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.     

一种改进相似度的协同过滤算法

传统的相似度计算方法通过评分信息得出用户之间的相关关系,这些方法仅仅从用户评价信息考虑用户之间的相似度,使计算结果过于片面,在稀疏数据集中受较大影响,导致推荐结果的准确性有所降低。针对一般的协同过滤推荐算法中存在的数据稀疏性问题,通过引入用户相似度权重系数,将Pearson相关系数进行加权处理后与Jaccard相似性方法相结合,提出一种新的计算方案,改进算法考虑了用户对共同评分项目所占的比率和用户对项目的评分取值大小,优化了协同过滤算法中相似度量的关键性能。在MovieLens和Book-Crossing两个公共数据集中进行试验,结果表明,改进算法使平均绝对误差值最大程度上降低了5. 2%,从而有效降低稀疏数据集对推荐结果的影响,显著提升了推荐系统的准确度。     

基于用户兴趣变化的协同过滤推荐算法

协同过滤算法是在众多应用领域中最成功的个性化推荐技术之一,但传统协同过滤算法不能及时反映用户的兴趣变化,致使预测结果不准确。针对这个不足,提出一种基于用户兴趣变化的改进协同过滤算法。改进算法提出一种基于时间的权重函数,用于研究用户在不同时间段的兴趣变化,通过用户兴趣之间的相似性,最后生成推荐结果。实验结果验证了改进算法在推荐的准确性方面得到显著提高。     

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.     

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。     

基于双因子混合加权相似度的协同过滤推荐算法

针对在数据稀疏和冷启动情况下,使用协同过滤推荐算法中传统相似度算法产生相似度不准确的问题,本文将传统相似算法中修正余弦相似度算法与基于用户属性的相似度算法加权混合,引入双因子作为权重,双因子用sigmoid函数定义,以阈值与读者借阅量的差值为变量,当读者借阅量大于(小于)阈值时,数据不稀疏(稀疏),修正余弦相似度算法权重自动增加(降低),基于用户属性相似度算法的权重自动降低(增加)。这种自动调整2种相似度算法权重的方法,既考虑了传统相似算法的优点,又避免其缺点。通过实验证明,改进后的算法提高了相似度计算的准确性,提高了推荐精度,在一定程度上解决了数据稀疏和冷启动下产生的相似度不准确问题。     

基于修正相似度的User-Based协同过滤推荐算法

运用传统的User-Based协同过滤算法计算用户相似度时,因数据过度稀疏而易造成较大的计算偏差。为了有效提高该算法的准确性,研究改进相似度计算方法。根据用户现有的评分数据计算每个项目的自信息量,根据自信息量为不同的项目分配权值,利用权值来修正传统的相似度计算方法。当用户共同评分项目数量较少时,增加惩罚因子,以避免评分相似所致相似度过高的问题。     

改进的基于用户的协同过滤算法

在推荐系统中,协同过滤算法是应用最广泛和最成熟的推荐算法之一。但是传统的协同过滤算法,在计算用户之间的相似度和评分推荐两个指标上存在着很多不足之处。通过决策树策略找寻了评分和共现值之间的规则,有效的改善了Salton相似度的准确性。同时,根据艾宾浩斯遗忘规律得到启发,引入了时间模型作为评分的权重,有效的解决了用户的兴趣迁移。在仿真实验中,测试了在不同邻居个数下传统算法和改进算法的平均绝对误差。实验证明,改进的协同过滤算法能够降低预测评分的平均绝对误差,提高推荐的准确率。     

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%。     

基于时间衰减的协同过滤推荐算法

针对传统的协同过滤算法在计算相似度时未考虑时间因素的影响,导致推荐结果不准确的问题,本文提出将时间因素融入用户项目评分矩阵中,以解决兴趣衰减的问题。首先将遗忘曲线和记忆周期作为时间因素融入算法之中,将艾宾浩斯遗忘曲线用于指数函数拟合,从而获得时间与兴趣衰减的函数关系,以此用于优化用户项目的评分。并将改进的评分矩阵应用到基于项目的协同过滤推荐算法中进行推荐。在评分中加入记忆周期的影响,让目标用户对待预测的项目评分预测更为准确。实验结果表明,改进后的基于时间衰减协同过滤算法在准确性方面有显著的提高。     

一种基于用户特征和时间的协同过滤算法

协同过滤是个性化推荐系统中采用最广泛的推荐技术,但已有的方法是将用户不同时间的兴趣等同考虑,时效性不足,而且相同用户特征的用户兴趣存在着很大的相似性,针对此问题,提出一种基于用户特征和时间的协同过滤算法,使得越接近采集时间的用户兴趣,在推荐过程中具有更大的权值,并且根据用户的特征来来提高相似用户集的采集,从而提高推荐的准确性.     

