基于用户引力的协同过滤推荐算法

针对传统的基于用户的协同过滤推荐算法存在用户兴趣偏好模型过于粗糙和邻居集不够准确等问题,本文提出了一种新的协同过滤推荐算法,命名为基于用户间引力的协同过滤推荐算法。该算法认为用户使用的社会标签可以反映用户的喜好类型及喜好程度,利用社会标签构建用户喜好物体模型,并计算它们之间的万有引力,把万有引力的大小作为用户相似性的度量,在此基础上获得目标用户的邻居用户和评分预测,把获得预测评分高的若干项目推荐给用户。实验结果说明本文的算法可以获得较其它算法较优的推荐性能。     

基于标签信息特征相似性的协同过滤个性化推荐

标签推荐系统旨在利用标签数据为用户提供个性化推荐。已有的基于标签的推荐方法往往忽视了用户和资源本身的特征,而且在相似性度量时仅针对项目相似性或用户相似性进行计算,并未充分考虑二者之间的有效融合,推荐结果的准确性较低。为了解决上述问题,将标签信息融入到结合用户相似性和项目相似性的协同过滤中,提出融合标签特征与相似性的协同过滤个性化推荐方法。该方法在充分考虑用户、项目以及标签信息的基础上,利用二维矩阵来定义用户-标签以及标签-项目之间的行为。构建用户和项目的标签特征表示,通过基于标签特征的相似性度量方法计算用户相似性和项目相似性。基于用户标签行为和用户与项目的相似性线性组合来预测用户对项目的偏好值,并根据预测偏好值排序,生成最终的推荐列表。在Last.fm数据集上的实验结果表明,该方法能够提高推荐的准确度,满足用户的个性化需求。     

基于用户行为挖掘的融合社交网络推荐模型

采用大数据处理技术和并行计算方法进行融合社交网络的用户行为特征的挖掘,实现社交网络智能推荐,提出一种基于用户行为挖掘的融合社交网络推荐模型。采用关联规则分布模型进行融合社交网络的用户行为特征检测,提取融合社交网络的用户行为的本体信息和关联规则项,构建社交网络的联合推荐的模糊决策模型,计算融合社交网络用户行为的联合信息熵特征值,采用模糊C均值聚类方法对提取的特征量进行分类识别,根据分类识别结果实现用户行为挖掘和融合社交网络的自适应推荐。仿真结果表明,采用该方法进行融合社交网络的用户行为特征挖掘的查准率较高,推荐的置信度水平较高。     

TEFRCF:标签熵特征表示的协同过滤个性化推荐算法

标签作为Web 2.0时代信息分类和检索的有效方式,已经成为近年的热点研究对象。标签推荐系统旨在利用标签数据为用户提供个性化推荐。现有的基于标签的推荐方法在预测用户对物品的兴趣度时往往倾向于赋予热门标签及其对应的热门物品较大的权重,导致权重偏差,降低了推荐结果的新颖性,未能充分反映用户个性化的兴趣。针对上述问题,定义了标签熵的概念来度量标签的不确定性,提出了标签熵特征表示的协同过滤个性化推荐算法。该算法通过引入标签熵来解决权重偏差问题,利用三分图形式描述用户-标签-项目之间的关系;构建基于标签熵特征表示的用户和项目特征表示,并通过特征相似性度量方法计算项目的相似性;最后利用用户标签行为和项目的相似性线性组合预测用户对项目的偏好值,并根据预测偏好值排序生成最终的推荐列表。在Last.fm数据集上的实验结果表明,该方法能够提高推荐准确性和新颖性,满足用户的个性化需求。     

基于用户行为模型和蚁群聚类的协同过滤推荐算法

协同过滤技术是推荐系统中应用最为广泛的技术之一,用户的相似性度量是整个算法的核心要素,会对推荐算法准确率产生很大的影响.传统的协同过滤算法过度依赖用户评分机制,影片自身的标签信息没有被考虑为一个影响因素,在用户聚类时采用K近邻算法,会由于评分矩阵过于稀疏而难以收敛.同时,传统推荐技术仅基于用户历史行为进行推荐,无法为新用户提供合理的推荐.针对以上问题,提出了一种基于用户行为建模的蚁群聚类和协同过滤算法相结合的影片推荐技术.     

