基于聚类分析的协同过滤算法研究

电子商务推荐系统凭借着"智能感知"用户的兴趣和需求的能力,实现个性化商品推荐.传统算法以协同过滤作为主要技术手段实现个性化推荐功能,但是随着电商业务的发展,数据稀疏性和推荐的实时性倍受挑战.据此,结合聚类分析的优点,改进传统算法,提出一种聚类分析与协同过滤相结合的推荐算法.实验表明,改进后的算法具有较好的推荐准确性.     

利用模糊分块改进协同过滤的扩展性和准确性

项目的协同过滤方法利用项目之间相似性预测用户对项目的评分,但相似项的选择面临可扩展性和准确性的问题.为此,提出分布式协同过滤方法,利用模糊分块技术将项目集分成若干块,然后仅在各块内比较项目的相似性.通过裁剪相似关系图进一步改善效率,从图中去除不可能相似的项目之间的边.最后,利用图的分区技术,将相似关系图分割为若干较小的区,在各分区上并行计算项目的相似度.实验结果表明,该方法能改善推荐系统的准确性和可扩展性.     

基于粗集和模糊聚类的协同过滤算法

提出了一种基于粗集和模糊聚类相结合的协同过滤推荐算法,通过粗集理论自动填补空缺评分降低数据稀疏性;然后根据用户对项目评分的相似性对用户进行模糊聚类,并在此基础上搜索目标用户的最近邻居,从而缩小最近邻居的查找范围并产生推荐结果.实验结果表明,该方法能有效的解决数据稀疏性问题,提高了推荐系统的精确性和实时响应速度.     

基于用户属性和项目属性的融合推荐算法

针对传统协同过滤算法的冷启动、推荐精度低等问题,提出基于用户属性和项目属性的协同过滤算法以及它们两者的融合推荐算法。在计算用户相似度时,提出用户年龄、性别和职业属性差异度,并与皮尔逊相关系数加权结合;在计算项目相似度时,提出项目类型标签和项目被评分时间,并将两者与项目余弦相似度融合。最后将上述两种算法的推荐结果进行加权融合。实验结果表明,改进的融合推荐算法相比其他4种算法在平均绝对误差率(mean absolute error,MAE)和时间性能方面有更好的推荐结果,并且能够在有新用户和新项目出现的情况下明显提高推荐系统的推荐质量。     

一种融合项目信息与信任机制的协同过滤算法

针对现有方法未能考虑用户社会地位和信任对象的差异及用户相似性在面对不同项目时不能自适应变化的问题,提出一种融合项目信息与信任机制的协同过滤算法CF-PIC。首先,将项目按照所属领域进行划分,综合考虑用户在不同领域内的全局信任度和局部信任度,构建特定领域的信任网络;然后,将项目间相似性融入Pearson相关系数,计算用户面对不同项目时的偏好程度,以更加精确地捕获其近邻信息;最后,对目标用户进行TOP-N推荐。在真实数据集Epinions上的大量实验表明,该算法的推荐性能相较于经典的协同过滤算法和融入单一信息的算法有了大幅提高。     

融合项目聚类和时间权重的动态协同过滤算法

传统基于项目的协同过滤算法离线计算项目间的相似度,提高了向用户推荐的速度,但极大的数据稀疏度影响了推荐质量,且该算法也忽略了用户兴趣随时间变化这一现象. 针对上述问题,提出了一种融合项目聚类和时间权重的动态协同过滤算法,根据用户偏好对项目进行聚类,找出类别偏好相似的候选邻居,再在候选邻居中搜寻最近邻,排除与目标项目共同评分较少的项目干扰,提高了搜寻相似项目的准确性. 同时,引入时间权重来反映用户兴趣随时间的变化,从整体上提高推荐质量. 在MovieLens数据集上进行实验,实验结果表明,本文所提出算法的推荐质量较传统的协同过滤算法有显著提高.     

改进的协同过滤算法

针对传统的CF（Collaborative Filtering）算法和基于项目评分的CF算法中存在的数据稀疏、扩展性及计算效率低的问题,通过引用评价系数,对其相似性计算和推荐集的选取方法进行了改进,提出了一种改进的基于相关相似性的CF算法,产生更为准确的用户兴趣度预测,从而提高系统推荐的质量与推荐效率。对改进算法进行实验和性能对比与评价的结果表明,改进算法与传统算法相比,能显著提高推荐精度,平均绝对误差（MAE：Mean Absolute Error）为0．53～0．77。     

一种基于时间加权和用户特征的协同过滤算法

协同过滤算法是目前个性化推荐系统中应用最成功的推荐算法之一,但传统协同过滤算法很少考虑到用户兴趣随着时间变化以及用户特征与兴趣的关联性两方面的问题。针对该问题提出了一种基于时间加权和用户特征的协同过滤算法,首先通过定义时间指数函数反映兴趣随时间增长的变化,然后建立用户的特征矩阵,最后采用一种新的相似度度量方法计算出目标用户的最近邻居集合。实验结果表明该算法推荐平均绝对误差(MAE)比传统算法降低了12%,推荐质量较传统算法有明显提高。     

推荐系统中分布式混合协同过滤方法

传统协同过滤方法面临数据稀疏问题,稀疏的用户-项目关联数据将产生不准确的相似用户或项目,为了改善推荐质量,提出一种基于Map Reduce的混合协同过滤方法.该方法利用用户特征和用户-项目评分数据构造项目偏好向量,然后使用模糊K-Means算法对项目进行聚类,并从每个项目簇中选择相似项目,最后组合所有项目簇的预测结果作出推荐.实验结果显示,该方法能缓解数据稀疏问题,改善推荐精度.     

