一种融合云模型和信任的推荐算法

针对传统的协同过滤推荐系统推荐精度低的问题,从用户相似度和用户信任度两个角度出发,提出了一种融合云模型和信任的推荐算法。采用云模型的相似度方法计算用户间的相似度,再采用信任推导来计算用户间的信任值,在此基础之上根据用户相似度和信任度两个因素分别确定邻居用户,得到预测评分。再将二者的预测评分结合的混合值作为最终的预测评分,从而产生推荐。实验结果表明,该算法与基于信任关系的推荐算法相比有更好的推荐效果。     

基于社会网络面向个性化需求的可信服务推荐

在当前服务计算和社会计算背景下,针对难以获取满足用户个性化需求的可信Web服务问题,给出基于社会网络面向个性化需求的可信Web服务推荐模型;设计用户个性化功能需求分解与匹配算法,并利用语义词典提高功能需求语义匹配的准确性;基于个性化功能需求、社会网络节点信任度及服务信任度,设计了一种满足用户个性化需求的可信服务推荐算法,通过对社会网络节点之间、节点与服务之间的信任相关性进行分析,提高服务协同可信推荐性能。算法分析及实验结果表明该方法是有效和可行的。     

一种基于信任度的朋友推荐模型

针对如何对交友网站中的用户进行朋友推荐的问题,提出一种依据信任度进行朋友推荐的模型。通过用户之间的信任关系,建立信任模型,计算出该用户和其信任距离在3个跳转之内的所有其他用户的信任度。在计算用户之间的间接信任度时引入了衰减因子,改进了常见的间接信任度算法,从而达到依据信任度的高低依次对用户进行朋友推荐的目的。通过应用该模型对一个实例模型关系进行分析的结果表明,该朋友推荐模型能够有效地对用户进行朋友推荐,体现了用户对于有直接指向关系用户的信赖程度。     

一种融合用户偏好和社交活跃度的推荐算法

为有效解决传统推荐算法精度低的问题,提出了一种融合用户偏好和社交活跃度的概率矩阵分解推荐算法(Probabilistic Matrix Factorization Recommendation Algorithm Combining User Prefer-ence and Social Activity,UPSA-PMF),通过用户评分数据计算用户间的偏好信任度时,使用了共同项目平衡因子和热门项目惩罚因子进行改进;计算社交网络中的信任度时,考虑了社交活跃度与用户信任度的关系,并将社交活跃度作为惩罚因子,修正用户信任度.将偏好信任度和社交网络中的信任度以动态组合的方式得到最终的信任度,将最终的信任度与概率矩阵模型相结合,实现推荐.实验证明,改进的算法均优于现有的推荐算法,有效提高了推荐质量.     

基于随机游走和多样性图排序的个性化服务推荐方法

针对传统服务推荐算法由于数据稀疏性而导致推荐准确性不高,以及推荐结果缺乏多样性等缺陷,提出基于随机游走和多样性图排序的个性化服务推荐方法（PRWDR）.在分析直接相似关系稀疏性的基础上提出带权重的随机游走模型,通过在用户网络上进行随机游走来挖掘更多的相似关系;基于所有相似用户预测服务的QoS值,并给出服务图模型构建方法,以过滤大量性能过低的候选服务;提出最优节点集合选取策略,利用贪婪算法得到兼具推荐准确性和功能多样性的服务推荐列表.在公开发布的数据集上进行实验,并与多个经典算法进行比较,验证了本算法的有效性.     

基于一跳信任模型的协同过滤推荐算法

基于社会信任网络的协同过滤推荐算法存在节点之间多下一跳带来的复杂路径选择和信任弱传递问题。针对这2个问题,给出基于项目的一跳信任模型,该模型通过用户对项目信任度的计算,定义用户的直接和间接社会信任属性,然后一步跳转计算用户之间的直接和间接信任距离,进而计算用户之间的信任度。基于此模型设计推荐算法,同时分析了信任度与传统相似度的理论关系并二维拟合。仿真实验表明,该算法提高了推荐准确度(约0.02 MAE),降低了训练时间(约50%)。     

一种基于RFM模型的新型协同过滤个性化推荐算法

摘要：为了提高个性化推荐效果及预测准确度,特别是针对传统算法中评分矩阵过于稀疏等问题提出一种新颖的协同过滤算法。该算法首先利用RFM模型合理地筛选用户信息,其次通过黏性客户的消费记录稠密化用户—项目评分矩阵,并改进了传统相似度计算公式。通过仿真实验证实了算法的准确性,最后将其应用于一套具有个性化商品推荐功能的系统原型中,证明了该推荐算法的有效性及实用性。     

基于Item-User网络的概率矩阵分解推荐算法

传统的矩阵分解算法过分依赖于用户-评分矩阵,导致推荐的准确性不高。为了进一步提高推荐的准确性,文中提出了一种基于Item-User网络的概率矩阵分解推荐算法。该算法不仅通过有向图和信任关系的传递性对用户信任矩阵进行改进,而且引入了物品相似矩阵,全面考虑用户与项目的关系,并对这三个矩阵建立联合概率分解模型。最后构建目标函数,通过最小二乘法求出误差值和预测评分。实验结果表明,该算法相对其他算法有较好的预测结果和解释机制。     

基于多维度特征权值动态更新的用户推荐模型研究

为了提高电影个性化推荐的准确性,将电影通过导演、演员、上映时间、类型和地区等五个部分作为特征维度来表征,特征维度权值采用CHI方法计算,特征维度的权值进行归一化后,电影之间的相似度可以通过特征维度间的相似度体现,用户推荐模型通过不断迭代更新对各维度特征权值进行修正,提高模型推荐的准确性。实验结果表明,改进的算法在MovieLens数据集能够获得较高的准确率和召回率,能够比较准确地捕获用户的兴趣,并在一定程度上解决了用户兴趣漂移的问题。     

基于标签改进社交网络好友推荐算法研究与应用

随着信息技术的快速发展,人们的社交网络方式也在不断地改变,因此如何准确地给用户个性化的推荐成为当前研究的热点。文中通过对传统的基于标签的推荐算法进行了深入的研究,针对其推荐准确率低和缺乏新颖性的问题,提出了一种改进的基于标签的推荐算法模型。通过仿真实验并与腾讯微博推荐算法进行对比测试,得出改进的算法不仅能够推荐与目标用户相似的用户,还能挖掘具有相同兴趣爱好的潜在用户,最终验证了改进的标签算法能够有效地提高推荐系统准确率和新颖性。