一种面向获取空间信息的潜在好友推荐算法

随着社交网络的不断发展,朋友推荐已成为各大社交网络的青睐对象,在能够帮助用户拓宽社交圈的同时可以通过新朋友获取大量信息.由此朋友推荐应该着眼于拓宽社交圈和获取信息,然而传统的朋友推荐算法几乎没有考虑从获取信息的角度为用户推荐潜在好友,大多是依赖于用户在线的个人资料和共同的物理空间中的签到信息.而由于人们活动具有空间局部性,被推荐的好友分布在用户了解的地理空间,并不能够满足用户通过推荐的朋友获取更多地理信息的需求.本文采用用户在物理世界中的签到行为代替虚拟社交网络中的用户资料,挖掘真实世界中用户之间的签到行为的相似性,为用户推荐具有相似的签到行为且地理位置分布更广泛的陌生人,能够增加用户接受被推荐的陌生人成为朋友的可能性和在保证一定的推荐精度的基础上增加用户的信息获取量.本文采用核密度估计估算用户签到行为概率分布,用时间熵度量签到行为在时间上的集中程度,选择可以为用户带来更多新的地理信息的陌生人作为推荐的对象,通过大规模Foursquare的用户签到数据集验证本文的算法在精度上保证了与目前已有LBSN上陌生人推荐算法的相似性,在信息扩大程度上高于上述已有算法.     

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。     

基于好友关系和标签的混合协同过滤算法

针对传统推荐算法存在数据稀疏影响推荐效果的问题,考虑到社交网络中的链路预测能够综合考虑用户节点之间的拓扑结构,以及好友关系能反映用户的兴趣爱好,提出了一种融合好友关系和标签信息的推荐算法。首先,借助网络资源分配算法对社交网络的结构信息进行特征提取;然后,利用TF-IDF构建合理的社会化标签模型;最后,利用线性模型融合两方面的信息,从而实现推荐。在Last.fm和Delicious数据集上的实验表明,与传统算法相比,所提算法在推荐的召回率和准确率指标上有显著提高。     

一种融合多种用户行为的协同过滤推荐算法

协同过滤作为目前应用最成功的个性化推荐技术,在电子商务、社交网络等领域得到了广泛应用。然而,当此类算法应用到个性化医疗推荐领域时,由于个人医疗行为本身的复杂性和多样性,出现了推荐准确率下降的问题。针对这一问题,提出一种融合多种用户行为的协同过滤推荐算法,使用权重因子来综合衡量不同用户行为对推荐质量的影响,并引入重合依赖度的概念来修正传统的相似度度量方法。在收集的Top-md数据集上的实验结果表明,该算法能够全方位表达用户的就医偏好和意愿,有效提高个性化医疗推荐系统的推荐质量。     

一种改进Minhash的分布式协同过滤推荐算法

协同过滤推荐算法通过研究用户的喜好,实现从海量数据资源中为用户推荐其感兴趣的内容。衡量用户（资源）的相似性是协同过滤算法的核心内容,在数据量大的系统中,用户（资源）的相似性度量会面临准确性和计算复杂性等问题,影响到推荐效果。提出一种改进的协同过滤推荐算法,提取用户兴趣偏好的多值信息,运用改进Minhash算法度量用户相似性,并结合Mapreduce分布式计算,合理、高效地产生用户邻居,实现对用户的评分推荐。实验结果表明：改进算法能有效改善大数据集的推荐准确性并提高推荐效率,降低了推荐耗时。     

