基于用户行为模型和蚁群聚类的协同过滤推荐算法

协同过滤技术是推荐系统中应用最为广泛的技术之一,用户的相似性度量是整个算法的核心要素,会对推荐算法准确率产生很大的影响.传统的协同过滤算法过度依赖用户评分机制,影片自身的标签信息没有被考虑为一个影响因素,在用户聚类时采用K近邻算法,会由于评分矩阵过于稀疏而难以收敛.同时,传统推荐技术仅基于用户历史行为进行推荐,无法为新用户提供合理的推荐.针对以上问题,提出了一种基于用户行为建模的蚁群聚类和协同过滤算法相结合的影片推荐技术.     

基于时间效应的协同过滤算法

协同过滤算法已被成功应用在个性化推荐系统中,但传统的协同过滤算法很少考虑时间因素的影响,难以确保最近邻集的准确性和可靠性。虽然很多文献提出了各种改进推荐算法,但仍然没能在计算中有效地将时间因素和用户评分综合起来。因此,在原有的工作基础上提出基于时间效应的协同过滤算法,将时间因素纳入用户预测评分和用户相似性计算中,并综合这两个因素来动态分配每一项评分的权重,采用预测评分填充用户-项矩阵和二次计算用户相似性矩阵的方法,最终得到Top-N推荐集。实验表明,改进后的算法提高了推荐算法的精度和推荐质量。     

基于用户兴趣分类的协同过滤推荐算法

在现代信息网络中,个性化的推荐系统已经成为用户和应用软件交互的关键部分.推荐算法是个性化推荐系统的核心,其中,协同过滤算法是至今应用最为成功的推荐算法之一.但传统的协同过滤算法没有考虑用户兴趣的多样性,对用户兴趣度量不准确,难以适用于用户多兴趣的推荐系统,提出了适应用户兴趣多样性的协同过滤算法并利用改进的模糊聚类算法搜...     

线性逐步遗忘协同过滤算法的研究

协同过滤系统是目前最成功的一种推荐系统,但是传统的协同过滤算法没有考虑用户兴趣变化问题,导致用户兴趣发生变化时的推荐质量较差。该文借鉴心理学遗忘规律,提出了线性逐步遗忘协同过滤算法。该算法依据评价时间线性逐步减小每项评分的重要性。基于MovieLens数据集的实验结果表明,该算法在准确性方面优于传统的协同过滤算法。     

融合时间衰减函数的改进协同过滤算法

大数据时代数据量呈爆发式增长,为帮助人们在海量数据中获取自己所感兴趣的信息,推荐系统应运而生.协同过滤在推荐系统中应用广泛,针对传统协同过滤推荐算法数据稀疏、推荐精度较低,不能及时反映用户的兴趣度变化以及时效性不足等缺点,提出了一种融合时间衰减函数的改进协同过滤推荐算法.此算法在传统协同过滤算法的基础上综合考虑了时间因...     

基于用户特征和用户兴趣变化的协同过滤推荐

协同过滤系统是目前最成功的一种推荐系统,但是传统的协同过滤算法没有考虑用户兴趣会随时间发生变化以及类似特征用户对用户相似度精度具有影响等因素,导致推荐质量较差。该文结合用户兴趣变化和用户特征两个因素,提出了新的用户之间相似度计算方法用来提高协同过滤推荐质量。     

基于用户特征和用户兴趣变化的协同过滤推荐

协同过滤系统是目前最成功的一种推荐系统,但是传统的协同过滤算法没有考虑用户兴趣会随时间发生变化以及类似特征用户对用户相似度精度具有影响等因素,导致推荐质量较差。该文结合用户兴趣变化和用户特征两个因素,提出了新的用户之间相似度计算方法用来提高协同过滤推荐质量。     

一种改进的协同过滤推荐算法

传统的协同过滤算法在寻找最近邻居集合时没有考虑时间因素的影响,仅从用户或者项目单方面出发计算用户或者项目的相似性以产生推荐结果,也忽略了用户特征对推荐的影响.针对上述问题,引入时间遗忘函数、黏度函数、用户特征向量,对协同过滤算法寻找用户的最近邻居集合过程进行了改进,体现了时间效应、用户偏好程度和用户特征.采用MovieLens数据集进行了一系列对比实验,结果表明,改进后的算法能够明显提高推荐的准确度.     

