基于多特征的个性化图书推荐算法

现有推荐算法计算读者之间或图书之间的相似性不准确、推荐精确度不高。为此,提出一种基于多特征的个性化图书推荐算法。根据中图分类法及图书的特征向量计算图书的相似性,依据读者的特征向量及借阅记录计算读者的相似性。在此基础上产生2种预测结果并对其进行加权,产生最终推荐。实验结果表明,该算法具有较高的图书推荐精确度。     

一种属性和评分的协同过滤混合推荐算法

传统协同过滤推荐算法仅仅根据稀疏的评分矩阵向用户推荐,存在推荐质量不高的问题.提出了一种属性和评分的协同过滤混合推荐算法.该算法由项目的类别属性计算项目之间基于属性的相似性,考虑到用户兴趣随时间的变化,构建评分时间权重的指数函数,并应用到项目之间的Pearson相关相似性中.通过权重因子加权项目之间基于属性的相似性和项目之间的Pearson相关相似性,然后计算基于项目属性的评分预测.描绘职业分类树,构建职业相似性模型,并与性别加权结合产生用户综合属性的相似性,得到基于用户属性的评分预测.最后,综合两者计算混合评分预测.在Movielens实验数据集下,实验结果表明提出的算法具有较好的平均绝对误差.     

一种属性和评分的协同过滤混合推荐算法

传统协同过滤推荐算法仅仅根据稀疏的评分矩阵向用户推荐,存在推荐质量不高的问题。提出了一种属性和评分的协同过滤混合推荐算法。该算法由项目的类别属性计算项目之间基于属性的相似性,考虑到用户兴趣随时间的变化,构建评分时间权重的指数函数,并应用到项目之间的Pearson相关相似性中。通过权重因子加权项目之间基于属性的相似性和项目之间的Pearson相关相似性,然后计算基于项目属性的评分预测。描绘职业分类树,构建职业相似性模型,并与性别加权结合产生用户综合属性的相似性,得到基于用户属性的评分预测。最后,综合两者计算混合评分预测。在Movielens实验数据集下,实验结果表明提出的算法具有较好的平均绝对误差。     

适应用户兴趣变化的指数遗忘协同过滤算法

协同过滤是目前推荐系统中最为成功的推荐技术,但传统的协同过滤算法没有考虑用户兴趣的变化。针对上述问题,从艾宾浩斯记忆遗忘规律得到启发,提出一种基于资源相似度的协同过滤算法,利用基于指数遗忘的数据权重来逐步减小资源相似度的权重。实验结果表明,该算法显著提高推荐系统的推荐质量。     

云模型与用户聚类的个性化推荐

针对传统推荐系统数据稀疏、相似性计算方法导致共同评分用户少的问题,提出利用云模型定性概念与定量数值转换的优势,研究云模型、用户聚类的个性化推荐改进算法。用户对项目属性评价的偏好,转换为用户对加权综合云模型表示的数字特征的偏好。利用改进的聚类算法,对评分数据、原始用户属性标准化后的信息进行聚类;同时考虑用户兴趣的变化,结合用户之间项目属性评价的综合云模型的相似度、用户对项目评分的聚类、用户属性聚类这三种方法产生的邻居用户的并集进行推荐。理论分析和实验结果表明,提出的改进算法不但解决数据稀疏性带来的共同评分用户少的弊端,即使是在新用户的情况下,仍能获得较低的平均绝对误差和平均平方误差