移动互联环境下基于改进Markov融合模型的用户行为预测算法

在移动互联环境下,依据用户行为规律对业务兴趣相似用户进行分群,可为业务准确推荐和资源有效配置提供有力支撑。因此,提出一种基于改进模糊聚类理论的用户分群算法。首先,分别定义业务兴趣相似度和业务顺序相似度,进而建立用户综合相似度指标。其次,构建基于用户综合相似度的模糊聚类模型,进而采用网格划分方法确定初始群组中心并依据平均用户隶属度调整用户群组个数,从而实现快速准确的用户分群。仿真结果验证了该算法的有效性。     

融合正态分布函数相似度的协同过滤算法

传统协同过滤推荐算法的相似度量方法仅考虑用户间共同评分,忽略了用户间潜在共同评分项等信息量对推荐结果的影响。针对上述问题,设计了一种正态分布函数相似度量模型,此模型考虑了用户间的共同评分、共同评分项目数、以及用户的评分值,据此提出了融合正态分布函数相似度的协同过滤算法,该算法通过综合多种评分因素利用正态分布函数和修正的余弦相似度共同度量用户间的相似关系。实验结果表明,在两种数据集上与几种不同的推荐算法相比,该算法的相似度量方法提高了目标用户查找邻近用户集合的准确率,提高了系统的推荐质量。     

基于知识图谱和重启随机游走的跨平台用户推荐方法

针对单一社交网络平台中推荐相似用户结果单一,对用户兴趣和行为信息了解不够全面的问题,提出了基于知识图谱和重启随机游走的跨平台用户推荐方法（URCP-KR）。首先,在分割、匹配出的目标平台图谱和辅助平台图谱的相似子图中,利用改进的多层循环神经网络（RNN）预测出候选用户实体,再综合利用拓扑结构特征相似度和用户画像相似度筛选出相似用户;然后,将辅助平台图谱中的相似用户的关系信息补全到目标平台图谱;最后,计算目标平台图谱中的用户游走到社区内每个用户的概率,从而得到用户之间的兴趣相似度来实现用户推荐。实验结果表明,与协同过滤（CF）算法、基于跨平台的在线社交网络用户推荐算法（URCP）和基于多开发者社区的用户推荐算法（UR-MC）相比,URCP-KP在推荐精确率及推荐多样性等方面均有所提高,推荐精确率最高可达95.31%,推荐覆盖率最高可达88.42%。     

一种社会化标注系统资源个性化推荐方法

目前许多基于社化化标注的个性化资源推荐方法均忽视了用户长短期兴趣和多义标签问题对推荐的不同影响,为此,设计区分用户长短期兴趣的指标——用户的标签偏好权重和资源偏好权重;在此基础上,提出一种结合基于内容和基于协同过滤方法优点的混合推荐方法,通过加入标注相同资源的标签向量相似度计算因子,来减小多义标签对推荐结果的影响。实验表明,将该方法引入社会化标注系统资源个性化推荐算法中,能提高推荐精度。     

融合朋友关系和标签信息的张量分解推荐算法

针对大众标注网站项目推荐系统中存在数据矩阵稀疏性影响推荐效果的问题,考虑矩阵奇异值分解(SVD)能有效地平滑数据矩阵中的数据,以及朋友圈能够反映出一个人的兴趣爱好,提出了一种融合朋友关系和标签信息的张量分解推荐算法。首先,利用高阶奇异值分解(HOSVD)方法对用户-项目-标签三元组信息进行潜在语义分析和多路降维,分析用户、项目、标签三者间关系;然后,再结合用户朋友关系、朋友间相似度,修正张量分解结果,建立三阶张量模型,从而实现推荐。该模型方法在两个真实数据集上进行了实验,结果表明,所提算法与高阶奇异值分解的方法比较,在推荐的召回率和精确度指标上分别提高了2.5%和4%,因此,所提算法进一步验证了结合朋友关系能够提高推荐的准确率,并扩展了张量分解模型,实现用户个性化推荐。     