融入时间的兴趣点协同推荐算法

兴趣点（POI）推荐可以帮助用户发现其没有访问过但可能感兴趣的地点,是重要的基于位置的服务之一。时间在POI推荐中是一个重要因素,而现有POI推荐模型并没有较好地考虑时间因素,因此通过考虑时间因素来提出融入时间的POI协同推荐（TUCF）算法,从而提高POI推荐的效果。首先,分析基于位置的社交网络（LBSN）的用户签到数据,以探索用户签到的时间关系;然后,利用时间关系对用户签到数据进行平滑处理,以融入时间因素并缓解数据稀疏性;最后,根据基于用户的协同过滤方法,在不同时间推荐不同POI给用户。在真实签到数据集上的实验结果表明,与基于用户的协同过滤（U）算法相比,TUCF算法的精确率和召回率分别提高了63%和69%;与具有平滑增强时间偏好的协同过滤（UTE）算法相比,TUCF算法的精确率和召回率分别提高了8%和12%;并且TUCF算法的平均绝对误差（MAE）比U算法和UTE算法分别减小了1.4%和0.5%。     

考虑年度日程表事件的协同过滤推荐

协同过滤是个性化推荐系统中应用最广泛的推荐技术,现有的协同过滤算法不能反映出每年特定的事件与用户购买行为的关联性。针对这个问题,提出了一种考虑年度日程表事件的协同过滤算法,引入了时间权值函数,使得同一时期的越接近当前用户访问时间的近邻用户购买商品的推荐度越高,提高了协同过滤算法的推荐精度。     

一种基于信任的协同过滤推荐模型

传统的协同过滤推荐技术主要基于用户-项目评价数据集进行挖掘推荐,没有有效地利用用户通信上下文信息,从而制约其进一步提高推荐的精确性。针对传统协同过滤推荐算法存在的推荐精度不高的弊端,在协同过滤算法中融入通信上下文信息,引入了通信信任、相似信任和传递信任三个信任度,并提出了一种基于信任的协同过滤推荐模型。通过公开数据集验证测试,证明提出的推荐算法较传统的协同过滤推荐技术在推荐准确性上有较大提高。     

混合协同过滤算法中用户冷启动问题的研究

在推荐系统中,用户冷启动问题是传统协同过滤推荐系统中一直存在的问题。针对这个问题,在传统协同过滤算法的基础上,提出一种新的解决用户冷启动问题的混合协同过滤算法,该算法在计算用户相似性时引入用户信任机制和人口统计学信息,综合考虑用户的属性相似性和信任相似性。同时,算法还在用户近邻的选取上做了一些改进。实验表明该算法有效缓解了传统协同过滤推荐系统中的用户冷启动问题。     

一种基于改进的层次聚类的协同过滤用户推荐算法研究

为了降低组用户推荐的计算时间,提出了一种改进的层次聚类协同过滤用户推荐算法。由于数据的稀疏性,传统的聚类方法在尝试划分用户群时效果不理想。考虑到传统聚类算法的聚类中心不变组内用户间相关度不高等问题,将用户进行聚类,然后按照分类计算出每个用户的推荐结果,在进行聚类的同时充分利用用户间的信息传递来增强组内用户的信息共享,最后将组内所有的用户的推荐结果进行聚合。最后仿真实验表明,本方法能够有效地提高推荐的准确度,比传统的协同过滤算法具有更高的执行效率。     

基于重叠度和双重属性的协同过滤推荐算法

协同过滤是现行推荐系统中应用最广泛也是最成功的推荐技术之一,然而传统的协同过滤推荐算法存在着邻居选取片面性和推荐精度低的问题。针对上述问题,提出了一种基于重叠度和双重属性的协同过滤推荐算法。首先基于相似度和重叠度的共同计算结果选取推荐对象集;然后提出了双重属性的概念,分别计算推荐用户的信任度和目标项目的受欢迎度;最后兼顾两个群体,根据用户和项目两方面的评分信息完成对目标用户的推荐。实验结果证明该算法较传统的协同过滤推荐算法在邻居选取和推荐质量方面均有显著的提高。     

