基于协同过滤和内容过滤的微博话题混合推荐算法

微博作为社交媒体平台为人们了解信息提供了极大的便利,但同时也使用户每天被海量的信息包围,用户很难迅速地找到自己感兴趣的话题,给用户带来困扰。提出了先进行协同过滤,再进行内容过滤的混合算法,这样尽量可以利用不同算法的优点,避开算法的缺点,基于初步的结果,面向单个用户,进一步采用内容过滤算法,有效提高推荐准确度,从而提高推荐系统的推荐准确度。通过实验表明,提出的混合算法相较于协同过滤推荐算法,在微博话题推荐准确率有显著提升。     

基于关联规则与标签的好友推荐算法

针对用户在社交网络中添加哪些用户为自己好友的问题,采用好友之间的关系推荐和喜好标签的相似度推荐相结合的方法,提出了改进的推荐算法。首先,通过用户之间的好友关系推荐出目标用户共同好友最多的Top-N用户,其次,通过目标用户和推荐出的Top-N用户间标签的相似性推荐分数最高的用户,再给定他们相应的权重,进行打分,选取分数最高的Top-N用户进行推荐。实验结果表明,运用相结合的算法是有效的,在准确率和召回率上优于同类的好友推荐算法。     

基于博弈的社会网络个性化好友推荐算法研究

随着在线社会网络规模的不断扩大,在线社会网络中的用户信息过载问题成为业界关注的焦点。社会网络中实体的复杂性和社交网络结构的复杂性给社交网站中的个性化推荐带来新的研究问题和挑战。提出一种基于博弈的预测模型,利用非合作博弈进行链接预测,设计了一个通过链接预测来实现个性化推荐的算法。最后,在来自学者网SCHOLAT的真实数据集上进行了实验,结果证明该方法能够有效地提高推荐的准确性。     

改进的基于内容的协同过滤电影推荐算法

推荐系统包括两种主要方法,即协同过滤算法和基于内容的过滤算法,有助于提供有意义的建议。笔者使用了混合方法,即利用内容和协作过滤算法,讨论了算法与此领域之前工作的不同,同时,结合一种的分析方法,证明新方法的合理性,如何提供实用建议。上述方法在现有用户和对象数据上进行测试,与其他两种最受欢迎的方法——纯协同过滤和奇异值分解相比,具有改进效果。     

融合的协同过滤推荐算法

协同过滤算法作为一种成功的个性化推荐技术已经被应用到很多领域中,但随着系统规模的扩大,它的效率逐渐降低。针对它出现的缺点,提出一种新的基于内容和网络结构图的混合算法,实验数据证明该算法可以解决传统推荐算法中存在的一些缺陷。     

基于内容预测和项目评分的协同过滤推荐

文中提出了一种基于内容预测和项目评分的协同过滤推荐算法,根据基于内容的推荐计算出用户对未评分项目的评分,在此基础上采用一种基于项目的协同过滤推荐算法计算项目的相似性,随后作出预测。实验结果表明,该算法可以有效解决用户评分数据极端稀疏的情况,同时运用基于项目的相似性度量方法改善了推荐的精确性,显著提高推荐系统的推荐质量。     

基于内容的推荐与协同过滤融合的新闻推荐方法

针对基于内容的新闻推荐方法中用户兴趣多样性的缺乏问题和混合推荐方法存在的冷启动问题,提出一种基于内容与协同过滤融合的方法进行新闻推荐。首先利用基于内容的方法发现用户既有兴趣;再用内容与行为的混合相似度模式,寻找目标用户的相似用户群,预测用户对特征词的兴趣度,发现用户潜在兴趣;然后将用户既有兴趣与潜在兴趣融合,得到兼具个性化和多样性的用户兴趣模型;最后将候选新闻与融合模型进行相似度计算,形成推荐列表。实验结果显示,与基于内容的推荐方法相比,所提方法的F-measure和整体多样性Diversity均有明显提高;与混合推荐方法相比,性能相当,但候选新闻无需耗时积累足够的用户点击量,不存在冷启动问题。     

