共查询到20条相似文献,搜索用时 995 毫秒
1.
2.
为了克服协同推荐系统中的用户评分数据稀疏性和推荐实时性差的问题,提出了一种高效的基于粗集的个性化推荐算法.该算法首先利用维数简化技术对评分矩阵进行优化,然后采用分类近似质量计算用户间的相似性形成最近邻居,从而降低数据稀疏性和提高最近邻寻找准确性.实验结果表明,该算法有效地解决用户评分数据极端稀疏情况下传统相似性度量方法存在的问题,显著地提高推荐系统的推荐质量. 相似文献
3.
协同过滤作为推荐系统核心技术,面临严重的评分数据稀疏性问题.融合物品文本信息可以有效的解决数据稀疏性问题,然而,目前的方法侧重于提取文本的单维特征,忽略了物品语义表示的多维特性.深度挖掘物品内容的多维特性可以更加精细化描述物品的语义信息,有助于提升推荐效果.为此,本文提出基于胶囊网络的概率生成模型.模型利用胶囊网络挖掘文本的多维语义特征,并以正则化方式融入概率矩阵分解框架,建立用户与物品之间的内在关系.实验结果表明本文提出的模型具有更高的评分预测精度. 相似文献
4.
协同过滤推荐算法主要是通过学习用户对商品过去所作出的偏好行为来为用户作出推荐,也就是协同过滤算法会对用户评分矩阵进行用户行为偏好学习,从而为用户作出相应的推荐。但是,由于用户评分矩阵具有极大的稀疏性,稀疏性会影响推荐算法的推荐结果.针对评分矩阵的稀疏性问题,文章利用主成分分析法,对用户原始评分矩阵首先进行降维处理,将原始评分矩阵转换到主成分空间上,缓解了评分矩阵的稀疏性,同时也降低了运算的时间复杂度.利用MovieLens数据库对算法进行了实验并和联合近邻权值算法进行了比较.结果表明,本文算法有较高的准确度和运行效率. 相似文献
5.
随着电子商务的迅速发展,越来越多的顾客选择网上购物,如何让用户在海量信息中快速而准确地找到合适的产品,做出购买决定是一件很难的事情。个性化推荐技术能够较好的解决此问题,它通过分析顾客相关信息,向用户推荐感兴趣的产品,以便做出最后的决策。本文分析国内外个性化推荐技术研究现状,着重介绍协同过滤推荐技术存在的冷开始、数据稀疏性、伸缩性、“托”攻击等问题。为了改进传统协同过滤技术,结合典型的信任评估模型,提出了本文的观点。并介绍此推荐技术的两种算法,即用户单一兴趣下基于信任机制的电子商务个性化推荐算法和用户多兴趣下基于信任机制的电子商务个性化推荐算法。 相似文献
6.
7.
现有的推荐算法很难对没有任何记录的冷启动用户或者历史记录稀疏的用户给出准确的推荐,即用户的冷启动问题.本文提出一种基于受限信任关系和概率分解矩阵的推荐方法,由不信任关系约束信任关系的传播,得到准确且覆盖全面的用户信任关系矩阵,并通过对用户信任关系矩阵和用户商品矩阵的概率分解联合用户信任关系和用户商品矩阵信息,为用户给出推荐.实验表明该方法对冷启动用户和历史记录稀疏的用户的推荐效果有较大幅度的提升,有效地解决了用户的冷启动问题. 相似文献
8.
融合内容语义信息的推荐模型可以有效缓解音乐推荐系统中的数据稀疏性和冷启动问题.然而,这些模型是通过最小化预测评分误差学习用户与音乐的全局关系,忽略了用户和音乐隐式特征的细粒度差异.此外,内容语义特征是以推荐任务无关的无监督学习方式提取的,从而导致不精确推荐.为此,本文提出了融合内容表示的度量排序学习推荐模型,该模型是以个性化排序最优化为目标的概率图模型,利用度量学习从全局和细粒度层面挖掘用户音乐偏好.为了解决冷启动推荐问题,本文建立了与推荐任务相关的监督学习策略训练内容语义特征提取模型.在KKBOX和MIGU数据集上的实验结果表明,提出的模型显著提升了冷启动音乐推荐的效果,在不同稀疏度数据集上的鲁棒性得到了显著增强. 相似文献
9.
随着社交媒体的大力发展,互联网不再只是人们获取信息的工具,同时还是人们分享信息的渠道.用户生成内容使得人们面临着信息过载,大量真正有价值的信息难以被发现.个性化推荐系统凭借其较低的用户参与度被认为是当前解决信息过载最有潜力的方法之一.然而,目前最成熟、应用最广的协同过滤推荐方法正面临着数据稀疏性、多样性等问题,其推荐效果不甚理想.本文提出了一种基于线性回归的推荐方法,利用用户或物品的评分频次信息,建立了线性回归模型,以此预测用户对未评分物品的评分.该方法具有低复杂性、可增量更新、高准确性等优点. 相似文献
10.
