一种基于时间加权和用户特征的协同过滤算法

协同过滤算法是目前个性化推荐系统中应用最成功的推荐算法之一,但传统协同过滤算法很少考虑到用户兴趣随着时间变化以及用户特征与兴趣的关联性两方面的问题。针对该问题提出了一种基于时间加权和用户特征的协同过滤算法,首先通过定义时间指数函数反映兴趣随时间增长的变化,然后建立用户的特征矩阵,最后采用一种新的相似度度量方法计算出目标用户的最近邻居集合。实验结果表明该算法推荐平均绝对误差(MAE)比传统算法降低了12%,推荐质量较传统算法有明显提高。     

用户与项目语义相似性填充的协同过滤推荐方法

为解决协同过滤推荐方法中矩阵的稀疏性导致推荐精度下降的问题,文中提出一种结合用户属性及项目特征的矩阵填充协同过滤推荐方法。通过用户属性特征计算用户间语义相似性,构建项目领域本体以计算项目间语义相似性,加权用户语义相似性和项目语义相似性预测出的评分值填充评分矩阵,并获取近邻用户进行推荐。在MovieLens数据集上利用平均绝对误差和接收者工作特性(ROC)曲线两个评价标准进行实验验证,结果表明:相较于传统的协同过滤方法(TCF)、基于缺省值填充的协同过滤方法(CFBDF)和基于均值填充的协同过滤方法(CFBAF)三种方法,本文方法的平均绝对误差(MAE)值更低,ROC曲线下方的面积(AUC)值更大,这说明文中方法可以有效缓解矩阵的稀疏性,进而提高推荐的准确性。     

基于属性偏好自学习的推荐方法

推荐系统从海量数据中挖掘出有用信息来学习用户偏好．目前主流研究的推荐算法是在考虑 评分数据和社交数据的基础上执行协同过滤算法．协同过滤方法包括传统的用户、商品协同过滤算 法和经典的矩阵分解方法．用户、商品协同过滤算法具有可解释性但训练速度慢,矩阵分解模型虽 然训练速度快但缺乏解释性．此外,评分数据和社交数据在获取难度上高于属性信息．针对这些问 题,提出一种基于属性偏好的自学习算法．该算法在评分数据和属性信息的基础上,首先利用用户 对属性的初始偏好程度与属性对商品的评分构建预测评分模型,通过预测评分和实际评分的平方 差及正规化项构造损失函数,使用梯度递减方法对损失函数中预测评分模型的属性偏好程度进行 迭代训练,最后使用训练后的属性偏好程度和属性值评分来预测用户评分．实验在两个经典数据集 上证明了该模型运行时间较快,且在评分数据稀疏的情况优于传统的协同过滤方法和基本矩阵分 解模型．     

改进的基于用户的协同过滤算法

在推荐系统中,协同过滤算法是应用最广泛和最成熟的推荐算法之一。但是传统的协同过滤算法,在计算用户之间的相似度和评分推荐两个指标上存在着很多不足之处。通过决策树策略找寻了评分和共现值之间的规则,有效的改善了Salton相似度的准确性。同时,根据艾宾浩斯遗忘规律得到启发,引入了时间模型作为评分的权重,有效的解决了用户的兴趣迁移。在仿真实验中,测试了在不同邻居个数下传统算法和改进算法的平均绝对误差。实验证明,改进的协同过滤算法能够降低预测评分的平均绝对误差,提高推荐的准确率。     

基于多方面评分的景点协同推荐算法

针对传统的协同过滤(collaborative filtering, CF)推荐模型中利用单一的总体评分进行相似性计算,但总体评分不能准确反映用户对物品喜好的问题,提出基于多方面评分的景点协同推荐算法。该算法综合利用用户对景点在景色、趣味性、性价比三个方面的评分计算用户或景点之间的相似性,进而计算目标用户对目标景点的总体评分。试验结果表明:在相似性计算中引入景点在这三个方面的评分信息后,推荐结果的均方根误差、平均绝对误差、覆盖率、准确率和F-度量指标都得到了改善。     

一种改进相似度的协同过滤算法

传统的相似度计算方法通过评分信息得出用户之间的相关关系,这些方法仅仅从用户评价信息考虑用户之间的相似度,使计算结果过于片面,在稀疏数据集中受较大影响,导致推荐结果的准确性有所降低。针对一般的协同过滤推荐算法中存在的数据稀疏性问题,通过引入用户相似度权重系数,将Pearson相关系数进行加权处理后与Jaccard相似性方法相结合,提出一种新的计算方案,改进算法考虑了用户对共同评分项目所占的比率和用户对项目的评分取值大小,优化了协同过滤算法中相似度量的关键性能。在MovieLens和Book-Crossing两个公共数据集中进行试验,结果表明,改进算法使平均绝对误差值最大程度上降低了5. 2%,从而有效降低稀疏数据集对推荐结果的影响,显著提升了推荐系统的准确度。     

