个性化服务中基于用户聚类的协同过滤推荐

协同过滤技术被成功地应用于个性化推荐系统中，但随着系统规模扩大，它的效能逐渐降低。针对此缺点，使用了基于用户聚类的协同过滤推荐，根据用户评分的相似性对用户聚类，在此基础上搜索目标用户的最近邻居，从而缩小用户的搜索范围。本文还提出将协同过滤推荐分为类内相似系数计算和产生推荐两个阶段，把相似系数的计算放在离线部分，减少在线推荐的计算量，提高实时响应速度。另对聚类算法初始聚类中心的选取也做了改进。     

基于项目特征聚类的协同过滤推荐算法

提出基于项目特征聚类的Item-based协同过滤推荐算法.该算法首先根据项目的属性特征对项目进行聚类,形成其特征相似群,然后采用一种基于预评分的相似性度量方法计算目标项的最近邻居,最终产生推荐.经实验验证该算法可以有效解决用户评分数据稀疏性和冷启动的难题,而且可以显著提高系统推荐质量.     

基于改进Canopy聚类的协同过滤推荐算法

推荐系统通过建立用户和信息产品之间的二元关系,利用用户行为产生的数据挖掘每个用户感兴趣的对象并进行推荐,基于用户的协同过滤是近年来的主流办法,但存在一定局限性：推荐时需要考虑全部用户,而单个用户往往只与少部分用户类似。为了解决这个问题,提出了基于改进Canopy聚类的协同过滤推荐算法,将用户模型数据密度、距离与用户活跃度结合,计算用户数据权值,对用户模型数据进行聚类。由于结合了Canopy的聚类思想,同一用户可以属于不同的类,符合用户可能对多领域感兴趣的情况。最后对每个Canopy中的用户进行相应的推荐,根据聚类结果与用户评分预测用户可能感兴趣的对象。通过在数据集MovieLens和million songs上与对比算法进行MAE、RMSE、NDGG三个指标的比较,验证了该算法能显著提高推荐系统预测与推荐的准确度。     

基于模糊聚类的协同过滤推荐方法

推荐系统是利用用户的历史偏好信息实现个性化服务的系统,它已经成为电子商务和信息获取领域中的重要应用。文中提出了一种通过模糊聚类的方法将项目属性特征的相似性与基于项目的协同过滤推荐技术相结合的推荐方法,首先应用模糊聚类技术对项目聚类,得到项目在属性特征上的相似关系群,然后与用户一项目评分矩阵中的协同相似关系群组合得到综合相似关系群,最后,利用综合相似关系群为目标用户推荐项目。实验结果表明,该方法不仅可有效改善基于项目的协同过滤推荐算法面临的“冷启动”问题,而且确实提高了推荐系统的推荐精度。     

基于ART2动态聚类的协同过滤推荐方法

针对协同过滤推荐中的用户评分数据的极端稀疏性和新用户的推荐问题,本文通过用户的注册信息收集到关于用户的个人特征数据,形成用户个人特征矩阵,然后针对用户个人特征矩阵采用ART2神经网络动态聚类算法进行用户分类,找到目标用户的邻居用户,预测用户对未评分项目的评分。改善在线推荐的响应时间和推荐精度。     

基于聚类的协同过滤电子商务个性推荐系统的研究

根据目前电子商务网站中商品个性化推荐的现状,重点分析了比较常用的一种推荐方法——协同过滤推荐方法,发现了目前协同过滤算法在应用中所面临的挑战和问题,主要包括:推荐质量低、推荐效率低、数据稀疏性、冷启动等问题。针对这些问题本文提出了一种基于用户兴趣度的聚类分析协同过滤算法,有效的解决了目前算法中存在的数据稀疏性等问题,通过实验数据的分析对比,证明了算法的合理性和有效性。     

改进的聚类邻居协同过滤推荐算法

推荐系统运用统计和知识发现技术在实时交互系统中提供产品推荐,并且已经在电子商务中取得了较广泛的应用。本文中我们介绍了一种不同于以往的推荐产生算法,称之为改进的聚类邻居协同过滤推荐算法,试验表明我们的算法比k-邻近点算法和聚类邻居算法具有更好的效果。     

基于聚类免疫网络的协同过滤推荐算法

针对传统协同过滤推荐算法进行聚类后出现的推荐精度下降问题,提出了一种利用独特型网络模型对基于用户聚类的协同过滤算法加以改进的新思路。通过引入人工免疫中动态调节抗体浓度使免疫网络保持稳定的原理来调整邻居用户的数目,以保证邻居用户的多样性达到提高精度的目的。实验结果表明,该算法相对于传统的基于聚类的协同过滤算法而言,在提高推荐速度的同时保证了推荐的精度。     

基于AntStream用户聚类的协同过滤推荐系统

系统规模的逐步扩大和用户兴趣的发展变化给传统协同过滤推荐系统带来了实时性减弱和准确性降低的问题。基于K—Means用户聚类的协同过滤技术虽然能在一定程度上解决这两个问题,算法本身却带有局部最优的缺陷。在保证实时性的前提下,为克服K—Means算法的缺陷,提出使用AntClass蚁群算法对用户聚类。同时提出将用户评分看作数据流,利用金字搭时间框架预处理数据,从而体现用户兴趣随时间的变化。于是,将AntClass蚁群算法和利用金字塔时间框架预处理过的数据流相结合,最终形成文中的AntStream算法。实验表明,AntStream算法不仅改善了传统协同过滤推荐系统的实时性问题,而且更大程度提高了推荐质量。     

