协同过滤中相似度算法研究进展

推荐算法通过历史数据发现用户的兴趣偏好,在数据资源中寻找用户的偏好信息,并对用户进行推荐。目前,推荐系统中的协同过滤算法在各领域应用广泛,由于数据稀疏性和冷启动,使得推荐质量有所下降,为提升推荐精度,有学者从相似度方向进行研究。总结了推荐系统中最广泛使用的协同过滤算法,以及推荐系统中常用的传统相似度算法;对比分析了基于Pearson相关系数的相似度、余弦相似度、修正的余弦相似度等的适用场景;从冷启动和数据稀疏等方面分析了相似度的研究现状,研究表明通过混合相似度计算用户相似性,提高了推荐质量。最后,总结了相关文献在改进后存在推荐效率低、复杂度增高的问题,在提高推荐精度和推荐效率方面对相似度改进进行了展望。     

融合多层相似度与信任机制的协同过滤算法

针对传统协同过滤推荐算法推荐精度较差的问题,提出一种融合多层混合相似度与信任机制的协同过滤算法。引入模糊集隶属函数用于修正用户的评分相似度,提取用户兴趣向量计算用户对不同类型项目的偏好程度,将二者动态融合得到用户混合相似度,将用户的混合相似度与信任度进行自适应模型融合。将算法应用于MovieLens公用数据集,实验结果表明,在数据较为稀疏时,改进算法相较于改进的余弦相似度算法,准确度提升约6.3%,与部分改进算法相比,推荐精度也有一定程度的提升。     

基于信任传播的协同过滤算法

电子商务环境下为用户提供高效的推荐是一个非常有意义的课题,然而稀疏性问题严重影响了推荐系统的推荐质量。为了有效解决这个问题,提出了一种基于信任传播的TSRCF协同过滤算法,在信任传播的基础上,提出了信任度,相似度,关系度的混合权重TSR,取代了传统的协同过滤算法的相似度,作为寻找邻居用户的标准。TSRCF算法在一定程度上缓解了稀疏性问题,帮助用户在信息过载的情境下得到高质量的推荐。在Epinions数据集和FilmTrust数据集上的仿真实验也验证了TSRCF算法比传统CF算法有更高的推荐精确度。     

基于信任网络的协同过滤推荐方法

经典的协同过滤推荐系统存在数据稀疏和冷启动问题。利用信任网络能够有效地解决此问题,但性能有待提高。根据“如果a信任b,则a与b相似度高的概率较大”这一普适规律,提出一种基于信任网络的协同过滤推荐算法。该算法采用惩罚、奖励机制,进一步提高了推荐系统的性能。算法将覆盖率和准确率作为衡量标准,与经典协同过滤算法和已有信任推荐算法进行实验对比,结果表明所提推荐方法的性能更好。     

基于多重信任的协同过滤推荐算法

针对评分数据稀疏性和用户冷启动所导致的协同过滤推荐系统的准确度与覆盖率较低的问题,文中融合显性信任和隐性信任因素,提出了一种基于多重信任的协同过滤推荐算法。首先,依据用户间推荐评分的准确性与可依赖度因子,提出一种改进的均方差(Mean Squared Difference,MSD)信任度量方法,并在此基础上提出基于隐性信任信息的评分模型;其次,以最大信任传播距离为约束,提出一种显性信任信息的关系模型;最后,依据评分相似性与显性信任关系,利用0-1背包组合优化策略选择出目标用户的最优近邻集合,从而进行评分预测。在Epinions数据集上与多种主流算法的对比仿真实验结果表明,该算法通过引入有效评分和显性信任关系,极大地缓解了数据稀疏性和冷启动问题,并且在不牺牲覆盖率的条件下显著提升了推荐准确度。     

融合信任用户的协同过滤推荐算法

推荐系统中普遍存在的数据稀疏性问题使得协同过滤算法所要求的近邻搜索准确性降低,以及搜索到的最近邻用户过少,这对整个推荐系统的推荐质量和推荐的准确性产生重要影响,而这个问题对于传统的协同过滤推荐是难以解决的.针对这个问题,通过将用户之间的信任关系与对项目的评分相似性相融合,提出一种融合信任用户的协同过滤推荐算法,利用有向网络图构建的用户之间的信任关系,弥补了仅仅依靠计算用户间相似性不能准确衡量用户之间关系的缺陷.实验结果证明,该算法能够提高系统的推荐质量和准确性.     

基于信任因子的协同过滤推荐算法

传统协同过滤算法最后的预测值是用户最近邻评价的加权平均值,过于强调相似度的作用。除相似度以外,信任也是影响推荐结果的因素之一。该文提出以用户的评价个数和为他人提供推荐的次数为要素的可计算的信任模型与算法以及基于信任因子的协同过滤算法。该算法改变传统推荐过程中,用户之间的相似度唯一决定预测结果的现状,提高了推荐的精度。并通过一系列实验证明了该设想和算法的优越性。     

融合专家信任的协同过滤推荐算法

针对目前协同过滤推荐算法存在的数据稀疏性和冷启动等问题,对融合专家信任的协同过滤推荐算法进行了研究和改进.改进算法结合DBSCAN初始聚类中心优化的思想,将用户划分到不同的社区簇中.考虑到用户活跃度偏差对相似度计算的影响,加入用户活跃度惩罚权重对相似度进行了改进.在选取了专家用户后,考虑到专家评估过的不同项目的专家信任...     

