一种基于RFM模型的新型协同过滤个性化推荐算法

摘要：为了提高个性化推荐效果及预测准确度,特别是针对传统算法中评分矩阵过于稀疏等问题提出一种新颖的协同过滤算法。该算法首先利用RFM模型合理地筛选用户信息,其次通过黏性客户的消费记录稠密化用户—项目评分矩阵,并改进了传统相似度计算公式。通过仿真实验证实了算法的准确性,最后将其应用于一套具有个性化商品推荐功能的系统原型中,证明了该推荐算法的有效性及实用性。     

基于个性化图书推荐的协同过滤算法

本文对基于个性化图书推荐的协同过滤算法的设计方案进行实验,目的是为证实在真实用户的多标准评估过程中怎样产生数据集,从而找到一种科学的算法。并通过图书推荐的应用案例来说明算法,以验证其是否有效。     

基于协同过滤算法的MOOC个性化推荐系统

MOOC(慕课,Massive Open Online Course)大规模在线开放课程是一个在线课堂,旨在通过网络让用户随时无限制学习。为了让用户发现感兴趣且高质量的课程,文中设计了一种基于协同过滤技术的MOOC个性化课程推荐系统,为用户提供个性化的课程选择,以提升用户体验。同时对协同过滤算法存在的缺陷提出了改进思路,并对推荐技术以及MOOC未来的发展进行了展望。     

基于协同过滤的电子商务个性化推荐算法研究

采用基于使用者的协同过滤推荐算法进行电子商务个性化推荐,将获取的评价数据作为推荐算法的输入,根据使用者行为的相似性获取"最近邻居"集,统计其中各邻居对项目商品的评价分数,并以使用者对项目商品的评分形式和使用者关注度最高的多个项目商品推荐列表形式进行项目商品推荐。在获取"最近邻居"集的过程中,通过使用者特征集提升电子商务推荐系统推荐最近邻居的准确度,利用兴趣度随时间变化函数修正使用者评价矩阵,从使用者特性和兴趣两方面对协同过滤推荐算法进行个性化改进。研究结果表明,所提算法推荐项目商品所需时间始终低于对比算法,且采用该推荐算法后电子商务平台交易成功率由38.4%提升至87.2%。     

基于协同过滤算法的电影个性化推荐系统设计与实现

当前,随着我国经济发展速度的不断加快,以及人们生活水平的显著提升,使得人们的个性化需求增多.同时,由于计算机技术与网络技术的发展,也致使众多娱乐与服务形式融入到网络之中,从而形成全新的网络化模式.而利用协同过滤算法所制定的电影个性化推荐系统,即是网络技术与计算机技术在电影服务中的成功应用.对此,本文简要阐述了个性化推荐的概念,并阐述出协同过滤算法的含义,进而,通过协同过滤算法,达成电影个性化推荐系统设计与实现的目标,并进行了运行试验,旨在为通过计算机技术与网络技术能够为人们提供更多的便利与服务,做出自己应有的贡献.     

基于ALS协同过滤算法的个性化推荐研究与应用

随着大数据和数据挖掘技术的不断发展和成熟,个性化推荐越来越发挥着重要作用。为了能够更有效地向用户推荐其感兴趣的产品,文章研究了在Spark平台架构基础上使用ALS协同过滤算法在个性化推荐系统中的应用,并对该系统作了性能和效果的评估。根据实验表明,基于Spark平台的ALS算法能有效地为用户推荐其所感兴趣的产品,从而达到个性化推荐的目的。     

基于改进的协同过滤图书推荐算法

高校图书馆图书个性化推荐没有得到很好的推广和实施,一个重要原因是用户对图书的评价不足.因此,提出了一种基于兴趣的高校图书推荐算法.该算法较好地解决了协同过滤算法无法使用和评分不足的问题.同时,将流行与反向流行的特征结合,使其更接近读者的行为.实验表明,该算法优于传统的协同过滤推荐算法,能够满足实际需求.     

基于协同过滤的个性化图书推荐系统研究

在许多应用领域,多标准推荐系统使用多标准决策方法实施推荐,但是,多标准推荐系统在实施和测试方面仍然相当有限,特别是在一些特定领域,文中提出了三种多标准功效协同过滤算法的几种设计方案的实验分析,使用的数据集是模拟产生的,实验的目的是为了证实当来自于真实用户的多标准评估数据集不能得到的时候,如何产生数据集,并用于实施研究和选择一个恰当的算法。一个来自数字图书馆图书推荐的实例用于说明算法的使用,验证其有效性。     

基于协同过滤技术的个性化推荐系统研究

为了解决信息检索中无法获取符合个人需求的特色资源的问题,介绍了个性化推荐系统的概念以及推荐系统常用的算法;重点阐述了协同过滤技术的流程：利用用户项目矩阵计算用户之间的相似性,结合最近邻信息预测出符合个人特性的推荐信息;最后指出了协同过滤研究的难点问题。     

基于协同过滤推荐算法的改进性研究

互联网技术的发展极大促进了电子商务行业,网上购物模式已经改变了传统的购物模式,海量的信息影响了客户的购物效率.个性化的推荐系统能够为客户提供个性化的服务,个性化协同过滤推荐算法是应用最为广泛的算法.本文主要对协同过滤推荐算法进行研究,并采用RBF径向基神经网络对传统的协同过滤推荐算法进行改进,更加有效的为用户提供个性化的推荐.     

