一种基于RFM模型的新型协同过滤个性化推荐算法

摘要：为了提高个性化推荐效果及预测准确度,特别是针对传统算法中评分矩阵过于稀疏等问题提出一种新颖的协同过滤算法。该算法首先利用RFM模型合理地筛选用户信息,其次通过黏性客户的消费记录稠密化用户—项目评分矩阵,并改进了传统相似度计算公式。通过仿真实验证实了算法的准确性,最后将其应用于一套具有个性化商品推荐功能的系统原型中,证明了该推荐算法的有效性及实用性。     

基于个性化图书推荐的协同过滤算法

本文对基于个性化图书推荐的协同过滤算法的设计方案进行实验,目的是为证实在真实用户的多标准评估过程中怎样产生数据集,从而找到一种科学的算法。并通过图书推荐的应用案例来说明算法,以验证其是否有效。     

融合地理影响的个性化位置推荐

位置推荐是近年来的研究热点,矩阵分解由于其在推荐算法中的良好表现而得到普遍应用。但是,传统的矩阵分解算法由于是直接对评分矩阵进行分解,没有考虑其他影响因素,因而容易造成推荐准确性偏低。本文研究了地理位置对于签到行为的影响,提出了结合地理因素的协同过滤推荐方法。实验结果表明,本文提出的方法能够有效地预测用户评分,提升推荐精度。     

一种基于用户信任机制的个性化协同过滤推荐算法研究

传统的协同过滤推荐算法产生的数据稀疏性和冷启动问题存在潜在安全危机,不利于个性化推荐质量的提高。文章引入基于用户兴趣度和满意度的信任机制,改进传统用户信任度,通过信任度权重因子ωi,j,优化用户综合信任度,以提升预测评分质量。仿真实验分别从算法的推荐准确率和推荐覆盖率展开分析,实验结果表明,当ωi,j取值在0.5时,推荐准确率和覆盖率较RTCR算法、Trust Impact MF算法、A&I-Based算法明显占优。     

基于用户特征的高校图书馆个性化图书推荐研究

文章从理论上探讨了高校图书馆开展用户特征研究和个性化图书推荐的必要性和紧迫性,指出图书馆针对不同用户群体开展个性化图书推荐的策略,以及图书馆在其中承担的责任和作用。     

基于协同过滤的个性化图书推荐系统研究

在许多应用领域,多标准推荐系统使用多标准决策方法实施推荐,但是,多标准推荐系统在实施和测试方面仍然相当有限,特别是在一些特定领域,文中提出了三种多标准功效协同过滤算法的几种设计方案的实验分析,使用的数据集是模拟产生的,实验的目的是为了证实当来自于真实用户的多标准评估数据集不能得到的时候,如何产生数据集,并用于实施研究和选择一个恰当的算法。一个来自数字图书馆图书推荐的实例用于说明算法的使用,验证其有效性。     

基于对比学习的图书推荐系统冷启动研究

随着互联网时代的发展,图书零售线上占比越来越多,图书推荐系统应运而生。在推荐系统中,推荐纯冷启动项目是一个长期存在的问题。在没有任何关于冷启动项目的历史交互情况下,协作过滤(CF)方案不能利用协同信号来推断用户对这些图书的偏好。为了解决这个问题,已经进行了广泛的研究,如将图书辅助信息(内容特征等)纳入CF方案。但是由于很少探索内容特征和协作嵌入之间的关系,导致冷启动推荐性能并不理想。在本文中,重新定义了冷启动项目的表示学习,设计了一个基于对比学习的新目标函数,并提出了一个基于对比学习的冷启动推荐框架。具体来说,该框架由对比对组织、对比嵌入和对比优化三个模块组成,允许在内容表示中为热启动项和冷启动项保留协作信号。通过在2个可公开访问的数据集上进行的广泛实验,观察到提出的对比学习冷启动框架在热启动和冷启动场景中都比最先进的方法取得了显著改进。     

一种基于规范矩阵因式分解协同过滤推荐模型的并行改进

基于矩阵因式分解的协同过滤推荐模型具有很高的推荐精度和可扩展性,而其中大多数都是基于串行训练过程构造参数的,如能将其训练过程并行化,能进一步提高可扩展性.为解决上述问题,该文提出一种基于规范矩阵因式分解的协同过滤推荐(RMF)模型的并行改进(P-RMF)模型.P-RMF 模型应用交替随机梯度下降法取代随机梯度下降法训练参数,从而消除用户特征和项目特征在训练过程中的相互依赖,实现训练过程的并行化改进.实验表明,对比现有同类模型,P-RMF 模型在求解协同过滤推荐问题时,具有更快的速度和可扩展性.     