协同过滤算法的电视节目推荐策略

进入大数据时代,信息超载会对用户造成严重影响,个性化推荐是解决此问题的一个非常有效的办法。协同过滤算法大量应用在个性化推荐系统中,但由于家庭对象并非独立个体,传统的家庭电视节目推荐方法不能根据用户的多样化偏好进行推荐,故提出了基于物品属性和用户偏好相结合的推荐方法。仿真实验结果表明,该方法能够高效和准确地进行电视节目推荐。     

利用项目属性和偏好改进协同过滤推荐

协同过滤(CF)推荐系统可以通过了解用户过去的行为向用户推荐项目. 针对现有的CF推荐系统没有利用潜在的项目偏好信息,提出了一种利用项目偏好改进CF的推荐方法. 该方法首先采用K-means算法对用户进行聚类,然后利用用户聚类和效用矩阵构建项目偏好矩阵,最后在基于项目的CF方法中,综合项目评分相似度、项目属性及其偏好特征相似度产生推荐. 实验结果表明,该方法获得了较好的推荐精度,在一定程度上缓解了稀疏问题.     

基于双重阈值近邻查找的协同过滤算法

为了提高协同过滤算法的推荐精度,从协同过滤算法中近邻用户／项目组的选择人手,提出基于双重阈值近邻查找的协同过滤算法。该算法能充分利用现有的稀疏用户项目评分矩阵,找出与目标用户相关性较强,且能参与到评分预测过程中的候选用户。实验结果表明,该算法相比传统的协同过滤算法及部分改进算法,其推荐精度有一定提高,对实际应用具有一定的参考价值。     

基于用户兴趣的个性化推荐算法研究

针对协同过滤算法存在用户兴趣不易捕捉的问题,提出了一种基于用户兴趣偏移和项目自身属性特征的个性化推荐算法。利用滑动时间窗内项目属性和用户评分建立出用户兴趣偏爱因子,通过推荐项目自身属性特征给出用户对项目的偏爱度;最后结合项目偏爱度和协同过滤算法中预测评分产生推荐。实验结果表明,该算法准确反映出用户兴趣的偏移和项目自身属性特征,在推荐质量上也得到提高。     

基于杰卡德相似性的推荐系统研究

协同过滤推荐系统的核心是用户的相似性度量.在杰卡德相似性度量基础上,提出一种修正的杰卡德相似性度量.该方法将用户评分差异的数目融入相似度计算,并综合杰卡德相似度建立神经网络学习模型,选取Movielens数据作为训练集,得到合适的权重.实验结果表明,与pearson相似性度量相比,该方法在用户评价较少时给出相对可靠的推荐,在推荐的精度、平均绝对误差等方面具有一定的优越性.     

基于用户聚类的二分图网络协同推荐算法

针对协同过滤推荐系统应用中存在的数据稀疏、可扩展性受限等问题,提出了一种基于用户聚类的二分图网络协同推荐算法.该算法在用户聚类阶段对二分图网络进行用户中心聚类,并获取用户聚类中心及其所在的群组,基于用户群组的评价信息为目标用户提供更广泛的推荐数据;在协同推荐阶段,围绕聚类中心及其所在群组为未评分项目完成预测评分,为用户推荐综合评分最高的Top-n项目.结果表明,该算法能够提升目标用户推荐的准确度,并能改善协同推荐的多样性.     

基于用户兴趣的电子商务推荐方法

针对数据稀疏性与推荐实时性的技术难题,在结合传统用户合作过滤推荐的基础上,提出了基于兴趣度向量模型的用户合作推荐机制.该方法合理利用了用户的人口统计信息,即用户提交给网站的注册信息,来辅助基于兴趣度向量模型的推荐方法,在提高预测精度的同时还可以解决推荐系统的新用户问题.采用MovieLens网站上提供的研究数据进行模拟推荐实验,通过对平均绝对偏差对比分析可得,兴趣向量模型的推荐方法在一定程度上比传统合作过滤算法有更高的推荐精度.     