一种基于NSGA-II的协同过滤推荐算法

为了提升几种基本的协同过滤推荐算法的精确度与召回率，引入了多目标遗传优化算法NSGA-II，并利用模型加权融合的方法实现了新的协同过滤算法。实验证明，该算法相较几种基本的协同过滤算法在精确度与召回率上均有所提升。     

基于归一化方法的协同过滤推荐算法

针对传统的协同过滤推荐算法没有考虑用户向量维度以及评价值差异的问题,提出了一种基于归一化方法的协同过滤推荐算法。算法在计算用户或项目相似度之前首先将用户对每一项目的评分值归一化到一个统一的值域范围,然后再计算用户向量空间的相似性并进行预测推荐。实验结果显示该算法能够准确地找到相似的邻居用户或项目,预测及推荐测性能有较大提高。     

Collaborative filtering recommendation algorithm based on interactive data classification

In the matrix factorization (MF) based collaborative filtering recommendation method, the most critical part is to deal with the interaction between the features of users and items. The mainstream approach is to use the inner product for MF to describe the user-item relationship. However, as a shallow model, MF has its limitations in describing the relationship between data. In addition, when the size of the data is large, the performance of MF is often poor due to data sparsity and noise. This paper presents a model called PIDC, short for potential interaction data clustering based deep learning recommendation. First, it uses classifiers to filter and cluster recommended items to solve the problem of sparse training data. Second, it combines MF and multi-layer perceptron (MLP) to optimize the prediction effect, and the limitation of inner product on the model expression ability is eliminated. The proposed model PIDC is tested on two datasets. The experimental results show that compared with the existing benchmark algorithm, the model improved the recommendation effect.     

基于一跳信任模型的协同过滤推荐算法

基于社会信任网络的协同过滤推荐算法存在节点之间多下一跳带来的复杂路径选择和信任弱传递问题。针对这2个问题,给出基于项目的一跳信任模型,该模型通过用户对项目信任度的计算,定义用户的直接和间接社会信任属性,然后一步跳转计算用户之间的直接和间接信任距离,进而计算用户之间的信任度。基于此模型设计推荐算法,同时分析了信任度与传统相似度的理论关系并二维拟合。仿真实验表明,该算法提高了推荐准确度(约0.02 MAE),降低了训练时间(约50%)。     

基于隐式数据和Apriori的协同过滤推荐算法

针对传统协同过滤推荐算法对目标客户进行个性化推荐时,因用户评价数据和物品属性等显式数据稀疏,造成推荐商品的准确率和质量相对较差的问题,本文基于隐式数据和Apriori算法对协同过滤推荐算法做出改进.首先,算法基于隐式数据中用户对商品的行为和用户对商品的评价,建立用户对商品的评分偏好模型,用以构建原始评分数据;其次,利用...     

Collaborative filtering recommendation algorithm based on rough set rule extraction

To address the problem that in a practical recommendation system (RS),because of the datasets are often very sparse,the traditional collaborative filtering (CF) approach cannot provide recommendations with higher quality,a novel CF based on rough set rule extraction was proposed.Firstly,the attributes of user/item and the user-item rating matrix were used to construct a decision table.Then,the core value of each rule in the table was extracted through using the decision table reduction algorithm.Finally,according to the nuclear value decision rule of the core value table,the reductions of all decision rules were utilized to predict the rating scores of un-rated items.Experimental results suggest that the proposed approach can alleviate the data sparsity problem of CF,and provide recommendations with higher accuracy.     

基于信任和图聚类的协同过滤推荐算法

推荐系统的作用是为用户提供个性化的建议或服务,从而帮助用户在大量数据中快速找到感兴趣的项目。在现有的推荐算法中,基于模型的协同过滤推荐算法是推荐系统中一种重要且被广泛使用的方法,它可以解决推荐系统中的冷启动和数据稀疏等部分问题。文中对传统的协同过滤算法进行了改进,将组合了信任信息和图聚类算法的协同过滤技术应用在推荐系统。该方法首先将用户/项目信息表示为图形,然后在图形上使用近似最密集子图查找算法来找到初始集群中心,接着应用迭代方法来更新集群中心直到合并集群。最后将找到的集群作为邻居,对未知项目预测评级并向活跃的用户推荐前N项。在不同的数据集中,对比不同聚类方法的评估结果来表明所改进的方法优于其它推荐方法。     

一种基于用户信任机制的个性化协同过滤推荐算法研究

传统的协同过滤推荐算法产生的数据稀疏性和冷启动问题存在潜在安全危机,不利于个性化推荐质量的提高。文章引入基于用户兴趣度和满意度的信任机制,改进传统用户信任度,通过信任度权重因子ωi,j,优化用户综合信任度,以提升预测评分质量。仿真实验分别从算法的推荐准确率和推荐覆盖率展开分析,实验结果表明,当ωi,j取值在0.5时,推荐准确率和覆盖率较RTCR算法、Trust Impact MF算法、A&I-Based算法明显占优。