基于矩阵分解的协同过滤算法

协同过滤推荐算法是电子商务推荐系统中运用最成功的一种推荐技术。针对目前大多数协同过滤算法普遍存在的可扩展性和抗稀疏性问题,在传统的矩阵分解模型（SVD）的基础上提出了一种带正则化的基于迭代最小二乘法的协同过滤算法。通过对传统的矩阵分解模型进行正则化约束来防止模型过度拟合训练数据,并通过迭代最小二乘法来训练分解模型。在真实的实验数据集上实验验证,该算法无论是在可扩展性,还是在抗稀疏性方面均优于几个经典的协同过滤推荐算法。     

结合置信度和SVD的协同过滤算法

为了解决基于传统模型的协同过滤算法的数据稀疏性与冷启动问题,引入置信度参数,并结合隐式反馈信息,提出了两种基于奇异值分解(SVD)的协同过滤算法,CSVD和NCSVD.CSVD算法在基于偏置的矩阵分解模型上引入了置信度参数,以改进模型偏置项没有针对物品规模根据每个评分调整偏置权重的问题,NCSVD在此基础上引入隐式反馈信息,改善了冷启动问题,在真实数据集上的实验证明表明,其能有效提高SVD系列算法的推荐精度.     

兼顾用户话语权的改进加权Slope-One协同过滤推荐

针对协同过滤算法中数据稀疏性导致的推荐结果精确度不高的问题,本文提出一种改进的加权Slope-One算法填充评分矩阵.首先,利用用户的评论次数信息区分用户活跃度,然后,在加权Slope-one算法考虑不同项目之间评分用户数量差异影响的基础上,进一步考虑不同活跃度的用户话语权差异对评分预测的影响,提出了兼顾用户话语权的加权Slope-One算法,最后,基于Movie-Lens和Amazon-Clothes两个不同商品品类的数据集,对4种协同过滤算法进行了不同填充比例和不同最优近邻数情况下的仿真实验.仿真对比发现：在仿真实验确定的最优矩阵填充比例和最优近邻数的情况下,相比加权Slope-One协同过滤、原始协同过滤、基于奇异值分解的协同过滤等推荐算法,引入本文所提出的改进加权Slope-One的协同过滤推荐算法,在数据稀疏度不同的两个数据集上的MAE值都更低,说明本文算法能够有效降低数据稀疏性并达到了提高推荐精确度的目的.     

基于协同过滤算法的短视频推荐模型应用研究

为进一步提高短视频推荐效果,基于协同过滤算法,构建一种短视频推荐系统。其中,引入奇异值分解(SVD)以及惩罚因子对传统协同过滤算法进行优化,以解决数据存在的稀疏问题和长尾效应。仿真结果表明,与传统的协同过滤算法相比,提出的改进协同过滤算法性能更优,算法的RMSE值为0.948;与传统的推荐模型相比,提出推荐模型能够更加准确地进行用户视频评分预测,表明能够更加准确地向用户推荐其喜好的短视频。以上结论表明,使用提出的推荐模型能够取得更好的推荐效果,能够向用户推荐更加符合其喜好的视频,具有一定的实际应用价值。     

基于Hadoop分布式改进聚类协同过滤推荐算法研究

为了改善协同过滤推荐算法在大数据下的稀疏性和可扩展性问题,提出一种基于Hadoop平台的分布式改进聚类协同过滤推荐算法。在分布式平台下,离线对高维稀疏数据采用矩阵分解算法预处理,改善数据稀疏性后通过改进项目聚类算法构建聚类模型,根据聚类模型和相似性计算形成推荐候选空间,在线完成推荐。实验验证该算法能够有效改善推荐系统的推荐质量并大大提高推荐效率,同时在云环境中具有良好可扩展性。     

