度为目标,而忽略了推荐算法的另一个重要指标——多样性。提出了一种新的提高推荐列表多样性的方法。该方法将列表生成步骤转换为N次概率选择过程,每次概率选择通过两个步骤完成:类型选择与项目选择。在类型选择中,引入项目的类型信息,根据用户对不同项目类型的喜好计算概率矩阵,并依照该概率矩阵选择一个类型;在项目选择中,根据项目的预测评分、项目的历史流行度、项目的推荐流行度3个因素重新计算项目的最终得分,选择得分最高的项目推荐给用户。通过阈值TR来调节多样性与精确度之间的折中。最后,通过对比实验证明了该方法的有效性。     

基于进化计算理论的推荐系统算法设计

该文在分析推荐系统和进化计算理论的基础上,提出一种多目标优化思路,给出一种基于进化多目标优化的推荐系统算法。该算法同时考虑推荐的精确度和推荐的新颖度,既要保证精确率又要尽可能地推荐新的物品给用户,算法力求在两者之间得到一种平衡。该文给出算法的设计思想和算法流程,并对算法进行了模拟数据的测试。     

融合多系统用户信息的协同过滤算法

为了提高新用户服务的预测准确率,提出一种融合多系统用户信息的协同过滤算法。该算法通过将多个系统的用户信息融合到低维流形中为用户寻找邻居和推荐项目,并介绍流形学习算法在推荐服务中的应用过程。通过对比实验,结果表明该算法比传统协同过滤算法能更有效、准确地为新用户提供推荐。     

融合正态分布函数相似度的协同过滤算法

传统协同过滤推荐算法的相似度量方法仅考虑用户间共同评分,忽略了用户间潜在共同评分项等信息量对推荐结果的影响。针对上述问题,设计了一种正态分布函数相似度量模型,此模型考虑了用户间的共同评分、共同评分项目数、以及用户的评分值,据此提出了融合正态分布函数相似度的协同过滤算法,该算法通过综合多种评分因素利用正态分布函数和修正的余弦相似度共同度量用户间的相似关系。实验结果表明,在两种数据集上与几种不同的推荐算法相比,该算法的相似度量方法提高了目标用户查找邻近用户集合的准确率,提高了系统的推荐质量。     

Effective methods for increasing aggregate diversity in recommender systems

In order to make a recommendation, a recommender system typically first predicts a user’s ratings for items and then recommends a list of items to the user which have high predicted ratings. Quality of predictions is measured by accuracy, that is, how close the predicted ratings are to actual ratings. On the other hand, quality of recommendation lists is evaluated from more than one perspective. Since accuracy of predicted ratings is not enough for customer satisfaction, metrics such as novelty, serendipity, and diversity are also used to measure the quality of the recommendation lists. Aggregate diversity is one of these metrics which measures the diversity of items across the recommendation lists of all users. Increasing aggregate diversity is important because it leads a more even distribution of items in the recommendation lists which prevents the long-tail problem. In this study, we propose two novel methods to increase aggregate diversity of a recommender system. The first method is a reranking approach which takes a ranked list of recommendations of a user and reranks it to increase aggregate diversity. While the reranking approach is applied after model generation as a wrapper the second method is applied in model generation phase which has the advantage of being more efficient in the generation of recommendation lists. We compare our methods with the well-known methods in the field and show the superiority of our methods using real-world datasets.     

安全的半监督方法的协同过滤推荐算法

为解决传统协同过滤算法中用户评分数据稀疏性,忽视物品及用户特征,所带来的推荐质量下降的问题,提出了一种基于安全的、高置信度的半监督方法的协同过滤推荐算法,采用安全的,高置信度的半监督方法S4VM对没有评分的数据进行有效预测,同时考虑用户的行为信息以及物品及用户特征。通过对未评分数据进行预测,能够有效地缓解数据的稀疏性,从而提高寻找最近邻的准确度。实验结果表明,该算法能够有效地提高系统的推荐质量。     

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。