情感分析在电影推荐系统中的应用

基于用户的协同过滤推荐算法是通过分析用户行为寻找相似用户的集合,其核心是用户兴趣模型的建立以及用户间相似度的计算。传统的用户推荐算法是根据用户评分或者物品信息等行为数据进行个性化推荐,准确率比较低。充分考虑在线评论对于用户之间兴趣相似度的作用,通过对评论的情感分析,构建准确的用户兴趣模型,若用户在评论中表现出来的相似度越高,则表示用户之间的兴趣越相似。实验表明,和传统的基于用户的协同过滤推荐算法相比,基于评论情感分析的协同过滤推荐算法,无论准确率还是召回率都有明显提高。     

融合社交关系与时间因素的主题模型推荐算法

用户的行为偏好往往会受到社交关系、时间变化等多种因素影响,只考虑单一因素会导致构建的用户兴趣模型比较片面,难以准确地产生推荐。为此,融合用户社交关系和时间因素,提出一种主题模型推荐算法。利用主题模型对用户标注行为进行主题建模,得到用户-物品概率矩阵。根据用户标注物品的时间计算用户标注行为的时间权重,将其与用户的标注行为权重相结合,计算基于时间的用户相似度。对用户的社交关系与基于时间的用户相似度进行加权处理得到用户的权重,在此基础上,考虑其他用户的影响,计算用户对物品最终的偏好权重,并根据排名产生推荐结果。在Last.fm数据集上的实验结果表明,该算法能更全面地考虑用户特征,有效提高推荐的质量。     

基于链路预测的有向互动影响力和用户信任的推荐算法

针对传统推荐算法存在忽视社交网络结构紧密强度对用户信任传递的影响和缺乏社交心理解释等问题,提出基于链路预测的有向性互动影响力和用户信任的推荐算法。首先利用融合用户偏好行为和社交圈的综合相似度识别出目标用户的相似朋友圈;其次通过结合节点引力指数和有向性影响因子获得目标用户之间的有向性互动影响力,再利用由有向性互动影响力和用户评分信任而得的综合用户信任值在目标用户的相似朋友圈中寻找出值得信任的相似用户集合,有效提高了推荐的精确性,最后产生推荐。结果表明,所提的推荐方法较之前的社会网络推荐算法在性能上具有显著提高。     

垂直学习社区基于学习兴趣与风格的社会化推荐算法

垂直学习社区包含了海量的学习资源,出现了信息过载现象,个性化推荐是解决这个难题的方法之一.但垂直学习社区中评分数据稀疏而文本、社交信息丰富,传统的协同过滤推荐算法不完全适用.基于用户产生的文本和行为信息,利用作者主题模型构建新的用户学习兴趣相似度衡量模型;根据用户交互行为信息综合考虑信任与不信任因素构建用户全面信任关系计算全面信任度;通过分析用户多维度学习行为模式,自动识别用户学习风格;最后提出融合兴趣相似度、全面信任度及学习风格的社会化推荐算法.用垂直学习社区网站CSDN实际数据集进行了实验分析.结果表明本文提出的推荐方法能更好向用户推荐其感兴趣的学习资源,有效地提高了推荐精度,进而提高用户学习效果.     

适应用户兴趣变化的改进型协同过滤算法

协同过滤算法可以根据用户的历史行为记录去预测其可能喜欢的物品,是现在业界应用极为广泛的推荐算法。但传统的协同过滤算法并没有考虑到用户兴趣的概念漂移,在一些基于时间的协同过滤算法中对推荐时效性的考虑也有所欠缺。针对这些问题,结合用户兴趣随时间转移的特点,改进了相似度的度量方法,同时引入一种增强的时间衰减模型来度量预测值,并将这两种方式有机地结合起来,解决了用户兴趣的概念漂移问题并考虑了推荐算法的时效性。仿真实验中,分别在不同的数据集中对比了该算法与UserCF、TCNCF、PTCF以及TimeSVD++算法的预测评分准确度和TopN推荐准确度。实验结果表明,改进算法能够降低预测评分的均方根误差（RMSE）,并在TopN推荐准确度上均优于对比算法。