改进加权Slope one协同过滤推荐算法研究

协同过滤推荐是最成功的推荐技术之一,但数据稀疏性问题导致推荐准确度和推荐效率不高.针对这个问题,提出了一种改进的加权Slope one协同过滤推荐算法.计算用户之间的评分相似度,找出每个用户的最近邻;根据最近邻用户评分,使用基于用户的协同过滤和改进的加权Slope one算法的加权评分预测目标用户的未评分项目;给出推荐.实验过程中采用MovieLens数据集作为测试数据.实验结果表明:与原算法相比,算法提高了预测准确度,有效提高了推荐性能.     

基于多维度上下文和双聚类的个性化推荐算法

随着数据的爆炸式增长,推荐系统中传统的协同过滤推荐算法出现了难以处理稀疏数据和准确率降低的问题.对此,提出一种基于多维度上下文和双聚类的个性化推荐算法(MCB).该算法采用K-means聚类方法分别对用户和项目进行双聚类,并在传统的项目评分预测算法上进行改进,提出一种多维度的个性化评分预测(MPRP)算法.MPRP算法利用上下文维度间的相关性对用户评分进行修正,并考虑用户评分的权重问题,引入基于统计学习的系统误差因子,提高了评分预测的准确性.实验结果表明,MCB算法具有预测误差更小、推荐结果的覆盖率和新颖性更高的优点.     

基于共同评分和相似性权重的协同过滤推荐算法

协同过滤推荐算法是在电子商务推荐系统中应用最成功的推荐技术之一。提出了一种基于共同评分和相似性权重的协同过滤推荐算法。该算法选择用户的共同评分数据计算用户的相似性,选择项目被用户共同评分的数据计算项目的相似性,再分别计算基于用户以及项目算法的预测评分,然后通过相似性权重结合两者得到最终的预测结果,最后再根据预测结果产生推荐。实际数据的实验结果表明,提出的算法显著提高了预测准确度,从而提高了推荐质量。     

课程推荐预测模型优化方案及数据离散化算法

本研究基于k-NN算法建立了课程推荐预测模型.由于原始样本数据的局部不均衡和数据叠交性,预测模型在不进行任何参数调整和数据优化的情况下,模型预测评分并不理想.针对上述问题,本研究设计了一套预测模型参数优化方案和样本数据优化方案,包括最优k值选择算法设计、距离公式优化、数据离散化算法设计.本研究提出的“数据离散化算法”驱使kd树的分类空间排序按照我们期望的特征向量的权重排序,该算法对提升模型预测评分起到了积极作用.上述优化方案和算法设计使课程推荐预测模型的评分从0.67提升到0.85,预测结果的准确度提高了27个百分点,学生对课程推荐的满意度得到显著提升.     

不确定近邻的协同过滤推荐算法

文中围绕传统的协同过滤推荐算法存在的局限性展开研究,提出一种不确定近邻的协同过滤推荐算法UNCF.根据推荐系统应用的实际情况,对于推荐的每一种场景其实都是不可预先确定的,而文中算法基于用户以及产品的相似性计算,自适应地选择预测目标的近邻对象作为推荐群,同时计算推荐群中推荐把握概率较高的信任子群,最后通过不确定近邻的动态度量方法,来对预测结果进行平衡的推荐.通过实验结果表明,该算法可以有效平衡用户群以及产品群推荐结果所带来的不稳定影响,有效缓解用户评分数据稀疏的情况所带来的问题,并在多个实验数据中,提高了推荐系统的预测准确率.     

一种基于矩阵分解和随机森林算法的推荐模型

针对传统环境下运行的推荐算法预测精度不高的问题,提出一种基于矩阵分解和随机森林算法的推荐模型.提出的基于数据分割策略和新的学习过程的分布式推荐模型是在Apache Spark上设计的.通过数据分区、模型训练和偏好预测三个步骤处理大规模数据,提高预测质量,解决数据稀疏问题.为了提高模型在大数据环境下的性能,采用基于矩阵分解(Matrix Factorization,MF)和随机森林(Random Forests,RF)混合的新颖学习过程,从而显著加快分布式训练的速度.实验结果表明,相对于其他算法,该算法在性能指标上具有明显的优势.     

基于SVD++与改进Slope One混合推荐算法研究

协同过滤算法广泛应用于推荐系统中,论文针对传统协同过滤算法中数据稀疏性及推荐准确率不高的问题,提出了一种改进的协同过滤算法。首先通过SVD++算法对用户-项目评分矩阵进行填充,初步缓解数据的稀疏性问题,然后通过计算相似度引入项目属性,最后通过改进Slope One算法对评分矩阵进行二次预测计算,提高推荐算法的准确度。在数据集MovieLens100K数据集上对论文提出的混合推荐算法作五折交叉实验,结果表明混合算法提高了推荐系统的预测准确度。     

一种结合项目属性的混合推荐算法

传统的协同过滤推荐算法中仅仅根据评分矩阵进行推荐,由于矩阵的稀疏性,存在推荐质量不高的问题.本文提出了一种结合项目属性相似性的混合推荐算法,该算法通过计算项目之间属性的相似性,并且与基于项目的协同过滤算法中的相似性动态结合,通过加权因子的变化控制两种相似性的比重来改善协同过滤中的稀疏性问题,并且将综合预测评分和基于用户的协同过滤预测评分相结合来提高推荐质量,最终根据综合评分来进行推荐.通过实验数据实验证明,该算法解决了协同过滤算法的矩阵稀疏性问题.     