结合CFDP与时间因子的协同过滤推荐算法

在这个网络数据呈现爆炸式增长的时代,如何利用用户行为数据,对每位目标用户进行精准的项目推荐是一个极有价值的研究方向。协同过滤推荐算法作为最常见的推荐算法之一,如何对传统的协同过滤算法进行优化,便是该文的研究内容。针对传统协同过滤算法存在的数据稀疏、冷启动以及实时性问题。采用CFDP算法对项目集合进行聚类,并对采用Slope-One算法进行数据填充,有效地缓解了数据稀疏以及冷启动的问题。针对传统算法的实时性问题,引入了时间因子,对每一项预测评分都乘以时间权重,使得预测评分更加科学准确,解决了推荐系统的实时性问题。采用MovieLens 1M数据集分别对传统协同过滤算法以及改进协同过滤算法进行对比实验,得出新算法的平均绝对偏差MAE要小于传统的协同过滤推荐算法,表明改进算法有效地优化了传统算法。     

基于产品分类的协同过滤算法应用研究

为了解决稀疏性问题和可扩展性问题,提高推荐的质量,在传统协同过滤算法的基础上,引入产品分类技术与Web使用挖掘技术.在详细阐述算法的基础上,通过实验数据验证该算法的推荐性能.实验结果表明,引入产品分类和Web使用挖掘技术后,协同过滤算法的性能有了显著的提高,很好地改善了其稀疏性问题和可扩展性问题.     

自适应人工免疫网络在协同过滤推荐中的应用

为解决协同过滤技术中存在的稀疏性、可扩展性问题,提出了一种基于自适应人工免疫网络的协同过滤算法.该算法将协同过滤推荐技术与自适应人工免疫网络相结合,利用人工免疫网络自身的克隆变异机制产生隐式评价来降低数据稀疏性,利用克隆抑制、网络抑制机制减少数据维度来提高可扩展性.实验结果表明,该算法提高了推荐精度,具有一定的实际意义.     

基于异构信息网络的模糊贴近度推荐算法

针对传统协同过滤算法在用户推荐过程中数据稀疏性、可扩展性、用户兴趣迁移变化等问题,提出一种基于异构信息网络的模糊贴近度推荐算法。在k-means聚类算法基础上构建新的异构信息网络,利用关系抽取的方式构造用户属性权重矩阵;引入模糊贴近度综合分析元路径属性权重的影响,寻找近邻用户;采用Top-N算法排序进而完成推荐,并进行准确性验证。在Epinions数据集上的实验结果表明,在推荐质量和速度上,所提推荐算法较传统推荐算法更优。     

多维度自适应的协同过滤推荐算法

传统的协同过滤推荐算法明显存在的缺点是数据稀疏性导致所求相似性的不准确,影响最终推荐质量.本文围绕其局限性展开研究,提出一种多维度自适应的协同过滤推荐算法,有机结合三种推荐模型——基于用户、基于项目以及基于评论的相似性计算,将观点挖掘技术运用到协同过滤推荐算法中,并通过动态度量方法自动确定三个维度的权重产生最终推荐.实验结果表明,该算法可以有效缓解用户评分数据稀疏带来的不良影响,提高预测准确率和推荐质量.     

改进的基于符号数据的协同过滤推荐算法

随着用户和资源种类的不断增加,评价矩阵的稀疏性问题越来越突出,严重影响了推荐系统的推荐质量。奇异值分解(SVD)是一种对数据进行降维处理的方法,符号数据分析(SDA)是一种处理海量数据的全新数据分析思路。提出一种改进的基于符号数据的协同过滤推荐算法,即将奇异值分解和符号数据分析方法结合起来运用到推荐系统中。在EachMovie 数据库集上的实验结果表明该算法在数据稀疏时的推荐质量明显优于传统的推荐算法。     

基于SVD与模糊聚类的协同过滤推荐算法

协同过滤为个性化推荐解决信息过载问题提供了方案,然而也存在着数据的稀疏性、可扩展性等影响推荐质量的关键问题.我们提出了一种基于奇异值分解（SVD）与模糊聚类的协同过滤推荐算法,通过引用物理学上狭义相对论中能量守恒的方法以保留总体特征值的数目,较为准确地确定降维维度,实现对原始数据的降维及其数据填充.另外,再运用模糊聚类的方法将相似用户进行聚类,从而达到减少邻居用户搜索范围的目的.在MovieLens与2013年百度电影推荐系统比赛等不同数据集上的实验结果表明,该算法能够提高推荐质量.     

