融合协同过滤的XGBoost推荐算法

在推荐系统中,针对用户的冷启动问题,提出一种融合协同过滤的XGBoost推荐算法。根据基于用户相似度的协同过滤推荐算法进行粗粒度召回,得到部分用户的召回集,使用XGBoost算法对召回集中的项目进行预测。对于存在冷启动问题的用户,直接使用XGBoost算法对候选集中的项目进行预测。该算法采用CCIR2018个性化推荐评测的在线评测数据集,并将推荐结果投放到知乎提供的线上平台进行评测。评测结果表明,该算法可以解决用户的冷启动问题,具有很高的执行效率,准确度高,在线上评测中取得显著的推荐效果。     

协同过滤系统项目冷启动的混合推荐算法

研究协同过滤推荐系统中的冷启动问题,运用基于内容预测的方法,对系统内未被用户评价过的项目进行评分预测,应用2种优化步骤,过滤掉预测不准确的用户的评分。在此基础上用协同过滤的方法产生推荐,使传统推荐算法中无法推荐给用户的项目得到推荐机会。通过一系列实验证明,该混合推荐算法能保证推荐准确性,提高了新项目的推荐概率。     

基于项目特征模型的协同过滤推荐算法

提出一种基于项目特征模型的协同过滤推荐算法.首先根据项目特征属性建立项目特征相似模型,在此模型基础上根据特征相似项目和用户评价相似项目,计算项目之间的综合相似度,弥补了以往协同过滤推荐算法在新项目推荐方面的不足.试验结果表明,该方法不但可以有效地改善传统协同过滤算法中新项目的冷启动问题,而且确实提高了推荐系统的推荐精度.     

融合协同过滤与上下文信息的Bandits推荐算法

随着推荐算法在众多领域的广泛应用,冷启动问题得到了越来越多的关注。针对仅可获得老用户对商品文字评价的场景,提出了一套解决用户冷启动问题的方案与算法。首先通过分析发现了文章主题提取与基于商品评价提取特征的相似性,因此引入自然语言处理领域的LDA(latent Dirichlet allocation)生成模型提取商品潜在特征;然后在传统Bandits算法的基础上融入邻居用户的协同作用提出了COLINBA(collaborativefiltering context linear Bandits)算法,该算法通过相似度权重因子控制邻居用户对推荐结果的贡献,使得协同作用更加精确有效,推荐完成后根据用户真实反馈以及所推荐商品的特征更新用户特征。最后采用真实数据集Delicious和Last.fm将该算法与该领域的最新方法进行比较,实验结果表明该算法对推荐效果有提升作用。     

一种改进的缓解推荐系统物品冷启动的方法

信息爆炸的时代,推荐系统越来越成为网民的依赖,它有效的解决了信息过载的问题,但是却没有解决推荐系统的冷启动问题。为了缓解新项目的冷启动问题,结合基于物品的协同过滤算法与决策树思想,这篇文章在孙等人的算法上做了改进,把算法的第一步替换为用显示的信任网络对用户做划分的方法。显示的信任网络,可以对用户做了更细致的分类,把信任网络添加到算法中,原算法便被改进为基于信任网络的推荐系统。改进后的算法不仅满足了一大部分用户的偏好与需求,而且使得系统用户更加依赖推荐系统。实验表明,利用显示的信任网络对新项目的推荐,其推荐结果的准确性比原算法高,推荐的结果也更加稳定。在评分个数分别为0,5,10的情况下,平均绝对误差比原算法的低了16.7%,21.6%,31.7%。     

协同过滤推荐算法

针对目前协同过滤推荐精度受损,且出现冷启动的问题,提出一种经过改进的协同过滤推荐算法。其主要思想是针对两种不同情况的目标项目采用不同的相似性计算方法。一种项目为新项目,分别通过信息熵法和项目属性相似性计算项目评分,然后通过平衡因子实现新项目评分的组合;另一种项目为非新项目,通过权重因子动态组合项目的属性相似性和评分相似性,获得最近邻居的评分推荐。实验结果表明,该算法能提高推荐算法的稳定性和精确度,同时解决冷启动问题。     

基于混合过滤算法解决冷启动问题的推荐系统研究

通过融合基于物品的协同过滤和基于用户的协同过滤算法形成新的混合过滤算法。将物品量少但有价值的评分信息量和用户信息相结合,提出了混合过滤来解决冷启动问题。     

基于物品协同过滤推荐系统的研究

电子商务飞速发展,信息数据的递增,网络进入大数据时代。通过协同过滤推荐算法的文献综述,对协同过滤推荐算法进行了介绍,详细论述了基于物品和基于用户两种推荐算法之间的差异。并对其进行了比较分析。     

