基于移动用户上下文相似度的协同过滤推荐算法

该文面向移动通信网络领域的个性化服务推荐问题,通过将移动用户上下文信息引入协同过滤推荐过程,提出一种基于移动用户上下文相似度的改进协同过滤推荐算法。该算法首先计算基于移动用户的上下文相似度,以构造目标用户当前上下文的相似上下文集合,然后采用上下文预过滤推荐方法对移动用户-移动服务-上下文3维模型进行降维得到移动用户-移动服务2维模型,最后结合传统2维协同过滤算法进行偏好预测和推荐。仿真数据集和公开数据集实验表明,该算法能够用于移动网络服务环境下的用户偏好预测,并且与传统协同过滤相比具有更高的推荐精确度。     

基于组合优化理论的协同过滤推荐算法

针对传统推荐系统中的协同过滤推荐算法无法解决数据间的高度稀疏问题,采用余弦相似性度量运算的物品相似性误差较高,导致系统推荐质量降低,提出基于局部组合优化的协同过滤推荐算法,其改进了物品间相似性的运算,为了解决数据稀疏性问题,选择目标的近邻对象时利用局部优化方法选择推荐群,降低了预测的误差,确保误差值收敛到某固定值,并采用基于内容的方法调整协同过滤预测存在的异常预测结果。实验结果表明,所提算法抑制了数据稀疏性的不利影响,提高了协同过滤预测评分的准确度。     

基于协同过滤推荐技术的作业资源个性化推荐系统的设计与研究

个性化推荐系统在电子商务领域已经获得成功应用。受其研究领域中相关研究启发,我们尝试在作业资源管理系统中引入协同过滤推荐算法,对协同过滤算法的工作原理、实现方法和存在问题等进行阐述和分析,并提出对存在问题的改进策略。将优化后的推荐技术融入到作业管理的整个流程中去,设计了基于协同过滤技术的作业资源推荐系统的理论模型,并结合作业流程详细说明推荐的实现过程。     

基于用户的协同过滤推荐算法研究及应用

随着互联网技术飞速发展,信息过载问题日益严重,对个性化推荐系统的研究已成必然趋势。为了提高传统协同过滤算法的准确性,本文提出基于人口统计与惩罚函数的协同过滤算法,先引入惩罚函数缓解传统推荐算法的数据稀疏性问题,再引入人口统计信息来进一步减少数据稀疏性问题对预测结果带来的影响,从而提高预测的准确性。实验验证表明,提出的改进算法能有效提高协同过滤算法预测的准确率。     

结合物品属性权重的混合推荐算法

自推荐系统被提出以来,各类算法层出不穷,各有利弊.数据稀疏性和冷启动问题是大部分推荐算法存在的缺点,将各类推荐算法混合,扬长避短,能很好的解决这些问题,传统的混合算法是将几种方法进行简单的线性组合.本文将物品属性权重引入相似性计算,再将改进的余弦相似性与之结合,生成一种动态的计算物品相似度的算法,将基于物品的协同过滤和基于内容的推荐的算法进行结合.实验数据表明该算法提高了推荐准确性的同时,还有效缓解了数据稀疏性和冷启动问题.     

融合时间因素的隐语义模型推荐算法

针对传统推荐算法中存在数据稀疏和精确度不高的问题,提出一种融合时间因素的隐语义模型推荐算法,在隐语义模型中引入时间偏置项体现时间推移对用户兴趣偏好的影响,解决数据稀疏问题的同时降低时间推移造成的误差,结合基于邻域的协同过滤模型求出目标用户推荐列表。采用Movielens1M数据集验证算法的有效性,实验证明该算法与基于用户的协同过滤算法以及基于隐语义模型的推荐算法,能有效解决数据稀疏问题,在准确率、召回率和综合F值上分别比基于用户的协同过滤算法提高1.66%、2.12%、2.04%,比基于隐语义模型的推荐算法分别提高1.38%、1.48%、1.49%,能够进一步提高推荐系统的准确性及推荐质量。     