个性化学习推荐系统的设计与实现

针对远程教学系统中的个性化服务需求，本文在介绍个性化服务相关技术的基础上，提出了基于内容过滤和协同过滤两种方法相结合的个性化推荐算法，设计并实现了个性化学习推荐系统。     

协同过滤推荐算法的研究与改进

传统的基于用户的协同过滤推荐算法在计算用户间相似性时依赖于用户-项目评分矩阵,但在实际的商业系统中,用户参与的评价往往非常少,这样计算出的相似性精确度通常很低。文中提出结合用户相似性和基于项目分类特征的相似性计算方法,计算用户间的相似性,形成目标用户的近邻集合,完成向目标用户的推荐。文中在MovieLens数据集上的实验结果表明,相对于Pearson相似性的协同过滤推荐算法,文中提出的改进算法在推荐质量方面有明显提高。     

融合协同过滤的线性回归推荐算法

针对传统协同过滤算法中存在数据稀疏问题,提出融合协同过滤的线性回归推荐算法。根据用户对项目的评分以及用户和项目自身特征,构建用户间和项目间相似矩阵。基于相似矩阵,选出用户和项目最近邻集合,分别通过基于用户和基于项目的协同过滤算法来预测用户已评分项目的评分,将预测评分与真实评分的差值作为特征,组合在一起生成新的训练数据。把新的训练数据作为线性回归模型的输入,根据训练好的模型预测未知评分,采用Top-N算法产生推荐列表。在MovieLens数据集上进行实验。实验结果表明,新算法的推荐准确性较传统协同过滤算法有显著提高。     

基于专家信任的协同过滤推荐算法改进研究

针对目前协同过滤推荐算法存在的冷启动、数据稀疏、可扩展性不高以及未考虑到不同社区簇之间可能存在相关性导致的推荐准确度低的问题,提出了一种在考虑同社区簇内专家信任基础上结合不同社区簇专家信任的推荐算法。在改进相似度计算时,改进算法不仅结合了Jaccard相关系数、用户的平均评分因子以及加权处理的Pearson相关系数,还结合了用来惩罚热门物品权重的流行度。在改进评分预测时,改进算法在引入了传统聚类推荐算法中的同社区簇专家信任后,还引入了不同社区簇专家信任。实验在MovieLens数据集上进行,实验结果表明,改进算法不仅缓解了冷启动和数据稀疏等问题,还显著提高了推荐准确度。     

.基于社区网络内容的个性化推荐算法研究

针对用户在社区网络中面对海量的信息和资源,如何快速便捷地获得自己感兴趣的内容问题,提出一种基于社区网络内容的个性化推荐算法。在得到相同兴趣用户聚类的基础上,该算法首先通过用户访问日志信息挖掘相似内容推荐项,然后根据用户兴趣挖掘新的内容推荐项。实验结果表明,该算法不仅提高了内容推荐精度,而且还扩展了内容覆盖面。     

基于云模型熟悉相似度的协同过滤推荐算法

研究了一种新的协同过滤推荐方法。针对推荐算法中相似度存在的不足,提出了兼顾"形状-距离"的云模型综合相似度测算方法;考虑用户之间的兴趣匹配,提出了云模型熟悉相似度的概念;提出了基于云模型熟悉相似度的邻居用户选择方法,进而产生推荐。实验结果表明,本方法提高了推荐准确度。     

融合社交网络与关键用户的并行协同过滤推荐算法

为解决传统协同过滤推荐算法中存在的数据稀疏、冷启动以及推荐结果缺乏多样性等问题,提出一种融合社交网络与关键用户的协同过滤推荐算法。该算法在用户—项目评分矩阵基础上,融合用户社交网络信息得出社交信任矩阵,融合关键用户信息得出关键用户评分矩阵。利用三大评分矩阵,分配不同的权重比例,共同来预测用户对于目标项目评分。针对海量数据问题,采用Spark分布式集群实现该算法的计算并行化。实验结果表明,该算法能够有效缓解数据稀疏问题,提高处理速度和推荐准确度。     