协同过滤技术研究综述

协同过滤作为构建个性化推荐系统的主要技术,旨在解决各领域的信息过剩问题,其主要类型包括基于记忆、基于模型以及组合协同过滤算法。分析了基于记忆的协同过滤方法的基本原理,介绍了4种典型的基于模型的方法及3类组合协同过滤算法,并从行为数据的构造、数据分割的方法及常用评估指标3方面阐述了协同过滤的算法性能的验证方法,总结了协同过滤算法在构建推荐系统时面临的问题和各类协同过滤算法的性能。单一协同过滤算法的推荐性能各有优劣,构建个性化推荐系统的关键在于:针对推荐任务的需求及数据集的特点,选择合理的推荐算法与评价指标。     

改进的基于用户的协同过滤算法

在推荐系统中,协同过滤算法是应用最广泛和最成熟的推荐算法之一。但是传统的协同过滤算法,在计算用户之间的相似度和评分推荐两个指标上存在着很多不足之处。通过决策树策略找寻了评分和共现值之间的规则,有效的改善了Salton相似度的准确性。同时,根据艾宾浩斯遗忘规律得到启发,引入了时间模型作为评分的权重,有效的解决了用户的兴趣迁移。在仿真实验中,测试了在不同邻居个数下传统算法和改进算法的平均绝对误差。实验证明,改进的协同过滤算法能够降低预测评分的平均绝对误差,提高推荐的准确率。     

基于客户顾目的聚类协同过滤组合推荐算法研究

通过分析传统协同过滤存在的稀疏性、冷启动及实时性问题的根源后,提出一种改进的基于客户颅目的聚类协同过滤组合推荐算法;算法通过运用聚类技术和基于用户的协同过滤算法来预测计算邻居用户,并给出未评分的目标项目的最终预测评分以得到推荐列表,弥补协同过滤推荐在新项目推荐方面的不足的同时稀疏问题也迎刃而解;在预测评分中增加时间权重...     

基于KL散度的用户相似性协同过滤算法

大多数用户相似性算法在计算用户相似性时只考虑了用户间的共同评分项,而忽略了用户其他评分中可能隐藏的有价值信息.为了准确评估用户间的相似性,提出了一种基于KL散度的用户相似性协同过滤算法.该算法不仅利用了共同评分项,还考虑了其他非共同评分信息的影响.该算法充分利用了用户的所有评分信息,提高了用户相似性度量的可靠性和准确性.实验结果表明,该算法优于当前主流的用户相似性算法,且在没有共同评分信息的条件下,仍能有效地完成用户相似性度量,解决了对共同评分项的完全依赖问题,具有更好的适应性.     

基于大数据集的混合动态协同过滤算法研究

协同过滤已在推荐系统中广泛使用,但传统算法存在一定的局限性,如不能较好地适应用户-项目评分矩阵数据集的稀疏性、计算项目相似性时未考虑项目的分类及用户对项目评分和兴趣的时变性等因素。针对这些局限性在传统协同过滤算法基础上提出一种基于大数据集的混合动态协同过滤算法。该算法在计算项目的相似性时引入了时间衰减函数,并综合考虑项目评分的相似性和项目分类的相似性,两者在项目综合相似性中所占权重可以自适应动态调节。算法还在相似性计算和近邻项目选取上做了一些改进。实验表明该算法比传统推荐算法质量有所提高。     

基于辅助项目评分的协同过滤推荐算法

协同过滤技术是目前电子商务推荐系统中主要的技术之一,随着系统规模的日益扩大,其面临数据稀疏性和冷开始等问题。针对上述问题,提出了一种改进的协同过滤推荐算法。新算法是在传统协同过滤推荐算法的基础上增添辅助项目评分支持环节,加入辅助项目的评分信息对产品项目评分数据库进行补充。实验结果表明,改进的算法有效地解决了由于产品评分数据的稀疏而造成的推荐质量下降的问题,提高了推荐系统的推荐质量。对经济实力较弱的企业通过推荐系统推动电子商务的发展具有一定的参考价值。     

基于协同过滤算法的个性化推荐系统的设计及实施

Internet的发展导致了信息资源的膨胀,用户希望能通过自动化的工具来发现期望的信息资源,为了满足用户的这个需求,个性化推荐系统就随之产生了。个性化推荐系统所采用的推荐算法决定了推荐系统的优劣,本文主要设计了基于协同过滤算法的个性化推荐系统模型,并将该模型应用于相应的网站中。     

基于粒子群优化算法的协同过滤推荐并行化研究

针对常用协同过滤推荐算法存在计算性能瓶颈的问题,提出了在Spark上并行化实现协同过滤推荐算法RLPSO_KM_CF.首先,通过具备反向学习和局部学习能力的粒子群优化（RLPSO）算法寻找粒子群最优解,输出优化后的聚类中心;然后,运用RLPSO_KM算法对用户信息进行聚类;最后,将传统协同过滤推荐算法与RLPSO_KM聚类结合,从而对目标用户进行有效推荐.实验结果显示,RLPSO_KM_CF算法在推荐准确度方面有显著提高,具有较高的加速比,稳定性也得到了一定提升.     

基于用户特征和时间权重的协同过滤算法

为了解决传统算法中寻找最近邻居不准确和用户兴趣随时间变化而迁移的问题,提出一种基于用户特征和时间权重的协同过滤算法。文中首先把Movie Lens数据集中用户特征信息数字化,求出用户特征相似性,将其加入到修正的余弦公式中,得到一种新的用户相似度,以找到更加准确的最近邻居集;然后通过引入时间函数来反应用户的兴趣迁移,再根据预测评分公式来获得更加准确的预测评分;最后给用户生成一个较可靠的推荐结果。实验结果表明,该方法取得了较好的效果且平均绝对误差(MAE)值达到72.57%。