协同过滤的相似度融合改进算法

针对传统协同过滤推荐在数据稀疏性条件下性能不佳的问题,在相似度计算上做出了优化,提出了一种基于项目类别和用户兴趣相似度融合的协同过滤算法,算法将相似度的计算分解为两个方面进行:用户-项目类别评分相似度和用户-项目类别兴趣相似度,将两者用合适的权值加以融合得到最终相似度,参与最终预测评分的计算.利用MovieLens公用数据集对改进前后的算法进行对比.结果表明,基于项目类别和用户兴趣的协同过滤改进算法有效地缓解了数据稀疏性问题的影响,提高了推荐的准确性.     

结合信任关系的用户聚类协同过滤推荐算法

在传统的协同过滤推荐算法中, 相似度计算是算法中的核心, 然而之前的计算方式过于依赖用户的评分, 没有考虑到用户本身的属性以及信任度, 并且没有对恶意用户进行区分, 为解决上诉问题, 本文将一种改进的新型信任关系度量方式融入到相似度计算中, 这种新型的方法不仅考虑了恶意用户的影响, 并且有效地结合用户本身的属性. 另外, 文章就热点问题对相似度计算也进行了改进. 算法最终利用初始用户聚类不断迭代得到相邻用户, 有效的消除了冷启动和数据稀疏的问题. 实验部分, 通过与其它几种推荐算法的比较可以证明, 提出的算法能够有效提升推荐准确度.     

基于信任网络随机游走模型的协同过滤推荐

协同过滤是目前应用最广泛和最成功的推荐技术之一。然而,目前该技术的发展面临着严重的冷启动和稀疏性问题,降低了其推荐质量,因此提出了一种基于信任网络随机游走模型的协同过滤推荐方法。该方法融合了基于信任和项目的协同过滤推荐方法,并引入了信任因子作为引导推荐的重要因素。随机游走模型不仅考虑了信任用户对目标项目的评分,也考虑了他们对与目标项目相似的项目的评分。随着随机游走深度的增加,以相似项目的评分信息来代替目标项目的评分信息的概率也逐渐增大。在Epinions真实数据集上的验证结果表明,该方法在推荐评价指标上比其他算法具有更好的推荐结果。     

基于信任的协同过滤算法

针对 O2O 电子商务平台推荐准确率低的问题,本文从用户活跃度和用户权威度两个方面计算用户全局信任度,引入用户之间的信任关系对传统的协同过滤算法进行改进,设定信任度阀值来确定邻居用户的范围,在此基础之上结合信任度和相似度两个因素确定邻居用户,以信任度和相似度结合的混合值作为推荐权重,实验证明,该算法与传统的协同过滤推荐算法和基于信任关系的推荐算法相比有更好的效果。     

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。     

基于信任模型的协同过滤推荐算法

提出一种基于信任机制的协同过滤推荐算法,其中,直接信任度基于共同评价项目得出,推荐信任度通过对项目的预测得出。借鉴社会网络中人与人之间的信任评价方法,使用户之间的相似度计算更加准确,从而为目标用户提供更好的推荐结果。实验结果表明,该模型提高了信任度预测的准确性及系统的推荐质量。     

融合潜在社交信任模型的协同过滤推荐

推荐系统在处理信息过载的问题上有着显著的作用,但是推荐系统也存在不足之处,在于它的数据稀疏性和冷启动问题,使用传统的协同过滤算法已经不能满足于推荐系统的技术发展。随着社交网络的发展,朋友信任关系被广泛地运用于推荐系统中。但是在实际生活中,社交网络中的信任关系也存在着数据稀疏的问题,为了更好地提高推荐的质量,提出了一种融合潜在社交信任模型的协同过滤推荐算法。新的社交信任模型主要由以下部分组成:社交矩阵中全局信任值和专家模型,改进的信任传播模型,改进的皮尔逊系数模型。通过实验结果分析可知融合新模型的推荐算法有助于提升推荐效果。     

融合用户信任模型的协同过滤推荐算法

协同过滤推荐是电子商务系统中最为重要的技术之一.随着电子商务系统中用户数目和商品数目的增加,用户-项目评分数据稀疏性问题日益显著.传统的相似度度量方法是基于用户共同评分项目计算的,而过于稀疏的评分使得不能准确预测用户偏好,导致推荐质量急剧下降.针对上述问题,本文考虑用户评分相似性和用户之间信任关系对推荐结果的影响,利用层次分析法实现用户信任模型的构建,提出一种融合用户信任模型的协同过滤推荐算法.实验结果表明： 该算法能够有效反映用户认知变化,缓解评分数据稀疏性对协同过滤推荐算法的影响,提高推荐结果的准确度.