面向稀疏数据的协同过滤用户相似度计算研究

基于用户的协同过滤通过获取最近邻的偏好实现对目标用户偏好的预测推荐,相似度计算为其核心步骤.传统数值相似度计算依赖于用户共同评分项的评分数值,用户-项目评分矩阵稀疏程度的加剧导致数值相似度计算准确性降低,难以为目标用户选取可靠的最近邻,影响推荐效果;现有结构相似度大多利用用户共同评分项占比度量,计算简单,受数据稀疏影响...     

基于项目分类的协同过滤改进算法*

为了解决用户评分数据稀疏性和用户最近邻寻找的准确性问题,提出了一种基于项目分类的协同过滤推荐改进算法。该算法首先利用项目分类信息为类内未评分项目预测评分值;然后通过计算类内用户间的相似度得到目标用户的最近邻居;最后进行推荐。实验结果表明,该算法可以准确地获取用户兴趣最近邻,有效地解决数据稀疏性问题;同时,该算法还极大地提高了系统的工作效率及可扩展性。     

融合评分差异和兴趣相似性的协同过滤推荐算法

为了解决在传统的协同过滤推荐算法中存在的相似性计算不准确的问题,并提高推荐系统的质量,提出一种用户相似度计算方法。在用户共同评分的基础上,该方法根据评分差值和时间特征来计算评分差值的信息熵;然后,利用用户评分差值的信息熵和评分项目属性计算出用户的相似度;最后,根据用户相似度计算出用户的最近邻居,以此预测目标项目的评分。实验结果表明,所提算法更加准确地实现了目标用户最近邻居的查找,有效地提高了推荐的准确性。     

基于用户聚类与项目划分的优化推荐算法

针对传统协同过滤推荐算法没有充分考虑用户属性及项目类别划分等因素对相似度计算产生的影响,存在数据稀疏性,从而导致推荐准确度不高的问题.提出一种基于用户属性聚类与项目划分的协同过滤推荐算法,算法对推荐准确度有重要影响的相似度计算进行了充分考虑.先对用户采用聚类算法以用户身份属性聚类,进而再对项目进行类别划分,在相似度计算中增加类别相似度,考虑共同评分用户数通过加权系数进行综合相似度计算,最后结合平均相似度,采用阈值法综合得出最近邻.实验结果表明,所提算法能够有效提高推荐精度,为用户提供更准确的推荐项目.     

融合用户偏好和多交互网络的协同过滤算法

推荐系统中的辅助信息可以为推荐提供有用的帮助,而传统的协同过滤算法在计算用户相似度时对辅助信息的利用率低,数据稀疏性大,导致推荐的精度偏低.针对这一问题,本文提出了一种融合用户偏好和多交互网络的协同过滤算法(NIAP-CF).该算法首先根据评分矩阵和项目属性特征矩阵挖掘出用户的项目属性偏好信息,然后使用SBM方法计算用户间的项目属性偏好相似度,并用其改进用户相似度计算公式.在进行评分预测时,构建融合用户-项目属性偏好信息的多交互神经网络预测模型,使用动态权衡参数综合由用户相似度计算出的预测评分和模型的预测评分来进行项目推荐.本文使用MovieLens数据集进行实验验证,实验结果表明改进算法能够提高推荐的精度,降低评分预测的MAE和RMSE值.     

基于评分支持度的最近邻协同过滤推荐算法

针对传统协同过滤推荐算法存在推荐质量不高的局限性,提出一种基于评分支持度的最近邻协同过滤推荐算法。该算法用调整后的共同评分次数动态调节相似度的值,以更真实地反映彼此间的相似性。然后计算目标用户和目标项目的最近邻集合及各自评分和支持度,根据评分支持度自适应调节基于目标用户和目标项目的评分对最终推荐结果影响的权重。与其他算法的对比实验结果表明,该算法能有效避免传统相似度度量方法存在的问题,从而提高了推荐质量。     

用户属性加权活跃近邻的协同过滤算法*

针对现有的基于kNN近邻协同过滤技术,在选择最近邻居时过于依赖评分相似度的问题,提出了一种用户属性加权活跃近邻的协同过滤算法。首先,通过引入用户特征属性并融合最小权重相似度,根据所得的最终相似度生成目标用户的kNN近邻集。然后,从对目标项目已有反馈信息的用户中生成目标项目的活跃用户子群体,并筛选出kNN近邻集中的活跃用户子群体作为目标用户的活跃近邻集,最终产生评分预测。在公开数据集上的实验结果表明,该算法能有效的提高推荐算法的推荐准确度,具有更好的稳定性。     

