基于信息熵和改进相似度协同过滤算法

为了减少协同过滤算法存在的噪音数据以及数据稀疏性问题,提高算法准确性,本文提出一种基于信息熵和改进相似度的协同过滤算法,使用用户信息熵模型来判断噪音数据,排除噪音数据对实验结果的干扰;使用面向稀疏数据的改进相似度计算方法,使用全部评分数据而不是依靠共同的评分项来计算,对缓解稀疏数据对推荐结果的精确性影响有很大帮助。实验结果表明,该算法能在一定程度上排除噪音数据对结果的影响,缓解数据稀疏对推荐结果精确性的干扰,提高该推荐算法的精确性,且缓解了传统推荐系统算法中常见的一些问题,与传统的协同过滤算法相比,该算法的精确性更高。     

协同过滤的相似度融合改进算法

针对传统协同过滤推荐在数据稀疏性条件下性能不佳的问题,在相似度计算上做出了优化,提出了一种基于项目类别和用户兴趣相似度融合的协同过滤算法,算法将相似度的计算分解为两个方面进行:用户-项目类别评分相似度和用户-项目类别兴趣相似度,将两者用合适的权值加以融合得到最终相似度,参与最终预测评分的计算.利用MovieLens公用数据集对改进前后的算法进行对比.结果表明,基于项目类别和用户兴趣的协同过滤改进算法有效地缓解了数据稀疏性问题的影响,提高了推荐的准确性.     

基于用户联合相似度的推荐算法

基于用户的协同过滤推荐算法在进行近邻用户的筛选时以用户之间相似度的计算结果作为依据,数据量的增大加剧了数据的稀疏程度,导致了计算结果的准确性较差,影响了推荐准确度.针对该问题本文提出了一种基于用户联合相似度的推荐算法.用户联合相似度的计算分为用户对项目属性偏好的相似度和用户之间人口统计学信息的相似度两个部分.用户的项目属性偏好引入了LDA模型来计算,计算时评分数据仅作为筛选依据,因而避免了对数据的直接使用,减缓了稀疏数据对相似度计算结果的影响;用户之间人口统计学信息的相似度则在数值化人口统计学信息之后通过海明距离进行度量.实验结果表明,本文提出的算法在推荐准确度上优于传统协同过滤推荐算法.     

结合项目相似度的协同过滤算法

传统的协同过滤算法因为数据集稀疏性的增加而导致推荐准确性降低。针对该问题提出一种结合项目相似度的协同过滤推荐算法。首先计算项目之间的相似度,然后根据项目之间相似度,预测用户未评分项目评分估值,以减小目标用户与候选最近邻居所形成的数据集稀疏性,最后根据用户相似度获得项目推荐集。实验结果表明,该算法能提高寻找最近邻居的准确性,从而改善协同过滤的推荐质量。     

基于用户多属性与兴趣的协同过滤算法*

传统的协同过滤算法广泛应用于推荐系统领域,但该算法仍存在用户冷启动和数据稀疏性问题,造成算法的推荐质量较差。对此,提出一种基于用户多属性与兴趣的协同过滤算法AICF(Attributes and Interests Collaborative Filtering)。首先通过对多种用户属性分配权重计算出用户多属性相似度。其次利用改进的Slope One算法填充用户-项目评分矩阵,然后计算基于隐性标签的用户兴趣相似度。最后基于两种相似度的组合进行推荐。实验结果表明,AICF算法不仅明显提高了推荐结果的准确性,同时也解决了用户冷启动和数据稀疏性问题。     

基于用户兴趣变化和评论的协同过滤算法研究

传统协同过滤算法中,随着用户和商品数量的日益增多,用户-项目评分矩阵越来越稀疏。针对这一问题,提出了一种基于用户兴趣变化和评论的协同过滤算法。该算法将用户评论和遗忘曲线引入传统协同过滤算法中,将评论文本作为商品特征描述文本,使用主题模型计算商品主题特征,引入艾宾浩斯遗忘曲线来协同计算用户的评论分布及评论相似度。将用户评论相似度和用户评分相似度相结合,以得到最终的用户相似度,进而对商品评分进行预测。对网络爬取的真实数据进行验证,结果显示该算法能够在稀疏数据集上获得较好的推荐结果。     

一种融合项目特征和移动用户信任关系的推荐算法

协同过滤推荐系统中普遍存在评分数据稀疏问题.传统的协同过滤推荐系统中的余弦、Pearson 等方法都是基于共同评分项目来计算用户间的相似度;而在稀疏的评分数据中,用户间共同评分的项目所占比重较小,不能准确地找到偏好相似的用户,从而影响协同过滤推荐的准确度.为了改变基于共同评分项目的用户相似度计算,使用推土机距离（earth mover's distance,简称EMD）实现跨项目的移动用户相似度计算,提出了一种融合项目特征和移动用户信任关系的协同过滤推荐算法.实验结果表明：与余弦、Pearson 方法相比,融合项目特征的用户相似度计算方法能够缓解评分数据稀疏对协同过滤算法的影响.所提出的推荐算法能够提高移动推荐的准确度.     

一种融合用户与项目属性的协同过滤算法的设计与实现

针对传统的协同过滤算法存在数据稀疏、冷启动、推荐精度低等问题,提出一种充分融合用户与项目属性的协同过滤算法。利用项目属性和用户属性分别对用户相似度和项目相似度计算方法进行改进,并将用户和项目协同过滤进行组合加权,提高预测兴趣度的准确度。引入用户属性-项目类型偏好权重因子,利用天牛须搜索方法对兴趣度计算方法进行改进。实验结果表明:该算法能有效地缓解冷启动、数据稀疏对推荐系统的影响,且推荐精度有一定的提高。与传统的项目和用户协同过滤算法相比,召回率分别提高了8.65%和3.39%。     

采用Sigmoid函数的Web服务协同过滤推荐算法

协同过滤推荐技术被广泛用于各个推荐系统,但它仍然存在着用户评分数据稀疏性问题,可能导致推荐结果不准确。针对该问题,提出了一种采用Sigmoid函数的协同过滤推荐算法。首先,分析用户兴趣与其调用服务的次数之间的关系,利用TF-IDF算法计算用户对服务内容的兴趣度;其次,定义一个Sigmoid函数,根据服务调用次数计算用户对服务功能的兴趣度;最后,基于内容兴趣度和功能兴趣度计算用户兴趣相似度完成协同过滤算法,实现个性化的服务推荐。实验证明,该方法能有效缓解数据稀疏性问题,提高了推荐质量。     

基于核方法的User-Based协同过滤推荐算法

作为在实际系统中运用最为广泛和成功的推荐技术,协同过滤算法得到了研究者们的广泛关注.传统的协同过滤算法面临着数据稀疏和冷启动等问题的挑战,在计算用户之间相似度时只能考虑有限的数据,因此难以对用户之间的相似度进行准确的估计.提出了一种基于核密度估计的用户兴趣估计模型,并基于此模型,提出了一种基于核方法的user-based协同过滤推荐算法.通过挖掘用户在有限的评分数据上表现出来的潜在兴趣,该算法能更好地描述用户兴趣在项目空间上的分布,进而可以更好地估计用户之间的兴趣相似度.实验表明,该算法可以有效地提高推荐系统的性能,尤其在数据稀疏的情况下能显著地提高推荐结果的质量.