社交网络中基于分类属性的好友推荐

社交网络经常通过掌握的用户信息来对其进行好友推荐。这种好友推荐带来了技术挑战,现有的好友推荐技术并不能有效解决该问题。为了应对这种技术挑战,拟提出基于分类属性的好友推荐算法。通过机器学习的手段,分析出不同类型的属性对用户行为的贡献度不同,将其进行分类处理。基于该分类,提出的算法可以在掌握用户基本资料以及近期行为的基础上,搜索出与之相关性更强的好友或能够引发其兴趣点的商品,用来快速、准确、全面地得到用户与其好友之间亲疏程度排序及分类的结果。实验结果证明了所提出方法的有效性及高效率。     

基于多属性的动态采样协同过滤推荐算法

针对目前协同过滤推荐算法推荐精度和用户数据在算法中匹配度都不高的问题,提出一种多属性的条件受限波尔兹曼机协同过滤推荐模型（MA-CRBM）。该模型基于实值状态的条件玻尔兹曼机,融合了用户职业和性别属性,充分利用数据集中潜在的评分与未评分信息。在训练过程中,采用动态迭代采样算法对原采样算法进行了改进,克服了训练后期数据采样误差波动太大导致精确度不高的问题。在MovieLens 数据集上的实验结果表明,MA-CRBM模型具有较好的推荐效果,可以有效提升推荐模型的精度和效率。     

基于混合相似度和差分隐私的协同过滤推荐算法

现有协同过滤推荐算法中,存在的评分片面、主观性强、评分矩阵稀疏性等因素影响了推荐的精确度,并在推荐中存在隐私泄露等问题.针对上述问题,提出一种基于混合相似度和差分隐私的协同过滤推荐算法.该算法基于多种相似度进行加权计算构造混合相似度,提高推荐精度;以混合相似度作为质心更新和分类条件,利用改进的K-means算法将与目标用户相似度高的用户进行聚类;采用枚举方法在目标用户集中划分子集,并基于混合相似度构建效用函数,利用差分隐私指数机制在各子集中选择邻居集合,保护用户隐私;最后在邻居集合中选择出评分值最高的项目进行推荐.实验结果表明,该算法在保护用户隐私的同时,有效提高了推荐的精确度.     

协同过滤的一种个性化推荐算法研究

在分析传统推荐算法不足的基础上,提出一种稀疏矩阵下的个性化改进策略.首先进行一对一的个性化预测,得到虚拟用户评分矩阵,在此基础上再进行综合预测.该方法避免了传统推荐算法中推荐值与用户相似度不密切相关的弊端,提高了协同过滤的预测精度,尤其是在矩阵极端稀疏情况下的预测精度.最后通过实验验证了算法的有效性和优越性.     

基于熵优化近邻选择的协同过滤推荐算法

协同过滤推荐系统的近邻选择环节中不仅没有考虑目标项目对用户间相似性计算的影响,而且也未考虑邻居用户对目标用户的推荐贡献能力,导致既降低了相似性计算的准确性,也提高了近邻集合中伪近邻的比例。针对这些问题,提出了一种基于熵优化近邻选择的协同过滤推荐算法。算法首先使用巴氏系数计算项目间相似性,并以此为权重加权计算用户间相似性。其次引入熵描述用户评分分布特性,根据评分分布差异性衡量邻居用户的推荐贡献能力。最后,利用双重准则共同计算推荐权重,并构建近邻集合。实验结果表明该算法能够在不牺牲时间复杂度的条件下准确地选取近邻集合,提升推荐准确度。