基于蜂群K-means聚类模型的协同过滤推荐算法

针对目前协同过滤推荐算法的推荐质量和推荐效率低的问题,提出了一种基于改进蜂群K-means聚类模型的协同过滤推荐算法。首先,根据用户属性信息,采用改进蜂群K-means算法对用户进行聚类,建立用户聚类模型;然后,计算目标用户与用户聚类模型中各聚类中心的距离,其中距离最近的类为目标用户的检索空间;最后,从检索空间中依据用户-项目评分矩阵通过相似度计算搜索目标用户的最近邻居,由最近邻居的信息产生推荐列表。实验结果表明,该算法降低了平均绝对误差值,缩短了运行时间,提高了推荐质量和推荐效率。     

基于PSO的协同过滤推荐算法研究

协同过滤是推荐系统中最有效的方法之一,推荐算法评分预测的精确性受到最近邻居的提取以及项目或用户相似度计算的两个关键点的影响。根据用户行为相似性原理,采用最大交集法提取与当前项目共同评分最多的邻居作为最佳邻居候选集,同时提出了加权余弦相似性方法对相似度进行计算,并采用粒子群优化算法（PSO）对权重进行优化求解。实验结果表明,采用上述方法相对于传统方法来说,能较好地改善评分预测的精确度,有效地提高推荐系统的推荐质量。     

推荐系统中推荐池的聚类算法分析

针对个性化推荐系统规模扩大而引起的实时性差、推荐精度较低等问题,提出了改进的k-均值用户聚类算法,实现对推荐系统中推荐池的压缩,将用户在不同项目簇上的评价差异作为用户距离,采用kruskal最小生成树算法生成初始聚类中心,使得初始中心靠近类中心,这样得到的聚类更符合实际.进行了算法改进前后的实验对比,结果表明,改进的聚...     

面向社会化电子商务的信任感知协同过滤推荐方法

为提高社会化电子商务推荐服务的精确度和有效性,综合考虑交易评价得分、交易次数、交易金额、直接信任、推荐信任等影响社会化电子商务用户信任关系的因素,设计了一种信任感知协同过滤推荐方法.该方法利用置信因子计算用户间的信任关系,采用余弦相关度法计算用户间的相似度,引入调和因子综合用户信任关系和用户相似度对商品预测评分的影响,以平均绝对误差(MAE)、评分覆盖率和用户覆盖率作为评价指标.实验结果表明,与标准协同过滤推荐方法、基于规范矩阵因式分解的推荐方法相比,信任感知协同过滤推荐方法将MAE降低到0.162,并将评分覆盖率和用户覆盖率分别提高到77%和80%,能够解决交易评价较少商品的推荐问题.     

基于内容的推荐与协同过滤融合的新闻推荐方法

针对基于内容的新闻推荐方法中用户兴趣多样性的缺乏问题和混合推荐方法存在的冷启动问题,提出一种基于内容与协同过滤融合的方法进行新闻推荐。首先利用基于内容的方法发现用户既有兴趣;再用内容与行为的混合相似度模式,寻找目标用户的相似用户群,预测用户对特征词的兴趣度,发现用户潜在兴趣;然后将用户既有兴趣与潜在兴趣融合,得到兼具个性化和多样性的用户兴趣模型;最后将候选新闻与融合模型进行相似度计算,形成推荐列表。实验结果显示,与基于内容的推荐方法相比,所提方法的F-measure和整体多样性Diversity均有明显提高;与混合推荐方法相比,性能相当,但候选新闻无需耗时积累足够的用户点击量,不存在冷启动问题。     

融合协同过滤和XGBoost的推荐算法

协同过滤在数据处理中存在数据稀疏问题,影响推荐算法的准确性。提出融合协同过滤和XGBoost的推荐算法,根据用户对项目的评价以及项目本身所具备的自身特点,挖掘项目和用户的潜在关系,提高算法的推荐准确性。采用百度深度学习框架PaddlePaddle在Book-Crossings数据集上进行实验,实验结果表明,提出的算法和文献中两种算法相比,准确性有显著提升。     

基于项目属性的用户聚类协同过滤推荐算法

协同过滤推荐算法是个性化推荐服务系统的关键技术,由于项目空间上用户评分数据的极端稀疏性,传统推荐系统中的用户相似度量算法开销较大并且无法保证项目推荐精度.通过对共同感兴趣的项目属性的相似用户进行聚类,构建了不同项目评价的用户相似性,设计了一种优化的协同过滤推荐算法.实验结果表明,该算法能够有效避免由于数据稀疏性带来的弊端,提高了系统的推荐质量.     

面向个性化推荐系统的二分网络协同过滤算法研究

为提高个性化推荐系统的推荐效率和准确性, 提出了个性化推荐系统的二分网络协同过滤算法。协同过滤算法引入二分网络描述个性化推荐系统, 使用灰色关联度来度量用户相似性和项目相似性, 对灰色关联相似度加权求和预测用户对项目的预测打分值, 从而提供给用户排序后的项目列表。实验结果表明, 协同过滤算法有效提高了过滤推荐的精准度和可靠性, 具有良好的推荐效果。