Hadoop环境下协同过滤算法改进与实现

协同过滤算法被成功的应用于个性化推荐系统中。但是传统的协同过滤算法没有考虑用户兴趣会根据时间的推移发生兴趣偏移问题,导致推荐系统的推荐质量下降,而且随着数据量的不断增大,传统的基于单机模式的推荐计算模式已经无法适应大数据。针对该问题,提出了在Hadoop分布式环境下基于时间加权的协同过滤算法设计和实现,实验表明,改进的算法可以在Hadoop分布式环境下对海量数据进行计算生成推荐结果,而且提高了推荐系统的推荐质量。     

结合关联规则填充的协同过滤改进算法

为了改善传统个性化推荐中协同过滤算法存在的诸如用户和项目评分矩阵稀疏、推荐准确度不高、冷启动等问题,提出一种结合关联规则填充对协同过滤推荐算法进行改进的方法。这种算法是在协同过滤算法的第一步前加入通过关联规则得到的结果,预测一些没有评分值的项目,将新得到的数据填充到原用户-项目评分矩阵中,降低评分矩阵的稀疏性,从而提供更多数据的相似性计算,在此基础上再结合基于传统项目的协同过滤算法对用户进行推荐。通过MovieLens数据集进行实验对比,结果显示文中提出的算法与传统算法相比,推荐系统的准确性和有效性显著提高。     

支持用户属性特征联合聚类的协同过滤算法

个性推荐技术,可针对海量的数据实现快速准确的推荐。目前,协同过滤算法作为主流推荐技术,却存在着冷启动、数据稀疏和可扩展性等问题。虽然联合聚类协同过滤算法在解决可扩展性与数据稀疏方面有一定的效果,实时性高,但很难获得全局最优结果。因此,文中提出支持用户属性特征联合聚类的协同过滤算法以联合聚类为基础,融合了基于内容的推荐算法的优点,并经进一步改进以完成高准确率的推荐。实验结果表明,该算法实时响应快,一定程度上克服了冷启动和数据稀疏问题,且推荐质量较高。     

基于协同过滤的推荐算法研究

随着互联网时代WEB2.0技术的到来,信息过载问题要通过协同过滤推荐系统算法有效地解决。文章分析了基于协同过滤的推荐算法研究的意义和基于协同过滤的推荐算法研究的现状,根据推荐系统和协同过滤算法的特点,分别对融合社交网络信息的协同过滤算法、融合基于用户和基于项目协同过滤算法进行简单的研究和分析。     

多元协同过滤推荐算法在医科类执业资格考试中的应用

本文提出了一种面向医学类执业资格考试应用的多元协同过滤推荐算法,该算法通过构建学生知识点掌握概率模型,综合考虑执业资格知识点的权重、知识点难易程度、错误率多个因素,将多个因素作为权重因子对基于用户的协同过滤推荐算法进行改进,把多元协同过滤推荐算法应用在执业职格考试系统中。该算法使教师根据分析结果掌握学生普遍存在的课程薄弱知识点,及时调整教学内容和教学方法。使学生根据推荐结果精准把握执业资格考试未掌握的相关知识点,及时调整学习侧重点,增强学习的针对性。实验采用医学高职院校2016-2018三年毕业生医师资格考试医学综合考试为实验数据,最终实验结果验证了多元协同过滤推荐算法可以有效提高学生助理执业医师资格考试成绩。     

基于内容和协同过滤的科技文献个性化推荐

随着近年来科技的蓬勃发展,我国积累的科技文献资源数据规模逐年递增,日渐庞大。为了提高科技文献资源的利用率和科技服务的质量,对推荐系统需求越发迫切。文中将基于内容的方法和协同过滤相结合,取长补短,来实现科技文献的个性化推荐。TF-IDF算法用于提取科技文献的内容特征,SVD算法用于对评分矩阵进行分解。     

基于链路预测的推荐方法研究

推荐系统在数字化环境中能够提供有价值的服务,并且在图书、电影和音乐等在线产业中取得了巨大的商业成功。大多数推荐系统采用协同过滤算法,通过分析用户和物品之间的交互行为推理用户的兴趣和偏好。协同过滤算法的推荐效果受到数据稀疏性问题的影响很大。为了解决这个问题,文章使用一种基于图的方法探索用户和物品之间的交互。文章采用二分网络链路预测的方法对用户进行物品推荐,并与协同过滤方法进行了比较,通过在豆瓣数据集上的实验结果表明,基于链路预测的方法比标准的协同过滤方法要好。     

