时间加权不确定近邻协同过滤算法

围绕传统的协同过滤推荐算法存在的局限性展开研究,提出一种时间加权不确定近邻协同过滤推荐算法TWUNCF。根据推荐系统应用的实际情况,首先对用户和产品相似度进行时间加权以保证数据有效性,在此基础上改进相似度的计算方法。同时引入近邻因子在产品群和用户群中自适应地选择预测目标的近邻对象作为推荐群,计算推荐群中推荐概率较高的信任子群,最后通过不确定近邻的动态度量方法来对预测结果进行平衡的推荐。实验结果表明,该算法考虑了数据的时间有效性,同时平衡不同群体对推荐结果的影响,避免由于数据稀疏带来的推荐结果不准确和计算难度大的问题。理论分析和模拟实验证明,该算法在一定程度上提高了系统的准确性和推荐效率。     

基于Hadoop的协同过滤推荐算法

在电子商务推荐系统中,协同过滤算法技术是主要的采用技术,而推荐系统的准确率受相似度方法的直接影响。本文通过对用户共同评分项的流行度和用户的特征之间的相关性的分析,给出了改进的相似度度量方法及相应的协同过滤推荐算法,设计并实现了基于Hadoop的协同过滤推荐系统。利用MAE分别对原始协同过滤推荐效果和改进后的推荐算法进行测评,结果表明,该算法在一定程度上提高了推荐的准确度。同时,对分布式推荐平台的整体性能实验表明,随着虚拟机节点的适度增加,协同过滤推荐引擎的计算时间不断减少,这表明推荐引擎的总体性能较传
　　统单机推荐引擎得到提升。     

基于改进LSH的协同过滤推荐算法

协同过滤是个性化推荐系统中应用较为成功与广泛的技术之一,影响协同过滤推荐质量的关键在于获取目标用户的k近邻用户,然后基于k近邻对其未评价的项目进行评分预测与推荐。针对用户评分数据的规模大、维度高、高度稀疏以及直接进行相似性度量的实时性差等对推荐性能的影响,提出一种基于LSH的协同过滤推荐算法,并对其进行改进。该算法基于p稳态分布的局部敏感哈希对用户评分数据进行降维与索引,并采用多探寻的机制对其进行改进,缓解多个哈希表对内存的压力,快速获取目标用户的近邻用户集合,然后采用加权方法来预测用户评分并产生推荐。标准数据集上的实验结果表明,该方法能有效克服评分数据的高维稀疏,并在保证一定推荐精度的前提下,大幅度提高推荐效率和降低内存消耗。     

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。     

一种基于局部近邻Slope One协同过滤推荐算法

经典的Slope One算法采用线性回归模型对目标项目进行预测评分,但在项目评分偏差表构建过程中产生了部分噪声数据,影响了算法的推荐性能。为了解决该问题,建立了一种基于局部近邻Slope One协同过滤推荐算法。算法计算了当前活跃用户针对不同推荐商品的近邻用户集,其邻居用户集根据目标项目的不同而动态变化;根据活跃用户关于不同目标项目的邻居用户数据来进一步优化项目之间的平均偏差,进而产生推荐。对比实验说明,该算法在MovieLens数据集上具有较高推荐精度。     

基于云模型的协同过滤推荐算法

传统的协同过滤推荐算法面临严峻的数据稀疏性和推荐实时性困境,推荐质量明显不高。为提高推荐效果,首先对基于云模型的用户评分项和相似性度量方法展开研究。然后定义基于云模型的推荐系统信任约束,并改进主观信任云模型的约束函数、信任变化云模型的信任变化函数。最后提出一种基于云模型的协同过滤推荐算法。实验结果表明,相比传统算法,该算法在用户评分数据稀疏的状况下仍然可以取得良好的推荐效果,具有较高的实用价值。     

基于精确欧氏局部敏感哈希的协同过滤推荐算法

针对推荐系统中用户评分数据的海量高维与稀疏性,以及直接利用传统相似性度量方法来获取近邻的计算量大、结果不准等对推荐质量的影响,提出基于精确欧氏局部敏感哈希(E2LSH)的协同过滤推荐算法。首先利用精确欧氏局部敏感哈希算法对用户评分数据进行降维处理并构建索引,以快速获取目标用户的近邻用户;然后利用加权策略来预测用户评分,进而完成协同过滤推荐。实验结果表明,该算法能有效解决用户数据的海量高维与稀疏性问题,且运行效率高,具有较好的推荐质量。     

协同过滤推荐系统分析

本文主要从基本思想、算法步骤等方面对基于用户的协同过滤推荐算法和基于项目的协同过滤推荐算法进行了详细介绍,并对其存在的问题进行了总结。     

基于近邻评分填补的协同过滤推荐算法

评分数据的稀疏性影响协同过滤算法的推荐质量。为此,提出一种基于近邻评分填补的混合协同过滤推荐算法。对原始评分矩阵进行全局降维,在低维的主成分空间中计算用户相似性,减少算法复杂度。采用奇异值分解法对近邻评分缺失值进行填补,降低近邻评分的稀疏性。在MovieLens数据集上的实验结果表明,该算法具有较好的推荐效果。     

