协同过滤算法在推荐系统中的应用

介绍了协同过滤算法,并对算法进行了改进,解决了用户稀疏的情况下传统算法的不足,同时通过引入评分阈值,显著提高了个性化协同过滤算法的推荐精度。     

一种改进的均方差协同过滤算法

由于传统基于均方差的协同过滤算法(MSD)计算相似性时仅考虑评分向量间均方差值，导致其推荐性能不理想，针对这个问题，提出融合评分向量间余弦值和均方差值的改进均方差协同过滤算法(Improved MSD， IMSD)。通过在2个Movielens数据集上进行实验表明，IMSD算法较MSD算法的推荐准确度有所提高。更为重要的是，将IMSD算法进行推广应用，也能够取得较好的效果。本文将其应用于改进另外2种算法,即JAC_MSD和AC_MSD算法,并提出了2种相应的JAC_IMSD和AC_IMSD算法，发现算法的推荐准确度都有所提高。在所研究的几种算法中，AC_IMSD算法推荐准确度最优。     

基于Apriori算法的协同过滤算法改进研究

针对协同过滤算法推荐结果存在受噪音数据影响严重的问题,提出了一种基于用户项目间的关联规则集的协同过滤算法.利用经典的Apriori算法进行频繁项集合关联规则集的挖掘,利用挖掘的关联规则集进行用户间的相似度计算,相比于pearson相似等方法,基于关联规则集相似可以提高改进算法对噪音数据的抵抗力,最后进行最近邻居集计算并产生更适合用户的推荐结果.改进算法和传统算法在MovieLens数据集上的实验表明,基于Apriori算法的协同过滤算法较传统算法进一步提高了推荐准度和覆盖率.     

基于物品协同过滤推荐系统的研究

电子商务飞速发展,信息数据的递增,网络进入大数据时代。通过协同过滤推荐算法的文献综述,对协同过滤推荐算法进行了介绍,详细论述了基于物品和基于用户两种推荐算法之间的差异。并对其进行了比较分析。     

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。     

协同过滤算法中推荐集选取方法的研究

针对传统的基于余弦相似性的协同过滤算法中推荐集选取方法进行了改进,设计了一种新的评分方式预测用户对未评价项目的评分,从而增强了推荐的合理性。实验结果表明,该算法同传统协同过滤算法相比能显著提高推荐精度。     

协同过滤推荐算法综述

推荐系统是电子商务系统最重要的技术之一,协同过滤推荐是目前应用最广泛和最成功的推荐系统.介绍协同过滤推荐算法的基本思想和最新研究进展,分析目前出现的代表性算法.总结协同过滤推荐算法中的关键问题和相关解决方案,比如相似性比较,数据稀疏性问题,推荐的实时性,推荐策略,评估方法等,同时也对比分析各种方法的优缺点.最后介绍协同过滤推荐算法需要进一步解决的问题和可能的发展方向.     

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。     

基于平均差分的协同过滤推荐算法分析与研究

目前,协同过滤技术是个性化推荐系统中广泛使用的一种技术,该技术最大的优点是对推荐对象没有特殊的要求,能够处理非结构化的复杂对象,然而算法中普遍存在的数据稀疏性、可扩展性问题影响了算法的推荐效果。本文在分析了原有算法的基础上,提出了一个改进了的算法基于平均差分的组合推荐算法,这个组合算法在一定程度上缓解了原有算法的问题,提高了推荐系统的质量。     

基于综合兴趣度的协同过滤推荐算法

针对传统协同过滤方法难以准确确定目标用户的最近邻居且推荐质量不高的问题,提出综合兴趣度的概念。综合兴趣度是对用户兴趣的完整描述,在此基础上给出一种新颖的基于综合兴趣度的协同过滤算法。实验结果表明,该算法可以提高最近邻居计算的准确性,进而提高推荐质量。     

传统Item-Based协同过滤推荐算法改进

传统item-based协同过滤算法根据项目之间的相似性来选取最近邻居.然而,现存的几种相似性度量方法都存在相应的弊端,因此只根据相似性无法找到准确可靠的最近邻.根据对两项目共同评分的用户个数,建立项目近邻等级,提出了结合项目近邻等级与相似性求取最近邻的新方法.另外,对于系统中新加入的项目,因为其上评分信息的匮乏,求得的最近邻往往是不准确的.为此,提出了聚合最近邻和"集体评分"两种改进方法.在MovieLens数据集上的实验结果表明,将上述改进应用于传统itembased协同过滤算法,推荐质量有明显的提高.     

基于Hadoop平台协同过滤推荐算法

针对协同过滤推荐算法在数据稀疏性及在大数据规模下系统可扩展性的两个问题, 在分析研究Hadoop分布式平台与协同过滤推荐算法后, 提出了一种基于Hadoop平台实现协同过滤推荐算法的优化方案. 实验证明, 在Hadoop平台上通过MapReduce结合Hbase数据库实现算法, 能够有效地提高协同过滤推荐算法在大数据规模下的执行效率, 从而能够进一步地搭建低成本高性能、动态扩展的分布式推荐引擎.     

基于改进相似度计算方法的协同过滤算法研究

协同过滤算法是目前推荐系统中应用最广泛的技术,相似度的计算是该算法中关键的一步,它直接影响到后续的目标用户邻居集的选取及评分预测,最终决定着推荐的准确度。在传统的基于用户的协同过滤中,相似度的计算未考虑用户评分差异和商品的热度对相似度计算的影响。论文引入平均评分修正因子和热门商品惩罚因子,对传统的相似度计算公式加以优化。实验表明,改进后的相似度算法在电影推荐时,平均绝对误差(MAE)值较其他相似度算法更低,有着更好的推荐效果。     

一种改进的 LSH／MinHash 协同过滤算法

近年来很多基于协同过滤的推荐系统得到了成功应用,但随着系统中用户和项目数量的不断增加,相似度计算量剧增,使得协同过滤推荐系统的扩展性问题变得日益突出。本文提出改进的基于近似最近邻的LSH/MinHash算法,并运用到图书馆资源聚类中,以解决在合理时间复杂度下的高维大数据量聚类问题,降低相似度计算量,提高算法的可扩展性。实验表明此算法有较高的效率与精度。     

改进的协同过滤算法

协同过滤是众多推荐技术中最主流的推荐技术,在个性化推荐系统中起着主导作用,然而随着大数据时代的到来,信息过载问题日益严重,评分矩阵越来越稀疏,传统协同过滤算法遇到了瓶颈。为了提高稀疏矩阵下推荐系统的推荐质量,本文对传统协同过滤算法进行改进。首先对项目集进行聚类,然后利用Slope One算法对聚类后的矩阵进行填充,最后在计算相似度时引入用户对每个聚类的喜好程度作为权重。实验结果表明,改进后的算法提高了推荐系统的推荐质量,能够有效缓解评分矩阵稀疏问题。     

基于属性相似性的Item-based协同过滤算法

通过分析传统Item-based协同过滤推荐中的稀疏性问题以及新项目的冷开始问题,提出了一个基于属性相似性的Item-based协同过滤算法。该算法利用项目属性的相似性来修正原始相似性计算,综合考虑项目属性和用户评价对推荐的影响,改进了传统相似性度量方法在评价数据稀疏和新项目推荐中测量结果不够准确的问题。