基于二部图多权重投影的大数据推荐算法

基于网络结构的推荐算法存在多样性不足的问题,为此提出了一种基于二部图多权重投影的大数据推荐算法。首先,提取出数据集的基础信息,将所有的项目—用户数据输入莱文斯坦距离程序,计算各个属性之间的相似性;然后,计算二部图网络中节点之间相同邻居的数量、节点之间的共同邻居度以及每个节点的度,计算二部图网络中每条边的三重权重;最后,采用增强的二部图投影技术提取二部图网络的潜在链接,实现基于相似性的链接预测。在大数据集与小数据集上分别开展了实验,结果显示该算法的准确率与覆盖率均优于其他几种类型的推荐算法,并且优于同类型的推荐算法。     

一种融合用户与项目属性的协同过滤算法的设计与实现

针对传统的协同过滤算法存在数据稀疏、冷启动、推荐精度低等问题,提出一种充分融合用户与项目属性的协同过滤算法。利用项目属性和用户属性分别对用户相似度和项目相似度计算方法进行改进,并将用户和项目协同过滤进行组合加权,提高预测兴趣度的准确度。引入用户属性-项目类型偏好权重因子,利用天牛须搜索方法对兴趣度计算方法进行改进。实验结果表明:该算法能有效地缓解冷启动、数据稀疏对推荐系统的影响,且推荐精度有一定的提高。与传统的项目和用户协同过滤算法相比,召回率分别提高了8.65%和3.39%。     

基于随机森林修正的加权二部图推荐算法

对于基于二部图网络结构的算法忽视了兴趣偏好的影响,只考虑用户与项目之间的关系,结合随机森林分类模型和二部图网络结构,提出了一种基于随机森林修正的加权二部图推荐算法。在二部图网络结构的基础上,利用评分计算边权,充分考虑项目的度和用户共同评分项目的影响改进相似度公式。同时用随机森林算法对用户在项目特征的偏好构建分类模型,根据其对初步得出的推荐列表进行评分修正。对比在Movie Lens数据集上的实验结果,证明该方法比其他算法能够提高推荐的准确性和推荐精度。     

基于用户兴趣和项目属性的协同过滤算法

针对传统协同过滤算法不能及时反应用户的兴趣变化、时效性不足而导致推荐精度不高的问题,提出一种基于用户兴趣和项目属性的协同过滤算法。在传统协同过滤基础上综合考虑评分时间、相似度以及项目属性等因素,首先在计算相似度过程中加入基于时间的用户兴趣度权重函数,然后再与项目属性相似度进行融合,最后进行项目预测与推荐。在Movielens数据集上的实验结果表明,所提出的算法与已有的经典算法相比,平均绝对误差降低了3%~6%,有效提高了推荐的准确性。     

基于用户兴趣度的改进二部图随机游走推荐方法

传统的二部图随机游走算法主要采用基于共同项目的相似度计算,并且项目之间、用户之间的影响程度是对称的,这种对称信息不能体现用户兴趣,推荐精度不高。为了提高推荐准确性,提出一种基于用户兴趣度的二部图随机游走方法。采用共同项目和用户打分项目数量的共同性质体现用户兴趣度,分析信息的不对称性,并在二部图中随机游走。实验表明,基于用户兴趣度的二部图随机游走算法提高了预测准确率和命中率。     

用户和项目联合度对二分网络个性化推荐的影响

首先采用物质流动算法进行二部图相似系数投影,然后利用随机游走模型得到协同过滤结果。在计算相似系数时,采用了考虑用户和项目联合度分布特征的改进算法。通过数据模拟可知,在最优情况下推荐项目准确率提高了18. 19%,推荐项目多样性提高了21. 90%。对用户和项目联合度的分布进行了统计分析,结果表明,在最优情况下,其符合指数为--2. 33的指数分布。     

综合用户特征和项目属性的协作过滤推荐算法

通过分析传统协作过滤推荐算法面临的数据集稀疏性问题及当前解决方法的优缺点, 在基于项目的协作过滤推荐算法的基础上, 提出了一种综合用户特征和项目属性的协作过滤推荐算法。通过分析不同特征的用户对项目的各种属性的兴趣度, 综合已评分的项目属性预测未评分项目, 降低数据集的稀疏性, 提高项目相似度计算的准确性。在MovieLens数据集上的实验结果表明, 在数据极端稀疏的情况下, 能够有效地降低数据集稀疏性, 并在一定程度上缓解了协作过滤推荐算法中的冷启动问题, 提高了推荐算法的预测准确度。     

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.     

融合项目流行度与用户间多相似度的协同过滤算法

为进一步解决协同过滤算法中存在覆盖范围不高的问题,针对现有算法未充分考虑引入项目流行度在降低热门项目影响力的同时会普遍降低热门但评分高的项目影响力的问题,提出一种融合项目流行度与用户间多相似度的协同过滤算法.在降低热门项目影响力的同时,考虑目标用户的相似用户群体对热门项目的综合评分,动态调整推荐列表中热门项目对目标用户的影响力.算法通过融合多种改进的用户相似度来提高相似度计算精度.其中引入了用户属性相似度去除“零相似度”以缓解用户冷启动问题的影响.实验结果证明,该算法在解决冷启动问题和改善推荐覆盖率的同时,提升了推荐的准确率.     

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.     