基于有效特征子集提取的高效推荐算法

推荐系统是根据用户的历史信息对未知信息进行预测.用户项目评分矩阵的稀疏性是目前推荐系统面临的主要瓶颈之一.跨域推荐系统是解决数据稀疏性问题的一种有效方法.本文提出了基于有效特征子集选取的高效推荐算法（FSERA）,FSERA是提取辅助域的子集信息,来扩展目标域数据,从而对目标域进行协同过滤推荐.本文采用K-means聚类算法将辅助域的数据进行提取来降低冗余和噪声,获取了辅助域的有效子集,不仅降低了算法复杂度,而且扩展了目标域数据,提高了推荐精度.实验表明,此方法比传统的方法有更高的推荐精度.     

基于Hadoop的多特征协同过滤算法研究

协同过滤是互联网推荐系统的核心技术,针对协同过滤推荐算法中推荐精度和推荐效率以及数据可扩展性问题,采用灰色关联相似度,设计和实现了一种基于Hadoop的多特征协同过滤推荐算法,使用贝叶斯概率对用户特征属性进行分析,根据分析结果形成用户最近邻居集合,通过Hadoop中的MapReduce模型构建预测评分矩阵,最后基于邻居集和用户灰色关联度形成推荐列表.实验结果表明,该算法提高了推荐的有效性和准确度,且能有效支持较大数据集.     

融合社交网络信息的协同过滤推荐算法*

在推荐系统中,协同过滤推荐算法往往面临数据集的高度稀疏性和推荐精度有限的问题.为了解决上述问题,在基于物品的协同过滤推荐框架下,分别在物品相似度的计算和用户对物品的评分预测阶段,利用社交网络中朋友关系信息选择性地填充评分矩阵中的缺失值,最大化利用评分矩阵中的已有信息,提出融合社交网络信息的协同过滤推荐算法.最后,在Epinions数据集上的实验表明,文中算法在一定程度上缓解数据稀疏性问题,同时在评分误差和分类准确率两个指标上优于其它协同过滤算法.     

基于情境信息迁移的因子分解机推荐算法

传统推荐算法大多使用用户评分数据来推测用户偏好,仅用评分数据会导致推荐结果单一,缺乏多样性和个性化,同时评分数据还普遍存在严重的稀疏性问题。针对上述问题,提出了一种基于情境信息迁移的因子分解机推荐算法。根据情境信息对数据集进行划分,利用自适应增强方法对不同情境下的数据样本进行迁移处理,将处理后的数据集放入因子分解机,实现评分预测。实验结果表明该算法能在充分使用数据样本、缓解稀疏性问题同时,进行更准确的个性化推荐,相较于传统推荐算法推荐误差降低了2.05%。     

基于用户-项目的混合协同过滤算法

针对传统协同过滤方法中存在的冷启动和数据稀疏等问题,结合基于用户的协同过滤和基于项目的协同过滤提出一种混合协同过滤算法。在相似度的计算中提出改进算法来提高相似度计算的精确度;在预测未评分值时引入控制因子、平衡因子进行加权综合预测,最后再进行综合推荐。实验过程中采用Movie Lens数据集作为测试数据,同时采用平均绝对误差作为实验的测试标准。实验结果表明,基于用户-项目混合协同过滤算法在评分矩阵极度稀疏的环境下提高了推荐的性能,并能有效提高预测的精度。     

融合用户特征优化聚类的协同过滤算法

针对推荐系统领域中应用最广泛的协同过滤推荐算法仍伴随着数据稀疏性、冷启动和扩展性问题,基于用户冷启动和扩展性问题,提出了基于改进聚类的PCEDS(pearson correlation coefficient and euclidean distance similarity)协同过滤推荐算法。首先针对用户属性特征,采用优化的K-means聚类算法对其聚类,然后结合基于信任度的用户属性特征相似度模型和用户偏好相似度模型,形成一种新颖的PCEDS相似度模型,对聚类结果建立预测模型。实验结果表明:提出的PCEDS算法比传统的协同过滤推荐算法在均方根误差(RMSE)上降低5%左右,并且推荐准确率(precision)和召回率(recall)均有明显提高,缓解了冷启动问题,同时聚类技术可以节省系统内存计算空间,从而提高了推荐效率。     