移动用户餐饮个性化需求推荐研究

在个性化推荐系统中,协同过滤技术是应用最成功的技术。协同过滤技术包含几种典型代表,基于用户的协同过滤、基于内容项的协同过滤、基于关联规则的协同过滤等,这些方法都有各自的优缺点和应用领域。通过对传统协同过滤算法进行分析,根据移动用户餐饮个性化的特点,引入杰卡德系数,将杰卡德系数引入到协同过滤中并对算法进行改进,最终在移动用户餐饮个性化推荐中取得了较为理想的效果。     

基于协同过滤改进的电子商务个性化推荐算法的研究

协同过滤技术一直受到世界各方的广泛关注与研究,但是该算法本身存在冷启动,数据稀疏的情况下易引发推荐效果差等各种问题。针对上述问题,改进了分层聚类的准则,弥补两种常用的分层聚类算法的不足,并将这种优化后的准则与融合了基于用户和基于项目的推荐结合,提出一种带有改进后分层准则的分层聚类组合性协同过滤推荐算法。实验结果表明,该优化后的个性化推荐算法能将相似性把握更精确,推荐效果显著提升。     

基于协同过滤推荐的SNS网站好友系统优化方法

现有SNS网站好友系统一般采用的策略是用Hash散列算法将用户随机分配到多台服务器上。本文提出一种基于协同过滤推荐的分配策略,该方法是根据基于项目类别相似性的协同过滤算法。推荐给用户最合适的网络社团,并将相同网络社团内用户分配到同台服务器上。该技术成果应用于国家863科技项目（基于高可信网络的视频分享）。     

异质社交网络中多通道特征融合的好友推荐模型

合理有效的好友推荐算法对于社交网络的发展和扩张有重大的意义。然而随着社交网络的复杂化和异质化,传统推荐系统中协同过滤推荐方法不能满足需求。针对异质社交网络中存在着大量的内容相关信息这一特点,根据好友推荐的需求,提出了多通道特征融合的好友推荐模型。该模型对用户相关的多维特征进行挖掘与利用,包括显性特征(如用户profile,用户tag,社交关系等)和隐性特征(如用户重要度,挖掘用户标注发现其领域兴趣等),并进一步将这些内容相关的多特征融合到协同排序算法中进行学习训练。实验结果表明,随着多个内容特征的逐步融合,算法的MAP值稳步提高,最终相对未融合的协同排序方法提高了12%,并在一定程度上的解决了冷启动问题,提高了好友推荐的多样性。     

一种改进的混合协同过滤推荐算法

传统协同过滤算法存在着相似度计算差和因数据稀疏而导致推荐信息不准确问题。文中通过改进相似度计算方法,提出新的混合协同过滤算法框架,以提高推荐质量。其中,对相似度计算方法的改进采用加权方式,而新的框架是将基于内存的两种协同过滤算法进行结合,最终得到一种混合协同过滤算法。通过Netflix提供的数据集进行实验,实验结果表明,该算法相比于传统协同过滤算法有更好的效果。     

基于领域本体的个性化推荐在健康系统中的研究

协同过滤技术(Collaborative Filtering)成功应用于个性化推荐系统中,为了用户能更准确地获取信息,提出了利用领域知识进行相似度计算的协同过滤算法,利用用户兴趣与领域本体中概念的映射关系,构建用户兴趣本体,发掘用户兴趣模式,通过融合评分项目相似度和用户相似度的计算,使用户在评分的共同项目很少或为零的情况下也能找到最近邻进行协同推荐.将这一方法应用到某健康系统中进行实验分析,该方法不仅解决了传统的基于项目的协同过滤带来的问题,而且还提高了推荐系统的推荐质量.     

SBHCF:基于奇异值分解的混合协同过滤推荐算法

针对传统协同过滤中的最近邻查找不够合理导致推荐的准确率较低的困境。提出一个基于矩阵分解的混合相似度算法。该方法融合了基于模型的奇异值矩阵分解算法和基于近邻的协同过滤算法皮尔逊相关系数,并引入阈值和杰卡德系数对相似度进行修正。在公共有效数据集上的实验表明,所提出算法的平均绝对误差比传统的推荐算法至少降低了7.7%,有效提高了推荐准确率。