融合项目聚类和时间权重的动态协同过滤算法

传统基于项目的协同过滤算法离线计算项目间的相似度,提高了向用户推荐的速度,但极大的数据稀疏度影响了推荐质量,且该算法也忽略了用户兴趣随时间变化这一现象. 针对上述问题,提出了一种融合项目聚类和时间权重的动态协同过滤算法,根据用户偏好对项目进行聚类,找出类别偏好相似的候选邻居,再在候选邻居中搜寻最近邻,排除与目标项目共同评分较少的项目干扰,提高了搜寻相似项目的准确性. 同时,引入时间权重来反映用户兴趣随时间的变化,从整体上提高推荐质量. 在MovieLens数据集上进行实验,实验结果表明,本文所提出算法的推荐质量较传统的协同过滤算法有显著提高.     

基于数据稀疏性的协同过滤推荐算法改进研究

针对根据用户的活动行为向其推荐感兴趣项目的协同过滤推荐算法,随着用户数量和项目数量增多,用户在单一项目上的活动行为减少,导致推荐质量不佳的问题,本文提出了在数据稀疏的情况下提高推荐质量的优化算法。在方法上将基于项目和基于用户的推荐方法相结合,根据用户之间的相似度初步预测用户对项目的评分,再基于项目之间的相似度产生推荐;在填补未评分的空缺值时,将平均值与预测值相结合;在计算相似度时,考虑用户之间共同评分的项目数权重和项目之间被用户共同评分的用户数权重。实验首先对比了几种基本推荐算法的推荐效果以选取较佳的基本算法做研究,接着在此基础上将本文提出的优化算法与其他算法进行了对比,最后不同程度增加数据稀疏性做进一步的对比实验。实验表明,在优化算法的实验中,本文提出的优化算法一直具有较好的推荐效果。在数据稀疏性改变的实验中,随着数据稀疏度的增大,本文提出的优化算法推荐效果更具有明显优势。     

协同过滤算法中一种改进的相似性计算方法

协同过滤算法作为一种成功的个性化推荐技术已经被应用到很多领域中.传统的协同过滤算法中用户相似性的计算只考虑了用户评分信息而没有考虑到用户的社会背景信息,针对这个问题,本文提出了基于用户社会信息的相似度计算方法,实验表明,改进后的协同过滤算法能更好地反映用户兴趣,提高推荐精度,在推荐效果方面得到了更好的改善.     

基于联合聚类和矩阵分解的协同过滤算法研究

提出了基于联合聚类和带正则化的迭代最小二乘法的协同过滤算法。该算法对原始矩阵进行用户-项目两个维度的联合聚类生成若干子矩阵,子矩阵的规模远小于原始评分矩阵,可有效降低预测阶段计算量,而且也缓解了数据稀疏性问题。在子矩阵中通过对传统的矩阵分解进行正则化约束来防止模型过拟合现象,并采用迭代最小二乘法进行训练分解模型,可有效缓解可扩展性。实验表明,该方法具有高效性。     

一种融合用户偏好与信任度的增强协同过滤推荐方法

协同过滤是一种最流行的推荐技术, 但仍然受到数据稀疏和冷启动问题的困扰。针对Shambour提出的信任-语义融合(TSF)的混合推荐方法中计算量较大的问题, 提出一种融合用户偏好与信任度的增强协同过滤推荐方法。该方法在计算评分预测时, 对基于用户的信任增强协同过滤算法进行改进, 先将用户相似度和信任度分别进行近邻选择和加权评分, 再通过一个加权因子对2部分进行融合, 从而得到总体的预测评分。在Movielens数据集下进行仿真验证, 其结果表明, 与基准算法相比, 本文方法具有更好的MAE性能。       

基于加权信息熵相似性的协同过滤算法

协同过滤算法是推荐系统中最为成功的技术之一,相似性计算是协同过滤算法的核心.针对传统的相似度计算方法在数据稀疏的情况下推荐不准确问题,提出了基于项目间差异信息熵的相似度计算方法,先通过差异值和共同评价数目对信息熵进行加权,再归一化处理来计算项目间的相似度.用基于项目(Item-based)相似性的协同过滤算法进行了实验验证,实验结果表明,该算法提高了个性化推荐精度.     

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。     

基于兴趣度向量模型的协同过滤推荐技术研究

在引入兴趣度向量模型的基本原理和用户协同过滤推荐技术的基础上,探讨一种有效的基于兴趣度向量模型的商品推荐算法.该算法通过将兴趣度向量模型与协同过滤推荐技术结合起来,在电子商务中实现商品自动推荐,从而提高推荐精度和推荐质量.并对这种推荐算法的有效性进行了实验验证.     

一种引入加权异构信息的改进协同过滤推荐算法

协同过滤作为当前应用最成功的推荐技术之一,其推荐质量在很大程度上取决于近邻用户选取的准确性,而数据的稀疏性问题（sparsity）和相似度度量方式（similarity metrics）严重影响着最近邻的选择。该文提出了一种引入加权异构信息的改进协同过滤算法。首先利用异构网络中丰富的语义信息和边属性信息,得到用户之间基于不同元路径的相似度;然后将相似度分别应用到典型的基于用户的协同过滤推荐算法中,得到基于每个相似度的用户评分值;最后采用监督学习算法为每个打分值分配不同的权重,融合为用户最终评分。在扩展MovieLens经典数据集上的实验结果表明,本文所提算法在精确度上较传统算法有显著提高。