个性化信息推荐方法研究

随着信息技术和互联网的发展,人们进入了信息过量且愈发碎片化的时代。当前,个性化信息推送是用户获取网络信息的有效渠道。由于信息的更新速度快和用户兴趣更新等问题,传统的推荐算法很少关注甚至忽略上述因素,造成最终的推荐结果欠佳。为了给用户更好的个性化推荐服务,论文首次引入截取因子,提出了组合推荐算法（CR算法）。该算法的实质是将截取因子引入到基于内容的推荐算法与基于用户的协同过滤算法中,进而生成混合推荐算法。在推荐列表中,CR算法产生的推荐结果由两部分组成:一部分由混合推荐算法生成,另一部分由基于用户的协同过滤算法生成。根据信息的发布时间,决定该信息由哪类算法产生推荐:当浏览时间与当前时间的间隔不大于某个值时,采用混合推荐算法;否则,直接采用基于用户的协同过滤算法。基于真实数据的实验结果表明,CR算法优于同类算法。     

基于协同过滤和标签的混合音乐推荐算法研究

结合音乐这一特定的推荐对象,针对传统单一的推荐算法不能有效解决音乐推荐中的准确度问题,提出一种协同过滤技术和标签相结合的音乐推荐算法。该算法先通过协同过滤技术确定相似用户,再通过相似用户对某一歌手的标签评分预测另一用户对该歌手的偏好程度,从而选择更符合用户喜好的音乐进行推荐,以此提升个性化推荐效率,为优化音乐推荐系统提供参考方法。     

结合商圈位置区域模型的商品推荐算法

为解决电子商务冲击下线下销售萎靡及互联网"信息爆炸"下用户挑选商品时耗时耗力等问题，本文引入商圈位置区域模型，即基于圆形过滤方法与改进的基于分区的DBSCAN密度聚类算法对浙江省某一行业全域范围下25万商户订单数据进行地理位置特征分析，并结合时间衰减参数进行传统推荐算法改进，提出了面向商圈流行度的商品推荐算法与面向商圈相似度的协同过滤算法.实验结果表明，算法在推荐准确率上明显优于传统推荐算法，且一定程度上缓解了冷启动和推荐商品惊喜度不足的问题，有其实用价值与研究意义.     

基于Mahout的新用户推荐算法的设计与实现

为了解决大数据背景下新用户因没有历史数据而导致推荐难和推荐效率低等问题,提出将基于Mahout的协同过滤算法与基于MapReduce的Top N算法相结合的技术方法,来实现新用户推荐算法,从而构建新用户推荐系统的架构,并对Hadoop Top N算法以及Mahout中协同过滤算法进行设计与实现。理论分析和实验验证表明,该新用户推荐算法在推荐效率、对大规模数据处理的伸缩性以及推荐质量上都明显优于单独使用协同过滤算法的新用户推荐。     

基于增量协同过滤和潜在语义分析的混合推荐算法

为了解决传统新闻推荐系统定期更新推荐算法不能根据用户喜好的变化进而动态地调整推荐列表的问题,提出了一种混合推荐算法(IULSACF)。该算法包含了2个关键部分:基于项目的增量更新协同过滤算法和基于关键词频率的潜在语义分析算法。该混合推荐算法在基于项目的增量更新协同过滤模块中,通过对项目相似度列表增量更新来动态地调整推荐列表,并结合潜在语义分析算法来确保所推荐文章的相关性。实验结果表明,所提出的IULSACF算法在各项评价指标上均优于传统的推荐方法。     

结合时间特征的协同过滤深度推荐算法

针对推荐算法中的数据稀疏性和冷启动问题,提出了基于卷积神经网络的结合时间特征的协同过滤深度推荐算法（CNN-deep recommend algorithm with time,C-DRAWT）与基于多层感知机的结合时间特征的协同过滤深度推荐算法（MLP-deep recommend algorithm with time,M-DRAWT）。算法进行数据预处理,利用二进制来编码用户与项目的信息,缓解了one-hot编码的书籍稀疏性问题。提取出用户与项目的隐藏特征,将用户和项目的特征融合时间戳特征,分别输入到优化后的卷积神经网络和多层感知机进行,得到最新时刻的推荐项目。两个算法经过基于MovieLens-1M数据集的对比实验验证,得到的F1-Score值平均提高了0.78%,RMSE值平均提高了2.7%。结果表明,该方法能够缓解数据稀疏性和冷启动问题,相比较于之前的模型具有较好的推荐效果。