结合类别偏好的协同过滤推荐算法

推荐系统是针对如今信息过载现象的一种极为有效的方法,而协同过滤算法自提出以来就在推荐系统中得到了广泛的应用,但是这种方法也存在着推荐精度不高、难以处理稀疏数据等缺点。对此提出一种结合类别偏好的协同过滤推荐算法。在原算法计算用户相似度的基础上,结合用户类别偏好的相似度来计算近邻,从而得到推荐结果。实验结果表明,该方法能较为有效地结合用户的类别偏好,与传统的协同过滤算法相比,有更好的推荐效果。     

基于类别相似性的增量协同过滤推荐算法

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没有考虑项目所属类别对项目相似性的影响,因而计算结果不够准确.在引入项目评分预测思想的基础上,考虑到数据稀疏性和项目所属分类对项目相似性的影响,采用修正的条件概率方法计算项目相似性;在计算用户初步预测评分和最终预测评分阶段,采用新的预测方法进行预测;针对系统性能随着用户和资源的增多而不断下降的问题,提出一种优化的增量协同过滤推荐算法.实验表明,该算法可以有效地解决用户评分数据极端稀疏情况下传统相似性度量方法存在的问题,显著提高推荐系统的推荐质量.     

结合项目类别和动态时间加权的协同过滤算法

基于项目的协同过滤算法仅通过计算项目相似性产生推荐结果,忽略了项目类别信息对项目相似性的影响,且未考虑时间因素对推荐结果产生的影响。针对上述问题,引入项目类别相似性、用户兴趣度时间加权函数和项目流行度时间加权函数,提出结合项目类别相似性和动态时间加权的协同过滤推荐算法,包括将项目类别相似性引入到传统项目相似性计算中。分析用户兴趣度和项目受欢迎程度随时间动态变化对推荐结果产生的影响,构造基于时间的用户兴趣度加权函数和基于时间的项目流行度加权函数。实验结果表明,该算法的项目类别特征能够进一步提高项目相似性的精度,动态时间加权函数能够及时反映用户兴趣度和项目受欢迎程度的变化,提高推荐的准确度。     

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。     

融合类别信息和用户兴趣度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感兴趣的项目,是现今最成功、应用最广泛的推荐技术。推荐的准确度受相似性度量方法效果的影响。传统的相似性度量方法主要关注用户共同评分项之间的相似度,忽视了评分项目中的类别信息,在面对数据稀疏性问题时存在一定的不足。针对上述问题,提出基于分类信息 的评分矩阵填充方法,结合用户兴趣相似度计算方法并充分考虑到评分项目的类别信息,使得兴趣度的度量更加符合推荐系统应用的实际情况。实验结果表明,该算法可以弥补传统相似性度量方法的不足,缓解评分数据稀疏对协同过滤算法的影响,能够提高推荐的准确性、多样性和新颖性。     

一种优化的Item-based协同过滤推荐算法

针对传统的Item-based协同过滤推荐算法在推荐系统应用中存在的不足,提出一种优化的Item-based协同过滤推荐算法.从项目相似性计算,项目近邻选取和预测评分计算三个方面对算法进行了优化,使计算结果更具有实际意义和准确性.实验结果表明,提出的算法可解决传统方法中由于数据稀疏所导致的相似性度量不准确的问题,并显著地提高了算法的推荐精度.     

基于用户属性和项目类别的协同过滤算法

针对传统的协同过滤算法中数据稀疏性所导致的推荐系统推荐质量不高的问题,文章结合用户和产品背景信息,对其进行加权处理,提出了基于用户和产品信息加权的协同过滤算法.该方法首先计算基于用户属性的相似性和基于项目类别的相似性,然后将计算的结果作为加权值融合到传统的相似度计算中,弥补因为数据稀疏而造成不能准确地进行个性化推荐的不足,提供更多可参考数据进行精确推荐.实验结果表明,该算法能有效提高推荐质量,产生较好的推荐效果.     

基于属性相似性的Item-based协同过滤算法

通过分析传统Item-based协同过滤推荐中的稀疏性问题以及新项目的冷开始问题,提出了一个基于属性相似性的Item-based协同过滤算法。该算法利用项目属性的相似性来修正原始相似性计算,综合考虑项目属性和用户评价对推荐的影响,改进了传统相似性度量方法在评价数据稀疏和新项目推荐中测量结果不够准确的问题。     

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。     

基于用户潜在偏好的协同过滤

提出了一种新的协同过滤模型,解决了不同用户在项目上,有相似的偏好、不同的评分习惯的问题。该模型可有效地改进传统协同过滤模型相似性度量方法,提高了用户相似性度量准确性。实验结果表明,该模型在个性化推荐系统应用中取得了较好的效果。     

一种改进的均方差协同过滤算法

由于传统基于均方差的协同过滤算法(MSD)计算相似性时仅考虑评分向量间均方差值，导致其推荐性能不理想，针对这个问题，提出融合评分向量间余弦值和均方差值的改进均方差协同过滤算法(Improved MSD， IMSD)。通过在2个Movielens数据集上进行实验表明，IMSD算法较MSD算法的推荐准确度有所提高。更为重要的是，将IMSD算法进行推广应用，也能够取得较好的效果。本文将其应用于改进另外2种算法,即JAC_MSD和AC_MSD算法,并提出了2种相应的JAC_IMSD和AC_IMSD算法，发现算法的推荐准确度都有所提高。在所研究的几种算法中，AC_IMSD算法推荐准确度最优。     