个性化搜索引擎推荐算法研究*

将个性化引入搜索引擎出现了稀疏性、精确性、扩展性等新问题。针对以上问题,提出了一种基于SVD（单值分解）影响集的协作过滤推荐算法,在利用矩阵相关技术以及扩大影响的基础上,将用户潜在感兴趣的资源推荐给用户。实验表明,该算法可有效解决以上存在的问题,显著提高个性化系统的推荐质量。     

一种混合模式的协同过滤算法

当今是一个数据爆炸时期,促进信息过滤技术发展,个性化推荐系统作为其中一种重要的应用方式,已经成为很多网站一种个性化信息服务方式,但传统的协同过滤算法存在扩展性和稀疏性的问题。提出一种基于项目聚类、项目语义相似度和奇异值分解的混合推荐模型,来应对传统的协同过滤推荐系统面临的算法的伸缩性问题、数据稀疏性问题和推荐的精准度问题,进行推荐。结果表明,与传统的算法相比,使用该改进算法能显著地提高推荐系统的推荐质量。     

基于用户实时反馈的协同过滤算法

传统的基于内存的协同过滤算法存在可扩展性不足的问题,而基于模型的协同过滤算法由于模型数据的滞后,造成推荐质量不高。针对以上情况,提出一种基于用户实时反馈的协同过滤算法,该算法在用户提交项目评分之后能实现对推荐模型数据的实时更新,从而更精确地反映用户的兴趣变化。实验结果表明,该算法能够有效地提高推荐精确度并且大幅地缩短了推荐时间。     

基于Mahout分布式协同过滤推荐算法分析与实现

随着信息技术和互联网的发展,在信息过载的时代,用户面对海量的信息,难以正确选择。协同过滤推荐是个性化推荐中比较成熟的算法,但其稀疏性、冷启动、可扩展性问题仍然存在,尤其是不能应用于分布式推荐。在Hadoop平台上,Mahout实现了分布式基于项目的协同过滤推荐算法,该算法能够有效解决传统算法的海量数据处理的效率问题和可扩展性问题。实验结果表明,Mahout上基于项目的协同过滤推荐算法具有较好的计算高效性和可扩展性。     

基于聚类和用户偏好的协同过滤推荐算法

协同过滤推荐算法使用评分数据作为学习的数据源,针对协同过滤推荐算法中存在的评分数据稀疏以及算法的可拓展性问题,提出了一种基于聚类和用户偏好的协同过滤推荐算法。为了挖掘用户的偏好,该算法引入了用户对项目类型的平均评分到评分矩阵中,并加入了基于用户自身属性的相似度;同时,为了降低数据稀疏性,该算法使用Weighted Slope One算法填充评分数据中的未评分项,并通过融入密度和距离优化初始聚类中心的K-means算法聚类填充后的评分数据中的用户,缩小了相似用户的搜索空间;最后在聚类后的数据集中使用传统的协同过滤推荐算法生成目标用户的推荐结果。通过使用MovieLens100K数据集实验证明,提出的算法对推荐效果有所改善。     

融合用户特征优化聚类的协同过滤算法

针对推荐系统领域中应用最广泛的协同过滤推荐算法仍伴随着数据稀疏性、冷启动和扩展性问题,基于用户冷启动和扩展性问题,提出了基于改进聚类的PCEDS(pearson correlation coefficient and euclidean distance similarity)协同过滤推荐算法。首先针对用户属性特征,采用优化的K-means聚类算法对其聚类,然后结合基于信任度的用户属性特征相似度模型和用户偏好相似度模型,形成一种新颖的PCEDS相似度模型,对聚类结果建立预测模型。实验结果表明:提出的PCEDS算法比传统的协同过滤推荐算法在均方根误差(RMSE)上降低5%左右,并且推荐准确率(precision)和召回率(recall)均有明显提高,缓解了冷启动问题,同时聚类技术可以节省系统内存计算空间,从而提高了推荐效率。