融合时间因素的隐语义模型推荐算法

针对传统推荐算法中存在数据稀疏和精确度不高的问题,提出一种融合时间因素的隐语义模型推荐算法,在隐语义模型中引入时间偏置项体现时间推移对用户兴趣偏好的影响,解决数据稀疏问题的同时降低时间推移造成的误差,结合基于邻域的协同过滤模型求出目标用户推荐列表。采用Movielens1M数据集验证算法的有效性,实验证明该算法与基于用户的协同过滤算法以及基于隐语义模型的推荐算法,能有效解决数据稀疏问题,在准确率、召回率和综合F值上分别比基于用户的协同过滤算法提高1.66%、2.12%、2.04%,比基于隐语义模型的推荐算法分别提高1.38%、1.48%、1.49%,能够进一步提高推荐系统的准确性及推荐质量。     

个性化推荐系统研究

信息技术和互联网的迅猛发展把我们带进了信息过载的时代。海量信息的同时呈现,一方面增大了用户发现自己感兴趣信息的难度,另一方面也使得大量信息无法被一般用户获取。个性化推荐系统是目前解决信息过载问题最有效的工具。本文简单介绍了推荐系统的概念和组成要素,重点介绍了几种重要的推荐技术和个性化推荐系统的应用领域。     

融入情境信息的矩阵分解个性化推荐模型

本文提出了一种融入情境信息的矩阵分解个性化推荐模型。该模型引入了情境信息与用户、项目信息的交互,特别考虑到用户及项目偏置项受时间因素的影响,并加入了全局情境因子向量,用以控制因不同用户及项目对情境信息敏感度不同而造成的预测偏差。最后,通过实验验证了本文所提模型具有良好的可扩展性及较低的计算复杂度,在多情境信息条件下可以提高推荐准确性。     

基于协同过滤算法的推荐系统研究

传统的推荐算法主要分为两类:基于内容过滤推荐算法(contents-based filtering,简称CBF)[1-2]和基于协同过滤推荐算法(collaborative filtering,简称CF)[3-10]。CBF算法主要利用信息检索或信息过滤技术,根据推荐项目(item)的内容信息和用户配置文件的相关性向目标用户推荐相关项目。     

云计算环境下的学习资源个性化推荐技术研究

针对学习资源的个性化推荐,提出了一种基于用户影响关系的协同过滤推荐方法,使用传统协同过滤推荐采用的用户项目评分信息,通过挖掘用户时序交互评论和回复行为数据发现用户之间的相互影响关系,从而优化用户兴趣矩阵,在此基础上改善基于用户的协同过滤方法进行推荐。在数据集上的实验结果表明,通过利用用户之间时序交互行为数据,挖掘隐藏的用户影响关系信息可以有效提高预测的准确度。     

基于自编码器的影片个性化推荐模型研究

为了解决互联网电视更精确、更全面的内容个性化推荐需求,将自编码器模型应用于影片个性化推荐,主要形式为Top-N推荐。文章介绍了自编码器及其变种--降噪自编码器和协同降噪自编码器,详细说明了各自的模型结构和特性,提出了对自编码器模型进行优化的方法。通过对三种自编码器模型在公开数据集上的表现进行研究,得出了对于超参数选取、模型选择方面的结论,为个性化推荐场景的实际应用提供了重要参考依据。     

一种基于NSGA-II的协同过滤推荐算法

为了提升几种基本的协同过滤推荐算法的精确度与召回率,引入了多目标遗传优化算法NSGA-II,并利用模型加权融合的方法实现了新的协同过滤算法。实验证明,该算法相较几种基本的协同过滤算法在精确度与召回率上均有所提升。     

基于个性化特征的协同过滤推荐算法

针对相似度特征点推荐方法对用户个性化需求匹配度不高的问题,提出基于个性化特征的协同过滤推荐算法。以社会网络为结构模型构建用户信息的评分模型和项目属性模型,采用信任度条件概率分析方法构建可靠性推荐模型,进行个性化特征分析和提取,实现个性化特征需求与项目兴趣点的合理匹配,实现协同过滤推荐,最后通过仿真实验进行测试分析。结果表明,采用该方法进行社会网络项目协同过滤推荐的用户评分高,平均绝对误差和均方根误差小,提升了推荐质量。     

一种基于协同过滤的网格门户推荐模型

随着网格技术的不断发展,作为网格资源管理接口的网格门户也迅速发展起来。访问网格门户的用户数和门户管理的资源数也越来越多。为了解决网格门户系统资源管理信息规模过载、服务器大规模查询和处理资源负载较高、用户获取所需资源的满意度较低等问题,该文通过分析网格门户的主要功能和特点,在结合现有协同过滤推荐算法并改进的基础上,提出了基于协同过滤的网格门户推荐模型。推荐模型包括协同过滤交互模型、处理模型和展现模型。在设计模型的基础上提出了二次组合协同推荐算法并且进行了和现有算法的比较工作。实验表明：该文提出的推荐模型可以较好地实现网格门户的个性化协同推荐功能,并且可以保证个性化推荐的准确度和质量。     

一种基于稀疏矩阵划分的个性化推荐算法

文章提出稀疏矩阵划分的思想,对资源评分矩阵进行划分,缩小近邻搜索的范围和需要预测的资源数目,减少数据稀疏性,提高了个性化推荐算法的可扩展性。另外,分别讨论了采取分类和聚类的方法对稀疏矩阵进行划分。实验结果表明：基于稀疏矩阵划分的个性化推荐算法在算法性能上优于传统协同过滤算法。