改进的协同过滤推荐算法

传统的选修课系统存在结构性的不足和缺憾,为了避免高校学生盲目的选择选修课程,本文利用改进的协同过滤算法对高校学生进行个性化的选课推荐.本文首先介绍了两种推荐算法,并着重介绍基于协同过滤的推荐算法,并分析了两种算法的优缺点,最后针对协同过滤算法的数据稀疏性问题,提出了一种改进的协同过滤算法,即在协同过滤中加入基于内容的因素来解决这个问题.这种改进的协同过滤算法避免了传统协同过滤算法中存在的数据稀疏问题,以学生为本推荐适合学生的课程,满足学生学习的个性化要求.     

协同过滤推荐系统中数据稀疏问题的解决

介绍了现有协同过滤推荐的几种主要算法.它们对数据稀疏性问题都有一定的缓和作用.通过在数据集MovieLens上的实验,分析了各个算法在不同稀疏度下的推荐质量,为针对不同数据稀疏度的系统实现提供了可靠依据.     

传统Item-Based协同过滤推荐算法改进

传统item-based协同过滤算法根据项目之间的相似性来选取最近邻居.然而,现存的几种相似性度量方法都存在相应的弊端,因此只根据相似性无法找到准确可靠的最近邻.根据对两项目共同评分的用户个数,建立项目近邻等级,提出了结合项目近邻等级与相似性求取最近邻的新方法.另外,对于系统中新加入的项目,因为其上评分信息的匮乏,求得的最近邻往往是不准确的.为此,提出了聚合最近邻和"集体评分"两种改进方法.在MovieLens数据集上的实验结果表明,将上述改进应用于传统itembased协同过滤算法,推荐质量有明显的提高.     

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。     

改进的协同过滤算法

协同过滤是众多推荐技术中最主流的推荐技术,在个性化推荐系统中起着主导作用,然而随着大数据时代的到来,信息过载问题日益严重,评分矩阵越来越稀疏,传统协同过滤算法遇到了瓶颈。为了提高稀疏矩阵下推荐系统的推荐质量,本文对传统协同过滤算法进行改进。首先对项目集进行聚类,然后利用Slope One算法对聚类后的矩阵进行填充,最后在计算相似度时引入用户对每个聚类的喜好程度作为权重。实验结果表明,改进后的算法提高了推荐系统的推荐质量,能够有效缓解评分矩阵稀疏问题。     

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．     

基于聚类和用户偏好的协同过滤推荐算法

协同过滤推荐算法使用评分数据作为学习的数据源,针对协同过滤推荐算法中存在的评分数据稀疏以及算法的可拓展性问题,提出了一种基于聚类和用户偏好的协同过滤推荐算法。为了挖掘用户的偏好,该算法引入了用户对项目类型的平均评分到评分矩阵中,并加入了基于用户自身属性的相似度;同时,为了降低数据稀疏性,该算法使用Weighted Slope One算法填充评分数据中的未评分项,并通过融入密度和距离优化初始聚类中心的K-means算法聚类填充后的评分数据中的用户,缩小了相似用户的搜索空间;最后在聚类后的数据集中使用传统的协同过滤推荐算法生成目标用户的推荐结果。通过使用MovieLens100K数据集实验证明,提出的算法对推荐效果有所改善。     

结合专家信任的协同过滤推荐算法研究

针对协同过滤推荐算法存在的邻居用户的相似度计算不精确、冷启动等问题,提出一种结合专家信任的协同过滤推荐算法,该算法从相似度、专家信任度和缓解冷启动3个方面进行研究。在相似度方面,将公共评分项蕴含的隐偏好以及项目冷门因子加入到相似度的计算公式中,实现对相似度的改进;在专家信任度方面,提出时间跨度因子,将专家的阅历值考虑到信任度计算中,实现对专家信任度的改进;在冷启动方面,通过联合专家用户和属性相似用户共同为目标用户产生推荐,有效地缓解了冷启动问题。应用MoviesLens数据集进行验证,实验结果表明,改进算法的平均绝对误差、准确率均优于传统算法。     

基于信息熵和改进相似度协同过滤算法

为了减少协同过滤算法存在的噪音数据以及数据稀疏性问题,提高算法准确性,本文提出一种基于信息熵和改进相似度的协同过滤算法,使用用户信息熵模型来判断噪音数据,排除噪音数据对实验结果的干扰;使用面向稀疏数据的改进相似度计算方法,使用全部评分数据而不是依靠共同的评分项来计算,对缓解稀疏数据对推荐结果的精确性影响有很大帮助。实验结果表明,该算法能在一定程度上排除噪音数据对结果的影响,缓解数据稀疏对推荐结果精确性的干扰,提高该推荐算法的精确性,且缓解了传统推荐系统算法中常见的一些问题,与传统的协同过滤算法相比,该算法的精确性更高。