基于图卷积的双通道协同过滤推荐算法

在推荐系统中,利用图卷积网络等方法提取图的高阶信息缓解了冷启动问题。为了在此基础上融合神经网络协同过滤的深层特征提取能力,提出一种基于图卷积的双通道协同过滤推荐算法（GCNCF-2C）。首先,将推荐问题分为上游任务和下游任务;其次,在上游任务中,预训练编码器利用包含残差的一维卷积层和多个图卷积层在两个独立通道中对节点特征和图高阶特征进行分离提取,形成节点的特征表示;最后,解码器通过节点特征进行评级预测,进行端到端的训练。在数据集MovieLens-100K和MovieLens-1M上的实验表明,该算法相比于基线模型在两个数据集上的RMSE指标平均提高1.72%和1.76%,MAE指标平均提高2.7%和1.98%,同时在基于用户和项目的冷启动实验中RMSE指标平均提高5.9%,具有更好的综合性能。     

推荐系统中的冷启动问题研究综述

推荐系统能够快捷、准确地定位用户真正需要的信息,解决网络信息过载问题。其中协同过滤推荐技术是推荐系统应用最广泛和成功的技术,但该技术面临冷启动问题的挑战。本文分析冷启动问题的产生原因,阐述研究冷启动问题的意义,重点总结解决冷启动问题的算法现状,分析比较它们的性能差异和各自存在的优缺点,从而便于使用者在解决冷启动问题时对算法的选择和使用。     

基于社交网络能量扩散的协同过滤推荐算法

针对数据稀疏导致推荐系统精确度较低的问题,结合社交网络中丰富的社会化信息及能量扩散在数据稀疏问题上的优良表现,文中提出基于社交网络能量扩散的协同过滤推荐算法.首先利用用户-物品评分矩阵和信任关系具有的传递性计算用户之间信任强度值.再利用社交网络结合用户-物品二分网络,得到物品资源值.最后利用协同过滤方法进行预测评分.在真实数据集上的实验表明,文中算法缓解数据稀疏性,可解决推荐精确度较低的问题.     

一种融合聚类与用户兴趣偏好的协同过滤推荐算法

协同过滤推荐算法可以根据已知用户的偏好预测其可能感兴趣的项目,是现今最为成功、应用最广泛的推荐技术。然而,传统的协同过滤推荐算法受限于数据稀疏性问题,推荐结果较差。目前的协同过滤推荐算法大多只针对用户-项目评分矩阵进行数据分析,忽视了项目属性特征及用户对项目属性特征的偏好。针对上述问题,提出了一种融合聚类和用户兴趣偏好的协同过滤推荐算法。首先根据用户评分矩阵与项目类型信息,构建用户针对项目类型的用户兴趣偏好矩阵;然后利用K-Means算法对项目集进行聚类,并基于用户兴趣偏好矩阵查找待估值项所对应的近邻用户;在此基础上,通过结合项目相似度的加权Slope One算法在每一个项目类簇中对稀疏矩阵进行填充,以缓解数据稀疏性问题;进而基于用户兴趣偏好矩阵对用户进行聚类;最后,面向填充后的评分矩阵,在每一个用户类簇中使用基于用户的协同过滤算法对项目评分进行预测。实验结果表明,所提算法能够有效缓解原始评分矩阵的稀疏性问题,提升算法的推荐质量。     

缓解数据稀疏问题的协同过滤混合填充算法

现实评分矩阵非常稀疏,基于用户的协同过滤无法为目标用户提供高精度的满意推荐.基于此种情况,文中提出协同过滤混合填充算法,缓解数据稀疏问题.从物品角度出发,根据相似物品的评分信息填充稀疏矩阵.同时从用户角度出发,利用填充后的矩阵计算目标用户的邻近用户.选取共同评分数量最多的物品以进一步填充矩阵.在两个真实数据集上的实验表明,本文算法在无需额外复杂信息的条件下,有效提高新用户推荐的精确度,缓解数据稀疏性问题.     

