语义相似性与协同过滤集成推荐算法研究

基于项目协同过滤算法能提高基于用户协同过滤方法的扩展性问题,并考虑项目之间的关系避免计算用户之间关系的瓶颈,但基于项目协同过滤算法依然存在稀疏性和新项目预测等问题。为了解决这些问题,该文采用了一种基于项目的结构化语义信息的集成相似性算法。为了抽取项目的语义信息,通过本体学习建立特定领域本体并利用包装器代理从网站中抽取本体类的实例和项目属性。实验结果证明了此方法不仅能很好的解决基于项目协同过滤算法带来的问题,而且还提高了推荐精度。     

基于项目语义相似度的协同过滤推荐算法

协同过滤是个性化推荐系统中最广泛使用的推荐技术.在用户评分矩阵极度稀疏情况下,传统的协同过滤推荐算法中用户相似度的计算建立在用户评分项目交集之上,并且没有考虑不同项目之间存在的语义关系,从而导致推荐准确率低.针对上述问题,文章提出一种新的基于项目语义相似度的协同过滤算法(CFSSI,collaborative filtering basedon semantic similarity between Items):首先利用领域本体计算项目之间的相似性,填充评分矩阵缺失值,而后根据修正的余弦相似度计算用户相似性.实验结果表明:算法可以在用户评分数据极端稀疏的情况下,仍能取得较高的推荐质量.     

基于KL散度的用户相似性协同过滤算法

大多数用户相似性算法在计算用户相似性时只考虑了用户间的共同评分项,而忽略了用户其他评分中可能隐藏的有价值信息.为了准确评估用户间的相似性,提出了一种基于KL散度的用户相似性协同过滤算法.该算法不仅利用了共同评分项,还考虑了其他非共同评分信息的影响.该算法充分利用了用户的所有评分信息,提高了用户相似性度量的可靠性和准确性.实验结果表明,该算法优于当前主流的用户相似性算法,且在没有共同评分信息的条件下,仍能有效地完成用户相似性度量,解决了对共同评分项的完全依赖问题,具有更好的适应性.     

基于辅助项目评分的协同过滤推荐算法

协同过滤技术是目前电子商务推荐系统中主要的技术之一,随着系统规模的日益扩大,其面临数据稀疏性和冷开始等问题。针对上述问题,提出了一种改进的协同过滤推荐算法。新算法是在传统协同过滤推荐算法的基础上增添辅助项目评分支持环节,加入辅助项目的评分信息对产品项目评分数据库进行补充。实验结果表明,改进的算法有效地解决了由于产品评分数据的稀疏而造成的推荐质量下降的问题,提高了推荐系统的推荐质量。对经济实力较弱的企业通过推荐系统推动电子商务的发展具有一定的参考价值。     

一种基于模糊信息熵的协同过滤推荐方法

针对评分数据的稀疏性制约协同过滤推荐性能的情况,提出一种新的相似性度量方法。首先,定义了用户的模糊信息熵以反映用户评分偏好的不确定程度;其次,利用两两用户的模糊互信息衡量用户之间的相似程度;最后,同时考虑用户之间的模糊互信息和用户的模糊信息熵,并设计一种基于模糊信息熵的相似性度量方法以计算用户之间的相似性。在两个公开数据集上的试验结果表明:基于模糊信息熵的相似性度量方法能够降低数据稀疏性的影响,并能显著提高推荐系统的推荐性能。     

基于Python的推荐系统相似性分析和协同过滤

推荐系统是根据用户在电子商务网站上的购买和浏览记录,将用户感兴趣的物品主动推荐给用户。有两种主要的推荐方法,一种是基于用户相似的推荐,一种是基于项目相似的推荐。文中介绍了计算用户或项目的相似程度的常用方法,诸如欧式距离、曼哈顿距离、皮尔逊相关系数、余弦相关性等算法。在本章的最后,还给出了一个基于项目协同过滤的推荐系统的Python分析和计算。     

一种改进的协同过滤推荐算法

针对User-based协同过滤推荐和Item-based协同过滤推荐算法的不足,提出了一种改进的推荐算法。该算法融合User-based协同过滤推荐和Item-based协同过滤推荐算法思想,通过形成项目相似集来填充用户评分矩阵,并利用高评分阈值来计算用户相似性,有效改善了传统协同过滤推荐算法的数据稀疏性和实时性。实验结果表明,该算法可以显著提高推荐系统的推荐质量。     

基于用户角色与行为的协同过滤推荐算法

针对传统协同过滤推荐算法中存在评分数据稀疏性问题,以稀疏的用户打分来确定用户间的相似性可能并不准确.为此,提出了以用户行为对应一定分值代替空缺评分的方法来修正用户I-U评分矩阵,并基于用户角色以权重系数K来约束最近邻的计算.实验表明,改进的算法具有更优的推荐质量.     

基于改进协同过滤算法的推荐系统设计与实现

随着科技的发展以及信息化时代的到来,网络数据已由单一性向着复杂性、全面性转变,在大量冗余信息中提炼出有用数据,并进行精准推荐,解决信息过载问题是研究的重点.传统的协同过滤算法,通过研究相似用户的兴趣偏好进行相似性计算,忽略了时间因素以及项目属性对用户的影响,进而造成数据的稀疏性;且当引入新项目时无法及时的进行推荐,导致...     

融合项目属性特征的SVD协同过滤推荐算法研究

针对协同过滤方法中用户-项目评分矩阵的极端稀疏性问题,提出了一种基于层次的混合推荐方法.首先利用TF-IDF提取项目属性特征,并利用余弦相似度对评分矩阵的缺失值进行填充;然后通过对填充的矩阵做SVD,寻找隐性特征,建立隐语义模型;最后将本文的算法分别与众数填充和无填充模型进行对比实验,结果表明本文提出的方法有效提高了推荐的精度.     