基于粒子群优化的项聚类推荐算法

针对传统推荐算法的数据稀疏性问题和推荐准确性问题,提出基于粒子群优化的项聚类推荐算法。采用粒子群优化算法产生聚类中心,在此基础上搜索目标项目的最近邻居,并产生推荐,从而提高了传统聚类算法的推荐准确性及响应速度。实验表明改进的项聚类协同过滤算法能有效提高推荐精度。     

基于项目因子分析的Web 客户需求协同推荐算法

为解决协同过滤推荐算法中的数据量过大和数据稀疏性的问题,提出了基于项目因子分析的协同推荐算法。该算法通过采用因子分析将项目向量降维为几个具有代表性的项目因子,然后用这些项目因子对目标项目进行回归分析,进而预测目标客户对待评项目的评分。最后通过实验证明了算法的有效性,为以后研究推荐算法提供了一种新的途径。     

协同过滤算法中新项目推荐方法的研究

为了有效地解决协同过滤算法中新项目难以推荐的问题,文中提出了一种对项目矩阵进行划分的方法。其基本思想是,首先利用分类树算法划分项目矩阵并计算项目间的相似度,在此基础上缩小近邻搜索的范围和需要预测的资源数目。通过用户对已有项目的评分排列顺序和项目间相似性预测用户对新项目的评分。实验结果表明:基于项目矩阵划分的协同过滤算法有效地解决新项目推荐困难的问题,显示出了比传统推荐算法更好的推荐质量和扩展性。     

嵌入项目疲劳和多样偏好的聚合推荐算法

为了解决推荐列表偏向于热门项目，多样性差的问题，提出了ARIFDP算法（aggregation recommendation algorithm for embedding item fatigue and diversity preference）。首先通过对用户历史反馈数据分析用户的多样性偏好，得出用户的多样倾向度，进而构造了与评价次数负相关的项目疲劳函数，最终将矩阵分解与项目疲劳函数相聚合，并加入多样倾向度调节项目疲劳函数所占权重，增加了冷门项目被推荐的概率。实验结果表明，ARIFDP算法能在保证准确率的前提下有效提高推荐结果的多样性。     

基于耦合关系的加权Slope One算法*

Slope One算法就是一种基于项目的协同过滤推荐算法,它对项目属性内和属性间依赖耦合关系的考虑较为欠缺,推荐效果并不理想。基于此,本文提出一种基于耦合关系的加权Slope One算法。该算法构造了项目属性耦合关系模型和用户属性耦合关系模型,采取用户耦合相似度和项目耦合相似度对加权Slope One算法进行改进。本算法在Movielens数据集上进行验证表明具有较高的推荐准确度。     

关联项目增强的多兴趣序列推荐方法

现有基于多兴趣框架的序列推荐方法仅从用户近期交互序列中学习得到用户多兴趣表示,忽略了数据集中项目间的关联信息。针对这一问题,提出了一种关联项目增强的多兴趣序列推荐方法IAMIRec（item associations aware multi-interest sequential recommendation method）。首先通过数据集中用户交互序列计算得到项目关联集合和对应的项目关联矩阵,然后根据项目关联矩阵通过多头自注意力机制建模用户的近期交互序列,最后使用多兴趣框架学习得到用户的多个兴趣向量并进行top-N推荐。在三个数据集上对该方法进行了测试与分析,IAMIRec在recall、NDCG（normalized discounted cumulative gain）和hit rate指标上的表现均优于相关方法。实验结果说明 IAMIRec可以实现更优的推荐性能,也表明引入项目关联信息可以有效增强用户的多兴趣表示。     

基于内容预测和项目评分的协同过滤推荐

文中提出了一种基于内容预测和项目评分的协同过滤推荐算法，根据基于内容的推荐计算出用户对未评分项目的评分，在此基础上采用一种基于项目的协同过滤推荐算法计算项目的相似性，随后作出预测。实验结果表明，该算法可以有效解决用户评分数据极端稀疏的情况，同时运用基于项目的相似性度量方法改善了推荐的精确性，显著提高推荐系统的推荐质量。     

基于云模型的项目评分预测推荐算法

针对用户评分数据的极端稀疏性和传统计算项目相似性方法存在的弊端,提出一种基于云模型的推荐算法,利用云模型计算项目间的相似度来预测用户对未评分项目的评分,再通过云模型计算用户间的相似度,得到目标用户的最近邻居。实验结果表明,该算法不仅能有效解决用户评分数据的稀疏性问题,还能提高推荐系统的推荐质量。     

结合项目类别和动态时间加权的协同过滤算法

基于项目的协同过滤算法仅通过计算项目相似性产生推荐结果,忽略了项目类别信息对项目相似性的影响,且未考虑时间因素对推荐结果产生的影响。针对上述问题,引入项目类别相似性、用户兴趣度时间加权函数和项目流行度时间加权函数,提出结合项目类别相似性和动态时间加权的协同过滤推荐算法,包括将项目类别相似性引入到传统项目相似性计算中。分析用户兴趣度和项目受欢迎程度随时间动态变化对推荐结果产生的影响,构造基于时间的用户兴趣度加权函数和基于时间的项目流行度加权函数。实验结果表明,该算法的项目类别特征能够进一步提高项目相似性的精度,动态时间加权函数能够及时反映用户兴趣度和项目受欢迎程度的变化,提高推荐的准确度。     

基于项目和信任的协同过滤推荐算法

为解决冷启动用户的推荐问题,对TrustWalker算法在相似度计算、可能性项目选择和预测评分等方面进行改进,提出一种基于项目和信任的协同过滤推荐算法CoTrustWalker。采用云模型相似度方法计算项目间的相似度,通过选择最相似的若干个项目的聚合结果作为随机游走的返回结果,从而提高推荐结果的稳定性。实验结果表明,CoTrustWalker算法在小规模数据集上与TrustWalker算法相比,其推荐质量和推荐速度均有较大提高。