一种改进的协同过滤图书推荐算法

随着图书馆文献资源和评价信息的日益丰富和增长,图书推荐系统已成为目前最受读者欢迎的应用。传统的推荐算法通常采用协同过滤算法基于相似性为用户推荐适合的书单,但评价数据的稀疏特征和推荐中过拟合等因素会影响推荐系统的准确性,导致推荐的质量较差。为此,提出一种基于用户数据处理的增强协同推荐算法,通过剔除不相关用户来降低稀疏性和过拟合问题,并基于图书馆采集的评价信息作为验证数据,将该算法与传统算法进行比较,实验表明,在RSME、准确率和召回率等指标方面有较大的提升。     

基于用户量化属性的多维相似度的协同过滤推荐算法

针对传统协同过滤推荐算法模型过于粗糙和推荐精度较低的问题,提出了一种新的基于用户量化属性的多维相似度的协同过滤推荐算法.该算法考虑到个别项目对相似度计算的影响,利用最大差值特性进一步描述用户评分相似度,并结合用户量化属性,构建用户兴趣偏好模型,依此阐明了新的相似度计算方法,利用该方法获取目标用户的近邻用户和预测评分,最终实施推荐.实验结果表明该算法可以有效的提高推荐质量.     

融合用户感知和多因素的兴趣点推荐

针对传统的基于协同过滤的兴趣点(POI)推荐方法存在数据稀疏问题和现有工作往往单纯利用上下文信息却没有合理平衡各因素的作用影响的问题，提出融合用户感知和多因素的兴趣点推荐模型（UPMF）.为基于用户感知的隐式建模提取用户相似性以丰富用户表示，并利用序列、地理和社交等上下文信息构建用户感知协同影响的POI推荐模型，缓解数据稀疏问题.设计新颖的用户感知的融合策略(UPIS)，在基于用户感知的同时合理利用各种上下文信息挖掘用户的动态偏好.提出基于分段的活动区域选择算法针对不同活动区域对用户的影响进行建模.实验结果表明，与其他流行的POI推荐方法相比，UPMF在准确率、召回率和归一化折损累计增益(NDCG) 3个评价标准上都有一定程度的提高.在Gowalla和Yelp数据集上，UPMF模型的NDCG@10比SUCP的分别高12.77%、7.24%.     

语义相似性与协同过滤集成推荐算法研究

基于项目协同过滤算法能提高基于用户协同过滤方法的扩展性问题,并考虑项目之间的关系避免计算用户之间关系的瓶颈,但基于项目协同过滤算法依然存在稀疏性和新项目预测等问题。为了解决这些问题,该文采用了一种基于项目的结构化语义信息的集成相似性算法。为了抽取项目的语义信息,通过本体学习建立特定领域本体并利用包装器代理从网站中抽取本体类的实例和项目属性。实验结果证明了此方法不仅能很好的解决基于项目协同过滤算法带来的问题,而且还提高了推荐精度。     

关联集合在协同过滤推荐算法中的应用研究

为了提高电子商务推荐系统的精度,提出了基于关联集合的协同过滤推荐算法,该算法通过频繁项集生成算法生成一系列频繁项集,然后通过合并处理过滤掉与用户关联很小的一些噪音项目,从而使协同过滤算法更加有效。该算法在推荐精度上比传统的方法优越。     

一种引入加权异构信息的改进协同过滤推荐算法

协同过滤作为当前应用最成功的推荐技术之一,其推荐质量在很大程度上取决于近邻用户选取的准确性,而数据的稀疏性问题（sparsity）和相似度度量方式（similarity metrics）严重影响着最近邻的选择。该文提出了一种引入加权异构信息的改进协同过滤算法。首先利用异构网络中丰富的语义信息和边属性信息,得到用户之间基于不同元路径的相似度;然后将相似度分别应用到典型的基于用户的协同过滤推荐算法中,得到基于每个相似度的用户评分值;最后采用监督学习算法为每个打分值分配不同的权重,融合为用户最终评分。在扩展MovieLens经典数据集上的实验结果表明,本文所提算法在精确度上较传统算法有显著提高。     

结合时间上下文挖掘学习兴趣的协同过滤推荐算法

提出了一种基于时间上下文的协同过滤推荐(TCCF-LI)算法,实现了基于高校图书馆图书借阅记录数据上的学生学习兴趣挖掘.在传统协同过滤算法上引入时间上下文信息,既考虑了大尺度用户群体爱好的趋同性,又兼顾了小尺度个体用户爱好的短时相关性,获得了更高的推荐性能.在实际数据集上的实验结果表明,该算法在推荐精准度、召回率等方面比传统推荐算法有较好表现.