《无线互联科技》2015,(5)
协同过滤技术是目前应用最多的一种推荐技术,这项技术从用户提供的信息中展开发掘,按"物以类聚,人以群分"的原则产生和目标用户(或项目)相似性高的最近邻,从中预测评分,进而产生推荐。但是由于评分信息稀疏化就会造成无法适应用户兴趣,而且推荐的实时性差等问题。针对上述问题,文章提出了一种带有改进的用户-项目类型喜好相似性的计算方法完善用户兴趣改变的问题,并且结合了优化后的双重k-means聚类,使搜索最近邻的范围大大减少,从而提高了推荐算法的实时性。实验结果表明,该优化后的协同过滤推荐算法能通过时间相似性更好地适应用户兴趣的变化,推荐的精度最精确,效果更易使用户满意。 相似文献
11.
为克服在线视频网站中出现的数据稀疏性和推荐实时性不佳的问题,本文提出一种基于用户聚类的改进算法.首先该算法以商品属性为辅助预填充矩阵空白,然后采用初始聚类中心优化的k-means算法在矩阵上对用户进行离线聚类,将兴趣点相同的用户聚集到同一类别中,最后在线寻找目标用户最近邻并产生推荐.本文采用MovieLens作为测试数据集,实验结果表明,本文算法可以有效缓解数据稀疏性及改善实时性,并在一定程度上提高推荐精度. 相似文献
12.
传统的协同过滤推荐算法直接根据用户对物品的评分进行推荐,忽略了评论文本中隐含的重要信息,当用户对物品的评论较少时,由于数据的稀疏性会造成推荐效果的不准确和单一。本文提出了一种基于LDA主题模型的协同过滤推荐算法LDA-CF(Latent Dirichlet Allocation model-LDA-Collaborative Filtering),在传统的协同过滤算法基础上,通过LDA模型对评论文本中的主题进行分类,从各个主题层面挖掘用户的情感偏好,计算用户之间的相似度,进而向目标用户推荐商品。对京东平台牙膏的评论数据集的实验结果表明,该算法不仅可以缓解由于评分数据较少造成的稀疏性问题,推荐的精确度也有所提高。 相似文献
13.
14.
15.
16.
基于短期出租车轨迹数据的载客区域推荐能极大减少系统开销,提高推荐效率,但常伴随着数据稀疏性的问题.针对该问题,本文提出了一种融合地理信息的隐语义模型-GeoLFM.该模型通过将出租车司机所处的客观地理环境信息,融合到司机-载客区域矩阵分解的过程中,从而弥补数据稀疏性带来的不足.同时,根据出租车实时的空间位置信息,为身处不同地点的出租车推荐不同的载客区域.实验证明,本文提出的方法与常用方法相比,推荐结果与真实的出租车司机载客情况间的平均绝对误差和均方根误差都得到大幅降低,较好的提升了推荐效果. 相似文献
17.
18.
针对数据稀疏性问题,提出基于蚁群聚类的项目评分预测方法.在对Web日志分析基础上将用户聚类,针对目标用户的未评分项目,找到目标用户的若干最近邻类簇,利用类簇内其他用户对目标项目的评分预测未评分项目的评分,从而达到降低数据稀疏性目的.最后,结合协同过滤思想设计了相应的推荐算法,并用从自主开发的旅游电子商务网站上收集的数据进行试验仿真.实验结果表明,与其它缓解数据稀疏性的方法相比,文中的方法显著提高了推荐精度. 相似文献
19.
个性化推荐准确率的高低是互联网应用成功与否的关键因素,针对传统推荐模型的不足,提出一种基于情境和主体特征融入性的多维度个性化推荐模型,该模型能够充分利用地域文化背景、领域主题情景、主体特征等信息,避免了传统算法把用户整体作为单个向量的弊端,克服了数据稀疏性等问题。实验结果表明,该模型的推荐质量比传统的协同推荐模型高,更有针对性地向用户推荐他们感兴趣的项目。 相似文献
20.
针对大数据量下的英语资源库信息推荐模型中数据稀疏性较大的问题,提出一种基于协同过滤算法的英语资源库信息推荐模型。对历史监测的数据进行深度挖掘,将原始数据通过整合完善转化为资源数据集。通过协同过滤算法和资源反馈矩阵的表述实现资源选取,根据任意用户对项目集中同一数据资源的反馈评分计算得出每个项目间的相似阈值,以此为基础拟合项目整体相似阈值,根据阈值数挑选与用户最为匹配的项目资源,完成推荐。仿真实验证明,该模型算法的推荐精准度和效率较高,有效解决了数据稀疏性较大的问题。 相似文献