基于覆盖约简的个性化协同过滤推荐方法

协同过滤(CF)无法同时提供高精度和多样化的个性化推荐.基于此情况,文中提出基于覆盖约简的协同过滤方法(CRCF).结合覆盖粗糙集中的覆盖约简算法与CF中的用户约简,匹配覆盖中的冗余元素与邻近用户中的冗余用户,利用覆盖约简算法将冗余用户从目标用户的邻近用户中移除,保证CF中邻近用户的高效性.在公开数据集上的实验表明,在稀疏数据环境下,CRCF可以同时为目标用户提供高精度和多样化的个性化推荐.     

面向网络视频推荐的协同过滤算法优化与实现

网络电视的视频推荐,是根据用户操作的历史信息,给用户推荐可能感兴趣的视频内容。协同过滤是迄今为止个性化推荐系统中采用最广泛最成功的推荐技术,但是算法存在相似性的准确性和最近邻居数量K难以选取等问题。本文针对网络电视,采用基于内容的协同过滤算法,并且使用内容特征属性相似性和内容评分相似性相结合的方法改进了内容相似性计算方法。实验结果表明,本文提出的推荐策略对网络电视的内容推荐是有效的。     

融合主题模型和协同过滤的多样化移动应用推荐

随着移动应用的急速增长,手机助手等移动应用获取平台也面临着信息过载的问题.面对大量的移动应用,用户很难找到想到的或适合的应用,而另一方面长尾应用淹没在资源池中不被人所知.已有推荐方法多注重推荐准确率,忽视多样性,推荐结果中多是下载量高的应用,使得推荐系统的数据积累越来越偏向于热门应用,导致长期的推荐效果越来越差.针对此问题,本文首先改进了两个推荐方法,提出了将用户的主题模型和应用的主题模型与MF相结合的LDA_MF模型,以及将应用的标签信息和用户行为数据同时加以考虑的LDA_CF算法.为了结合不同算法的优点,在保证推荐准确率的条件下提升推荐结果的多样性,我们提出了融合LDA_MF、LDA_CF以及经典的基于物品的协同过滤模型的混合推荐算法.文章使用真实的大数据评测所提推荐算法,结果显示所提推荐方法能够得到推荐多样性更好且准确率高的结果.     

基于协同过滤的在线拍卖商品推荐

随着电子商务的发展，基于C2C环境的在线拍卖也迅速发展起来，用户数和拍卖商品数的急剧增加，使得信息过载和如何提高客户忠诚度这一问题凸现出来。而推荐系统则成了解决这一问题的手段之一。但是C2C和B2C环境存在很大的不同，对推荐系统的应用提出了一定的挑战。该文对用户在拍卖网站的行为进行了分析，在此基础上建立了用户的偏好模型，利用协同过滤技术进行拍卖商品的推荐。     

在协同过滤中结合奇异值分解与最近邻方法

协同过滤是一种减小信息过载的常用方法,但是它有三方面的限制,即准确性、数据稀疏性和可扩展性。提出一种新的协同过滤算法来解决数据稀疏性的问题,利用奇异值分解法的结果来进行邻居选择,然后采用最近邻方法来得到未打分项目的预测值。在EachMovie 数据库集上的试验结果表明该算法在数据稀疏时算法的准确性超过普通的Pearson算法和奇异值分解算法。     

基于项相关图的协同过滤算法

在电子商务中,准确的推荐结果可以提高商品的成交量,从而给企业带来更多的收益。为了提高推荐算法的准确性,提出了一种基于项相关图的协同过滤算法。以商品作为顶点,以共同购买两个商品的用户数作为连接这两个顶点的边,将用户-项评分矩阵转换成一个项相关图。根据项相关图确定项与项之间的相似性,设计了一种综合了项相关图相似性和平均值相似性的推荐算法。实验结果表明,提出的推荐算法具有很好的预测准确性,明显优于相关的项推荐算法。     

基于重叠度和双重属性的协同过滤推荐算法

协同过滤是现行推荐系统中应用最广泛也是最成功的推荐技术之一,然而传统的协同过滤推荐算法存在着邻居选取片面性和推荐精度低的问题。针对上述问题,提出了一种基于重叠度和双重属性的协同过滤推荐算法。首先基于相似度和重叠度的共同计算结果选取推荐对象集;然后提出了双重属性的概念,分别计算推荐用户的信任度和目标项目的受欢迎度;最后兼顾两个群体,根据用户和项目两方面的评分信息完成对目标用户的推荐。实验结果证明该算法较传统的协同过滤推荐算法在邻居选取和推荐质量方面均有显著的提高。