协同过滤算法的电视节目推荐策略

进入大数据时代,信息超载会对用户造成严重影响,个性化推荐是解决此问题的一个非常有效的办法。协同过滤算法大量应用在个性化推荐系统中,但由于家庭对象并非独立个体,传统的家庭电视节目推荐方法不能根据用户的多样化偏好进行推荐,故提出了基于物品属性和用户偏好相结合的推荐方法。仿真实验结果表明,该方法能够高效和准确地进行电视节目推荐。     

融合用户属性的协同过滤推荐算法在政府采购中的应用

在政府采购领域,由于数据不包含采购单位对采购商品的评分,而且目前无法获取用户的行为数据,故在实施推荐时,传统的用户相似度计算方法存在不足。针对该问题,在Jaccard系数计算方法的基础上,考虑采购单位固有的属性信息,对传统的用户相似度计算方法进行了改进,并提出了一种融合用户自身属性的基于用户的协同过滤算法。实验结果表明:本算法在一定程度上提高了系统的推荐质量。     

基于信息熵的协同过滤算法

针对用户评分数据的稀疏性制约着系统的推荐质量的问题,提出了一种基于信息熵的协同过滤算法。首先定义了用户信息熵以反映用户评分分布和倾向程度;然后,利用大间隔的方法计算目标用户与其他用户的间隔距离,结合目标用户的信息熵,得到目标用户的近邻选择范围;最后,同时考虑用户的信息熵和用户间的相似性大小得到目标用户的近邻集合,以降低数据稀疏性对推荐结果的影响。试验结果表明:基于信息熵的协同过滤算法能够有效地提高推荐质量。     

基于用户兴趣评分填充的改进混合推荐方法

针对传统协同过滤推荐方法中的用户项目评分数据稀疏和推荐准确度不高的问题,提出了一种基于用户兴趣评分填充的改进混合推荐方法。首先,分析用户对项目类型的偏好,计算用户兴趣评分并进行矩阵填充;然后,考虑用户主观评分差异化及项目自身质量的影响,对传统皮尔逊相关系数进行改进,并基于已填充评分矩阵进行用户相似性及项目相似性计算;在此基础上分别基于用户和项目两个方面进行评分预测,并将两者的预测评分进行加权求和,进而进行混合推荐;最后,以Movielens100k为数据集进行实验,先分析了用户兴趣评分矩阵的填充效果,再将文中方法和传统协同过滤混合推荐方法以及文献中提出方法进行了对比分析。实验结果表明;提出的评分矩阵填充方法能有效缓解数据稀疏的影响,填充效果优于传统评分矩阵填充方法;提出的改进混合推荐方法（IHRIRF）比传统的混合协同过滤推荐方法HCFR及WPCC方法具有更好地推荐效果。     

一种基于时间加权和用户特征的协同过滤算法

协同过滤算法是目前个性化推荐系统中应用最成功的推荐算法之一,但传统协同过滤算法很少考虑到用户兴趣随着时间变化以及用户特征与兴趣的关联性两方面的问题。针对该问题提出了一种基于时间加权和用户特征的协同过滤算法,首先通过定义时间指数函数反映兴趣随时间增长的变化,然后建立用户的特征矩阵,最后采用一种新的相似度度量方法计算出目标用户的最近邻居集合。实验结果表明该算法推荐平均绝对误差(MAE)比传统算法降低了12%,推荐质量较传统算法有明显提高。     

一种基于用户兴趣联合相似度的协同过滤算法

在推荐系统中数据稀疏性和推荐时效性是经常面对的问题,为了更好地反映不同用户在不同阶段的邻域相关性,从而能够挖掘出评分项目中所隐含的个性化信息,在基于用户的协同过滤算法预测评分过程中将联合相似度与用户兴趣的时序信息相结合,首先融合覆盖评分信息的用户间的协同相似度、偏好相似度和轨迹相似度等3种相似度,通过参数调节不同度量的权重及相似度阈值形成联合相似度以获取用户有效的邻居数目;其次在联合相似度计算过程中引入反映时间权重的Logistic函数以提高推荐的时效性;最后进行实验,结果表明,所提出的方法与经典算法相比,不仅提高了精度,而且可以更有效地预测用户的真实评分。     

一种改进的协同过滤图书推荐算法

随着图书馆文献资源和评价信息的日益丰富和增长,图书推荐系统已成为目前最受读者欢迎的应用。传统的推荐算法通常采用协同过滤算法基于相似性为用户推荐适合的书单,但评价数据的稀疏特征和推荐中过拟合等因素会影响推荐系统的准确性,导致推荐的质量较差。为此,提出一种基于用户数据处理的增强协同推荐算法,通过剔除不相关用户来降低稀疏性和过拟合问题,并基于图书馆采集的评价信息作为验证数据,将该算法与传统算法进行比较,实验表明,在RSME、准确率和召回率等指标方面有较大的提升。     

基于用户特征和时间权重的协同过滤算法

为了解决传统算法中寻找最近邻居不准确和用户兴趣随时间变化而迁移的问题,提出一种基于用户特征和时间权重的协同过滤算法。文中首先把Movie Lens数据集中用户特征信息数字化,求出用户特征相似性,将其加入到修正的余弦公式中,得到一种新的用户相似度,以找到更加准确的最近邻居集;然后通过引入时间函数来反应用户的兴趣迁移,再根据预测评分公式来获得更加准确的预测评分;最后给用户生成一个较可靠的推荐结果。实验结果表明,该方法取得了较好的效果且平均绝对误差(MAE)值达到72.57%。