融合项目标签相似性的协同过滤推荐算法

针对传统推荐算法在相似性计算和评分预测方法中存在预测精度和稳定性的不足,为进一步提高算法精确度和稳定性,提出一种新的推荐算法。首先,依据各项目的重要标签的数量,计算出项目间M²相似性,依据该相似性构成该项目的邻近项目集;然后,参考Slope One加权算法思想,定义了新的评分预测方法;最后,使用该评分方法基于邻近项目集对用户评分进行预测。为了验证该算法的准确性和稳定性,在MovieLens数据集上与基于曼哈顿距离的K-最近邻（KNN）算法等传统推荐算法进行了对比,实验结果表明该算法与KNN算法相比平均绝对误差下降7.6%,均方根误差下降7.1%,并且在稳定性方面也更好,能更准确地为用户提供个性化推荐。     

基于自适应提升的概率矩阵分解算法

针对推荐系统中概率矩阵分解模型(PMF)泛化能力(对新用户和物品的推荐性能)较差、预测准确性不高的问题,提出一种新的基于自适应提升的概率矩阵分解算法(AdaBoostPMF)。该算法首先为每个样本分配样本权重;然后根据PMF中的每一轮随机梯度下降法学习用户和物品特征向量,并计算总体预测误差均值和标准差。从全局的角度利用AdaBoost思想自适应调整样本权重,使算法更注重学习预测误差较大的样本;最后对预测误差分配样本权重,让用户和物品特征向量找到更合适的优化方向。相比传统的PMF算法,AdaBoostPMF算法能够将预测精度平均提高约2.5%。实验结果表明,该算法通过加权预测误差较大的样本,能够较好地拟合用户特征向量和物品特征向量,提高预测精度,可以有效地应用于研究个性化推荐。     

融合上下文信息与核密度估计的协同过滤推荐

随着互联网信息技术的迅速发展,网络数据量快速增长,如何在海量数据中找到用户感兴趣的信息并实现个性化推荐是目前重要的研究方向。协同过滤算法作为推荐系统中的经典方法被广泛应用于不同场景,但是仍然存在数据稀疏,以及在计算相似度时不能考虑到所有数据的问题,只能够利用具有共同评分的数据,严重影响了推荐的精确度。针对上述存在的问题,提出了一种融合上下文信息与核密度估计的协同过滤个性化推荐算法。该算法通过对用户和项目各自的上下文信息和已经存在的用户评分数据进行处理,通过核密度估计构建用户和项目的兴趣模型,充分挖掘了用户和项目的兴趣分布,以获得更准确的用户和项目兴趣相似度,降低预测评分误差。在公开的数据集上验证表明,将该算法对比传统的协同过滤算法,有效提高了推荐的精确度。     

融合时间序列的POI动态推荐算法

兴趣点(POI)的签到数据体现了用户的偏好和兴趣点的分布特征,这在兴趣点推荐领域有极为重要的价值.为了缓解数据稀疏造成的推荐不准确等问题,本文提出了融合时间序列的POI动态推荐算法,结合用户与用户之间的关系、兴趣点位置以及流行度信息等.首先划分时间序列,得到时间因子的相似度;其次时间序列融入到基于用户的协同过滤算法,再根据时间的连续性特征得到基于用户的预测评分,然后将地理影响因子与基于时间的流行度信息结合,预测用户的评分,进而与基于用户的评分加权融合;最后,在Gowalla数据集上进行实验,结果表明,本文提出的融合时间序列的POI动态推荐算法能够有效减小推荐误差,提高推荐精度与召回率.     

.一种优化的基于项目评分预测的协同过滤推荐算法*

通过分析在用户评分数据极端稀疏的情况下,现有的基于项目评分预测的协同过滤推荐算法中项目之间的相似性度量不准确以及新项目的冷开始问题,提出了一种优化的基于项目评分预测的协同过滤推荐算法。该算法在计算项目之间的相似性时,既考虑了项目的评分相似性,又考虑了项目的特征属性相似性。实验表明,优化后的算法使计算出的项目之间的相似性更准确,并有效地解决了新项目的推荐问题,使得数据稀疏性对推荐结果的负面影响变小,显著提高了系统的推荐质量。     

融合了LSTM和PMF的推荐算法

推荐系统是帮助用户在海量的数据中快速发掘出他们感兴趣内容的最重要的技术之一。稀疏性和冷启动是推荐系统面临的主要问题。针对稀疏性问题,已有多种推荐算法考虑利用额外的辅助信息,如评论、摘要或概要等来提高预测准确性。这些算法确实已经在一定程度上提高了预测准确性,但是,已有的算法大都是基于词袋模型,对这些辅助信息的理解和利用缺乏深度,留于表面。提出了一种新型的推荐系统算法：深度协同过滤算法（DCF）。DCF集成了长短期记忆网络（LSTM）和概率矩阵分解（PMF）。该算法不仅能够基于用户评分学习用户特征,而且能深度挖掘辅助信息,学习到更精确的物品特征。经过在真实数据集MovieLens100K和1M上的验证,结果表明DCF算法的根均方误差比现有算法分别降低了2.54%和3.96%。