基于时序行为的协同过滤推荐算法

协同过滤直接根据用户的行为记录去预测其可能喜欢的产品,是现今最为成功、应用最广泛的推荐方法.概率矩阵分解算法是一类重要的协同过滤方式.它通过学习低维的近似矩阵进行推荐,能够有效处理海量数据.然而,传统的概率矩阵分解方法往往忽略了用户(产品)之间的结构关系,影响推荐算法的效果.通过衡量用户(产品)之间的关系寻找相似的邻居用户(产品),可以更准确地识别用户的个人兴趣,从而有效提高协同过滤推荐精度.为此,提出一种对用户(产品)间的时序行为建模的方法.基于该方法,可以发现对当前用户(产品)影响最大的邻居集合.进一步地,将该邻居集合成功融合到基于概率矩阵分解的协同过滤推荐算法中.在两个真实数据集上的验证结果表明,所提出的SequentialMF 推荐算法与传统的使用社交网络信息与标签信息的推荐算法相比,能够更有效地预测用户实际评分,提升推荐精度.     

基于用户信任和兴趣的概率矩阵分解推荐方法

传统协同过滤推荐算法存在数据稀疏性、冷启动、新用户等问题.随着社交网络和电子商务的迅猛发展,利用用户间的信任关系和用户兴趣提供个性化推荐成为研究的热点.本文提出一种结合用户信任和兴趣的概率矩阵分解（STUIPMF）推荐方法.该方法首先从用户评分角度挖掘用户间的隐性信任关系和潜在兴趣标签,然后利用概率矩阵分解模型对用户评分信息、用户信任关系、用户兴趣标签信息进行矩阵分解,进一步挖掘用户潜在特征,缓解数据稀疏性.在Epinions数据集上进行实验验证,结果表明,该方法能够在一定程度上提高推荐精度,缓解冷启动和新用户问题,同时具有较好的可扩展性.     

基于用户偏好和项目属性的协同过滤推荐算法

协同过滤推荐算法是目前应用最为广泛的个性化推荐方法之一,但传统的推荐算法在计算目标用户邻居集时只考虑用户项目评分矩阵中的具体数值,没有考虑用户偏好以及用户评分与项目属性之间的关系,推荐精度也有待进一步提高。针对这一问题,提出了一种基于用户偏好和项目属性的协同过滤推荐算法(UPPPCF)。本算法在传统的用户项目评分矩阵基础上综合考虑用户偏好以及项目属性,把评分矩阵转变成基于用户偏好的用户项目属性评分矩阵,然后根据这一评分矩阵来计算目标用户的最近邻居集,克服了传统相似性计算方法只依靠用户评分值的不足,同时本文对预测值判定给出了一种有效的度量方法。在 MovieLen 数据集上的实验结果表明,本文提出的UPPPCF算法能够有效弥补传统协同过滤算法中的不足,而且在推荐精度上有了明显的提高。     

基于时间加权的个性化推荐算法研究

协同过滤算法是个性化推荐系统中应用最成功的推荐算法之一,但传统的算法没有考虑在不同时间段内寻找最近邻居问题,导致寻找的邻居集合可能不是最近邻居集合。针对这个问题,本文提出了基于时间加权的协同过滤算法。该算法赋予每项评分一个按时间逐步递减的权重,利用加权后的评分寻找目标用户的最近邻居。实验表明,改进的算法提高了协同过滤推荐系统的推荐质量。     

融合注意力LSTM的协同过滤推荐算法

针对传统协同过滤算法难以学习深层次用户和项目的隐表示,以及对文本信息不能充分提取单词之间的前后语义关系的问题,该文提出一种融合辅助信息与注意力长短期记忆网络的协同过滤推荐模型。首先,附加堆叠降噪自编码器利用评分信息和用户辅助信息提取用户潜在向量;其次,基于注意力机制的长短期记忆网络利用项目辅助信息来提取项目的潜在向量;最后,将用户与项目的潜在向量用于概率矩阵分解中,从而预测用户偏好。在两个真实数据集MovieLens-100k和MovieLens-1M上进行实验,采用RMSE和Recall指标进行评估。实验结果表明,该模型与其他相关推荐算法相比在推荐性能上有所提升。     

基于Tag和协同过滤的混合推荐方法

针对传统协同过滤方法的稀疏性问题,提出基于标签(Tag)和协同过滤的混合推荐方法TAG-CF。通过Tag分类信息获取项目的最近邻居,采用基于项目的最近邻方法预测用户评分值,并利用该预测值填充用户评分矩阵,构造密集的伪矩阵,运用基于用户的的协同过滤方法在伪矩阵上计算用户对项目的预测评分值。实验结果表明,TAG-CF能有效降低推荐系统的平均绝对误差,提高推荐质量。     