改进加权Slope one协同过滤推荐算法研究

协同过滤推荐是最成功的推荐技术之一,但数据稀疏性问题导致推荐准确度和推荐效率不高.针对这个问题,提出了一种改进的加权Slope one协同过滤推荐算法.计算用户之间的评分相似度,找出每个用户的最近邻;根据最近邻用户评分,使用基于用户的协同过滤和改进的加权Slope one算法的加权评分预测目标用户的未评分项目;给出推荐.实验过程中采用MovieLens数据集作为测试数据.实验结果表明:与原算法相比,算法提高了预测准确度,有效提高了推荐性能.     

一种基于项目属性评分的协同过滤推荐算法

协同过滤是电子商务推荐系统中应用最成功的推荐技术之一,但面临着严峻的用户评分数据稀疏性和推荐精度低等问题。针对数据稀疏性高和单一评分导致的推荐精度低等问题,提出一种基于项目属性评分的协同过滤推荐算法。首先通过均值法或缩放法构造用户-项目属性评分矩阵将单一评分转化为多评分;其次基于每个属性评分矩阵,计算用户间的偏好相似度,得到目标用户的偏好最近邻居集;然后针对每个最近邻居集,在用户-项目评分矩阵上完成对目标用户的初步评分预测;最后,将多个初步预测评分加权求和作为综合评分,完成推荐。在Movie Lens扩展数据集上的实验结果表明,该算法能有效提高推荐精度。     

结合项目分类和云模型的协同过滤推荐算法

为了解决用户评分数据稀疏性问题和传统相似性计算方法因严格匹配对象属性而产生的弊端,结合项目分类和云模型提出了一种改进的协同过滤推荐算法。首先,按项目分类得到类别矩阵;然后利用云模型计算类内项目间的相似度并获取具有最高相似度的邻居项目的评分,为类内未评分项目进行预测填充;再利用云模型计算类内用户间的相似度得到用户邻居,最后给出最终的预测评分并产生推荐。实验结果表明,该算法不仅有效地解决了数据稀疏性及传统相似性方法存在的弊端,还提高了用户兴趣及最近邻寻找的准确性;同时,该算法只需计算新增用户或项目所在的类别即可,大大增强了系统的可扩展性。     

基于数据降维与精确欧氏局部敏感哈希的k近邻推荐方法

针对基于k近邻的协同过滤推荐算法中存在的评分特征数据维度过高、k近邻查找速度慢,以及评分冷启动等问题,提出基于数据降维与精确欧氏局部敏感哈希（E²LSH）的k近邻协同过滤推荐算法。首先,融合评分数据、用户属性数据以及项目类别数据,将融合后的数据作为输入对堆叠降噪自编码（SDA）神经网络进行训练,取神经网络编码部分最后一个隐层的值作为输入数据的特征编码,完成非线性降维。然后,利用精确欧氏局部敏感哈希算法对降维后的数据建立索引,通过检索得到目标用户或目标项目的相似近邻。最后,计算目标与近邻之间的相似度,利用相似度对近邻的评分记录加权得到目标用户对目标项目的预测评分。在标准数据集上的实验结果表明,在冷启动场景下,均方根误差比基于局部敏感哈希的推荐算法（LSH-ICF）平均降低了约7.2%,平均运行时间和LSH-ICF相当。表明该方法在保证推荐效率的前提下,缓解了评分冷启动问题。     

一种基于局部近邻Slope One协同过滤推荐算法

经典的Slope One算法采用线性回归模型对目标项目进行预测评分,但在项目评分偏差表构建过程中产生了部分噪声数据,影响了算法的推荐性能。为了解决该问题,建立了一种基于局部近邻Slope One协同过滤推荐算法。算法计算了当前活跃用户针对不同推荐商品的近邻用户集,其邻居用户集根据目标项目的不同而动态变化;根据活跃用户关于不同目标项目的邻居用户数据来进一步优化项目之间的平均偏差,进而产生推荐。对比实验说明,该算法在MovieLens数据集上具有较高推荐精度。     

