基于用户特征的分步协同推荐算法*

协同过滤是解决信息过载问题的一种有效技术。然而基于内存的推荐面临着可扩展性问题,基于模型的推荐需要训练大量的参数。本文提出了基于用户特征的K-means用户聚类算法,然后用分步协同过滤框架融合基于项目和基于用户的协同过滤给每一个聚簇训练一个模型。实验结果表明本文提出的算法能极大的提高推荐精度,同时在一定程度上解决了基于模型和基于内存的推荐存在的不足。     

融合异常检测与随机森林的微博转发行为预测方法

针对目前微博转发行为预测具有的特征选择任意性、准确率不高的问题,提出了融合异常检测与随机森林的微博转发行为预测方法。首先,提取用户基本特征、博文基本特征、博文内容主题特征,并基于相对熵计算用户活跃度、博文影响力;其次,通过结合过滤式与封装式特征选择方法筛选出关键特征组;最后,融合异常检测与随机森林算法,依据筛选后的关键特征组进行微博转发行为预测,并利用袋外数据误差估计设置随机森林中的决策树和特征数。在真实新浪微博数据集上与基于逻辑回归、决策树、朴素贝叶斯、随机森林等算法的微博转发行为预测方法进行实验对比,结果表明所提方法的预测准确率(90.5％) 高于基准方法中最优的随机森林方法的预测准确率,同时验证了特征筛选方法的有效性。