融入用户和项目特征的概率矩阵分解推荐算法

与传统的协同过滤推荐算法相比,概率矩阵分解(PMF)模型在大型、稀疏的数据集上表现良好,但其仅利用了用户对项目的评分信息,没有充分考虑用户和项目的特征,因此在推荐准确度等方面仍具有很大的提升空间.基于概率矩阵分解模型,融合用户属性特征、用户偏好特征和项目标签特征,提出一种新的推荐算法UFIF-PMF.首先,根据用户属性信息计算用户属性相似度,利用项目标签信息和用户评分信息计算用户偏好相似度,并通过加权构建用户相似度矩阵;然后,构建基于项目标签信息的项目相似度矩阵;接着,将用户相似度矩阵和项目相似度矩阵融入到概率矩阵分解模型中;最后,在电影公开数据集Movielens上进行模型训练和对比实验.实验结果表明,在训练集比例为90％、隐性特征维度为10的情况下,与PMF、基于用户偏好的概率矩阵分解推荐算法(USPMF)和融合物品相似度的概率矩阵分解推荐算法(ISPMF)相比,UFIF-PMF算法的均方根误差(RMSE)分别下降6.27％、3.65％和3.49％,平均绝对误差(MAE)分别下降8.46％、4.8％和4.67％,同时有效缓解了推荐系统的冷启动和数据稀疏问题,有较强的可扩展性.     

一种改进的协同过滤推荐算法

推荐系统在电子商务中应用广泛,协同过滤是推荐系统中应用最为成功的推荐技术之一。随着电子商务系统数据不断增加,用户-项目评分矩阵稀疏性问题日趋明显,成为推荐系统的瓶颈。本文提出基于LDA的协同过滤改进算法,提升稀疏评分矩阵下的推荐质量。首先,根据用户与项目评分矩阵,建立LDA模型,得到用户-项目概率矩阵,作为协同过滤的原始数据;然后根据属性对项目聚类,对用户-项目概率矩阵进行裁剪;最后,考虑上下文信息,在传统协同过滤相似度计算基础上,通过引入时间因子函数改进相似度计算公式。在Movie Lens数据集上的实验结果表明,本文提出模型的MAE指标优于传统协同过滤算法。     

基于会话时序相似性的矩阵分解数据填充

针对已有数据填充方法只考虑评分信息和传统相似性,无法捕获用户间真实相似关系的问题,提出了基于会话时序相似性的矩阵分解数据填充方法来缓解数据稀疏性、提高推荐精度。首先,分析了传统相似性的缺陷,并根据时序相似性和相异性提出了基于会话时序相似性度量,它结合了时间上下文和评分信息,能更好地捕获用户间的真实关系,从而识别近邻;接着,根据目标用户的近邻及其消费的项目抽取了具有用户和项目潜在影响因素的待填充的关键项目集合,并利用矩阵分解填充关键项目集合;然后,利用隐含狄利克雷分布（LDA）抽取用户在每个时间段内的概率主题分布,并利用时间惩罚权值建立用户动态偏好模型;最后,根据用户间概率主题分布的相关性和基于用户的协同过滤完成项目推荐。实验结果表明,与其他数据填充方法相比,基于会话时序相似性的矩阵分解数据填充方法在不同稀疏度下都能降低平均绝对误差（MAE）,提高推荐性能。     

结合用户聚类和项目类型的协同过滤算法

为了解决协同过滤算法中数据稀疏性问题,提高推荐效果,提出一种改进的协同过滤算法.该算法首先通过一种新的相似度计算方法来计算项目类型相似度,将相似度大于某阈值的项目作为目标项目的邻居;然后根据目标用户对邻居项目的评分信息来预测该用户对目标项目的评分值,并将预测值填入稀疏的用户项目评分矩阵;最后对填充后的评分矩阵采用基于用户聚类（K-means聚类）的协同过滤算法做出最终的预测评分进行推荐.在Movielens数据集上进行实验验证,结果表明该算法能够很好地缓解数据稀疏性、降低计算复杂度,提高推荐精度.     