面向用户兴趣密度分布的协同过滤推荐算法

针对评分数据稀疏和单一评分相似性计算不准确导致推荐质量不高的问题,提出一种面向用户兴趣密度分布的协同过滤推荐算法.在计算项目类别相似度的同时,引入类别的信息熵以确定项目之间距离,在此基础上采用Parzen窗估计方法获取用户在整个项目空间上的兴趣密度分布,最后结合用户属性差异性和兴趣密度之间相对熵以确定目标用户的最近邻居用户集.实验结果表明,该算法在避免数据填充所引入误差的同时,有效提升数据稀疏情况下的推荐质量.     

基于用户情景的协同过滤推荐

为提高基于项目的协同推荐算法的预测效果,引入用户情景因素。首先计算用户情景因素的相异度矩阵,然后按照用户间相异度大小,采用基于等价相异度矩阵聚类算法对用户进行聚类。在聚类后的用户簇中,选取与目标项目相异度小的项目作为近邻,为用户对目标项目进行评分预测。最后,在标准的MovieLens数据集上进行实验。通过对改进的推荐算法与经典的基于项目的协同推荐算法Slope One进行比较,实验数据表明改进后算法的推荐结果有较大提高。     

基于熵优化近邻选择的协同过滤推荐算法

协同过滤推荐系统的近邻选择环节中不仅没有考虑目标项目对用户间相似性计算的影响,而且也未考虑邻居用户对目标用户的推荐贡献能力,导致既降低了相似性计算的准确性,也提高了近邻集合中伪近邻的比例。针对这些问题,提出了一种基于熵优化近邻选择的协同过滤推荐算法。算法首先使用巴氏系数计算项目间相似性,并以此为权重加权计算用户间相似性。其次引入熵描述用户评分分布特性,根据评分分布差异性衡量邻居用户的推荐贡献能力。最后,利用双重准则共同计算推荐权重,并构建近邻集合。实验结果表明该算法能够在不牺牲时间复杂度的条件下准确地选取近邻集合,提升推荐准确度。     

基于用户特征和项目属性的协同过滤推荐算法

在数据极度稀疏的环境下,仅仅依赖用户直接评分数据的传统协同过滤算法无法取得满意的推荐质量。提出基于用户特征和项目属性的协同过滤算法,在用户相似性计算过程中引入时间相关的兴趣度,使得最近邻的确定更加准确;预测评分时,通过衡量用户信任度来体现各邻居对目标用户最终推荐的贡献程度,并以用户对项目属性的偏好度代替评分数据对新项目进行推荐。基于MovieLens数据集进行的实验结果表明,改进后的算法有效解决了系统冷启动问题,明显提高了系统推荐的准确度。     

结合类别偏好信息的Item-based协同过滤算法

传统的基于项目的协同过滤算法离线计算项目相似性,提高了在线推荐速度.但该算法仍然不能解决数据稀疏性所带来的问题,计算出的项目相似性准确度较差,影响了推荐质量.针对这一问题,提出了一种结合类别偏好信息的协同过滤算法,首先为目标项目找出一组类别偏好相似的候选邻居,候选邻居与目标项目性质相近,共同评分较多;在候选邻居中搜寻最近邻,排除了与目标项目共同评分较少项目的干扰,从整体上提高了最近邻搜寻的准确性.实验结果表明,新算法的推荐质量较传统的基于项目的协同过滤算法有显著提高.     

一种面向协同过滤的快速最近邻居搜索方法

针对协同过滤模型中寻找邻居集耗时,且部分邻居信息未能有效用于预测计算的问题,提出了一种快速搜寻最近邻居的方法。该方法改变了评分矩阵中数据组织方式,通过构建项目的用户评分列表和用户的项目评分列表,以此来筛选出对预测评分值产生影响的用户或项目,进而得到目标用户或项目的邻居集。该方法排除了不必要的相似性计算,提高了运算效率;而且还有效保证了预测计算中的邻居利用率,提高了推荐质量。在Movielens100k与Movielens1M两个数据集上的实验结果表明,所提出算法在运行时间、MAE、RMSE、F1值四个指标上均有较大提升。因此该算法在推荐系统领域具有良好的应用价值。