一种优化的协同过滤推荐算法

协同过滤技术被成功地应用于个性化推荐系统中．随着电子商务系统用户数目和商品数目的日益增加,整个项目空间上用户评分数据极端稀疏,传统的相似性度量方法存在一定的不足．在引入项目评分预测思想的基础上,考虑到数据稀疏性带来的影响,采用修正的条件概率方法计算项目相似性,提出一种优化的协同过滤推荐算法,计算结果更具有实际意义和准确性．实验表明,该算法能够有效避免传统方法带来的弊端,提高系统的推荐质量．     

协同过滤算法在推荐系统中的应用

介绍了协同过滤算法,并对算法进行了改进,解决了用户稀疏的情况下传统算法的不足,同时通过引入评分阈值,显著提高了个性化协同过滤算法的推荐精度。     

基于评分预测的协同过滤推荐算法

传统的基于评分预测的协同过滤算法在计算用户之间相似性时只针对用户共同评过分的物品计算评分差异,然而由于不同用户共同评分的物品数目不同,使得计算标准不统一,从而导致推荐质量不理想。本文在传统算法的基础上进行改进,新算法在计算相似性的时候一方面考虑了用户共同评分的物品数,另一方面还考虑了物品的热门程度对用户相似性计算的影响。实验结果表明,新算法在推荐准确率和召回率上都比传统算法提高了1倍以上。研究还发现在算法中使用Pearson相关系 数明显好于使用欧氏距离作相似性度量标准得到的推荐效果。     

基于云模型的协同过滤推荐算法

协同过滤系统是电子商务系统中最重要的技术之一,用户相似性度量方法是影响推荐算法准确率高低的关键因素.针对传统相似性度量方法存在的不足,利用云模型在定性知识表示以及定性、定量知识转换时的桥梁作用,提出一种在知识层面比较用户相似度的方法,克服了传统基于向量的相似度比较方法严格匹配对象属性的不足.以该方法为核心,在全面分析传统方法的基础上,提出一种新的协同过滤推荐算法.实验结果表明,算法在用户评分数据极端稀疏的情况下,仍能取得较理想的推荐质量.     

基于KNN-GBDT的混合协同过滤推荐算法

针对传统基于单分类的推荐算法容易陷入单指标最优的困境和推荐精度低的问题,提出一种融合K-最近邻(KNN)和Gradient Boosting(GBDT)的协同过滤推荐算法.该算法利用K-最近邻法过滤出目标用户的多组候选最近邻居集,并综合集成学习的优点,采用多分类器对多组推荐结果进行集成.在相似度计算公式中引入了若只...     

基于邻居决策的协同过滤推荐算法

协同过滤技术应用于个性化推荐系统中,稀疏性问题和可扩展性问题成为亟需解决的问题。针对传统方法的不足,提出一种凭借邻居数做决策的方法,比较各个待测位置的用户邻居数和项目邻居数,由数量多的一方作预测,同时对预测值判定给出一种合理而有效的度量方法。实验结果表明,该方法能够提高推荐质量。     

基于协同过滤的美食推荐算法

为了解决传统的基于用户的协同过滤算法中的数据稀疏性问题,提高推荐的准确率,本文对推荐算法进行了改进并将改进后的算法应用在美食推荐领域。首先,利用均值中心化方法对实验数据进行处理,减少因个人评分习惯差异造成的推荐误差。然后,通过使用改进的空值填补法降低评分矩阵的稀疏性。最后,在计算相似度时引入了遗忘函数和用户间的信任度,进一步提高了推荐系统的准确性。实验表明,本文提出的改进算法比传统算法有更高的准确率,并得出了在推荐过程中考虑用户和项目外的其他因素以及针对不同的数据信息采用不同的算法,都有利于提高推荐准确率的重要结论。     

基于Hadoop平台协同过滤推荐算法

针对协同过滤推荐算法在数据稀疏性及在大数据规模下系统可扩展性的两个问题, 在分析研究Hadoop分布式平台与协同过滤推荐算法后, 提出了一种基于Hadoop平台实现协同过滤推荐算法的优化方案. 实验证明, 在Hadoop平台上通过MapReduce结合Hbase数据库实现算法, 能够有效地提高协同过滤推荐算法在大数据规模下的执行效率, 从而能够进一步地搭建低成本高性能、动态扩展的分布式推荐引擎.     

基于信任模型的协同过滤推荐算法

提出一种基于信任机制的协同过滤推荐算法,其中,直接信任度基于共同评价项目得出,推荐信任度通过对项目的预测得出。借鉴社会网络中人与人之间的信任评价方法,使用户之间的相似度计算更加准确,从而为目标用户提供更好的推荐结果。实验结果表明,该模型提高了信任度预测的准确性及系统的推荐质量。