基于用户兴趣度和特征的优化协同过滤推荐

协同过滤技术目前被广泛应用于个性化推荐系统中。为了使用户的最近邻居集合更加精确有效,提出了基于用户兴趣度和用户特征的优化协同过滤推荐算法。首先通过计算用户对项目的兴趣度来对用户进行分组;然后采用贝叶斯算法分析出用户具有不同特征时对项目的喜好程度;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。实验表明该算法提高了最近邻居集合的有效性和准确度,推荐质量较以往算法有明显提高。     

基于用户谱聚类的协同过滤推荐算法

针对电子商务系统中传统协同过滤推荐算法面临的稀疏性、准确性、实时性等问题,提出了一种基于用户谱聚类的协同过滤推荐算法。首先利用非负矩阵分解的方法对原始稀疏评分矩阵进行平滑处理,然后利用改进相似度的谱聚类方法将用户聚类,最后在用户所属类中寻找最近邻并产生推荐。用户谱聚类过程可离线完成,加快了在线推荐速度。在数据集MovieLens上的实验结果表明,该算法在平均绝对偏差、召回率、准确率等方面都有了较大改善,提高了推荐质量。     

基于改进项目相关性度量的协同过滤推荐算法

在计算用户相似度时,传统的协同过滤推荐算法往往只考虑单一的用户评分矩阵,而忽视了项目之间的相关性对推荐精度的影响。对此,本文提出了一种优化的协同过滤推荐模型,在用户最近邻计算时引入项目相关性度量方法,以便使得最近邻用户的选择更准确;此外,在预测评分环节考虑到用户兴趣随时间衰减变化,提出了使用衰减函数来提升评价的时间效应的影响。实验结果表明,本文提出的算法在预测准确率和分类准确率方面均优于基于传统相似性度量的项目协同过滤算法。     

基于改进最近邻的协同过滤推荐算法

针对当前协同过滤推荐算法易受数据稀疏性与冷启动的问题,提出了一种改进最近邻的协同过滤推荐算法。建立用户-项目评分矩阵,并度量项目之间、用户之间的相似性,获取项目和用户的最近邻居,其中最近邻居的最优参数k值采用粒子群算法选择,在MovieLens和Book-Crossing数据集上进行了仿真对比实验。结果表明,相对于其他协同过滤推荐算法,该算法降低了平均绝对误差值,提升了推荐准确度,达到提高推荐质量效果的目的。     

面向完全冷启动的深度混合协同过滤推荐算法

基于矩阵分解的协同过滤算法近年来获得了巨大的成功,但是依然存在冷启动,忽视用户及物品特征等问题,从而导致推荐质量不佳,用户体验度下降。论文提出了一种基于深度学习的混合协同过滤推荐算法,尝试引入堆栈降噪自编码器学习物品的隐含特征,同时结合半监督S4VM和隐含因子模型,综合考虑物品的内容特征及时间因素,以预测未评分的数据,解决冷启动问题。在标准数据集Movielens上进行的测试表明:该算法能有效预测冷启动物品的评分,性能提升显著,较传统推荐性能提升约为12%。     

自适应用户的Item-based协同过滤推荐算法

传统Item-based协同过滤算法计算两个条目间相似性时, 将每个评分视为同等重要, 忽略了共评用户（对两个条目共同评分的用户）与目标用户间的相似性对条目间相似性的影响。针对此问题, 提出了一种自适应用户的Item-based协同过滤算法。该算法将共评用户与目标用户的相似性作为共评用户评分重要性的权重, 以实现针对不同的目标用户, 为目标条目选择不同的、适合目标用户的最近邻居集, 从而提高推荐准确性。实验结果表明, 提出的算法可以显著提高推荐系统的推荐质量。     

基于上下文的餐饮推荐算法

互联网的发展,为餐饮用户的上下文信息获取提供了基础。在用户选择适合其餐饮模式的前提下,加入动态上下文因素以满足用户的需求。为改善传统的协同过滤方法应用于餐饮O2O推荐存在的稀疏矩阵、冷启动等问题,设计了基于上下文后过滤的协同过滤推荐方法。先通过转化基于项目属性效用的评分矩阵,计算出用户对项目评分的偏好相似度。根据用户的评分偏好和静态上下文信息构建相似组,结合上下文信息加权的贝叶斯模型,采用基于KL散度的加权方法进行动态偏好分析,解决上下文信息缺乏时难以构建概率模型以及推荐系统的用户冷启动问题。实验结果显示,随着邻居数目增加时,基于上下文的推荐算法与传统的协同过滤算法相比,能维持较高的准确率和召回率,验证了推荐算法的有效性。     

基于近邻关系的个性化推荐算法研究

协同过滤是目前电子商务推荐系统中广泛应用的最成功的推荐技术,但面临严峻的用户评分数据稀疏性和推荐实时性挑战。针对协同过滤中的数据稀疏问题,提出了一种基于最近邻的个性化推荐算法。通过维数简化技术对评分矩阵进行优化,降低数据稀疏性;采用一种新颖的相似性度量方法计算目标用户的最近邻居,产生推荐预测。实验结果表明,该算法有效地解决了数据稀疏,提高了推荐系统的推荐质量。