基于过滤算法的网站针对性推荐模型

随着互联网技术的快速发展,个性化推荐系统在网站的用户粘性和用户体验方面发挥着重要作用。为提高网站针对性推荐的准确度与效率,提出结合过滤算法的网站针对性推荐模型。通过对用户行为数据进行深入分析,结合协同过滤算法对网站数据进行整合及深度挖掘。同时,通过相似度匹配更加准确地确定用户偏好,进行网站信息的针对性推荐。经过实验对比,基于过滤算法的网站针对性推荐模型比其他算法模型所需推荐时间更短,针对性推荐准确度更高,利于网站提升用户粘性与用户满意度。     

结合似然关系模型和用户等级的协同过滤推荐算法

针对传统协同过滤推荐算法的稀疏性、扩展性问题,提出了结合似然关系模型和用户等级的协同过滤推荐算法.首先,定义了用户等级函数,采用基于用户等级的协同过滤方法,在不影响推荐质量的前提下有效提高了推荐效率,从而解决扩展性问题;然后,将其与似然关系模型相结合,使之能够综合利用用户信息、项目信息、用户对项目的评分数据,对不同用户给出不同的推荐策略,从而解决稀疏性问题,提高推荐质量.在MovieLens数据集上的实验结果表明,该算法比单纯使用基于似然关系模型或传统协同过滤技术的推荐算法,不仅推荐质量有所提高,推荐速度比传统协同过滤算法明显加快.     

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。     

基于图卷积神经网络的家具推荐方法

协同过滤是大数据推荐系统的重要算法之一,为提高家具推荐效果,文章首先介绍了协同过滤的经典算法,其次对基于图卷积的推荐算法进行梳理并改进,基于收集到的数据集构建了模型,最后选取其他协同过滤经典算法与之进行对比和分析。实验结果表明：相较于基于物品的协同过滤算法模型、基于用户的协同过滤算法模型,基于图卷积的协同过滤算法模型在评价指标上有更好的表现,更适合应用于家具推荐。     

融合相似度和预筛选模式的协同过滤算法

基于邻域的协同过滤算法中,用户（项目）相似度的计算对预测和推荐结果有重要影响。传统相似度基于共同评分项目,能快速计算出相似度结果,但在稀疏数据下,推荐准确性较低。目前大多数改进的协同过滤算法通过制定较复杂的相似度公式,提高推荐准确性,但往往忽略了模型的计算时间。为达到在降低时间成本的同时执行有效的推荐,提出融合相似度和预筛选模式的协同过滤算法。首先在相似度模型中定义相对评分差异,并列举应满足的定性条件得到优化的相似度,同时考虑基于信息熵改进的评分偏好和用户全局评分的数量信息作为权重因子,更好地区分用户间差异,缓解稀疏数据下相似度计算不准确的问题。其次通过分析相似度模型和评分预测公式的隐式约束,提出预筛选模式,过滤掉大量无效的用户及对应的评分数据,进一步提高计算效率。最终通过融合相似度和预筛选模式得到协同过滤算法。在基准数据集上的实验表明,与其余8种算法相比,提出的算法具有良好的推荐质量和较高的时间效率。     

基于景点标签的协同过滤推荐

针对基于用户社会关系的协同过滤推荐算法有时无法给出目标用户对目标物品的评分的情况,以及基于物品的协同过滤推荐算法中存在的用户对不同类型物品的评分可能不具有可比性的问题,提出了两个基于物品标签的协同过滤推荐算法。这两个算法在计算物品相似度时引入了物品的类型标签信息。在景点评分数据上的实验结果表明：相比基于用户社会关系的协同过滤推荐算法,基于用户社会关系和物品标签的协同过滤推荐算法的准确率和覆盖率提升最高达10%和4%;相比基于物品的协同过滤推荐算法,基于物品和物品标签的协同过滤推荐算法的准确率提升达15%。这说明景点类型标签信息的引入能使得景点的相似度计算更准确。     

基于Spark的分层协同过滤推荐算法

协同过滤是推荐系统中最广泛使用的推荐算法。针对单机模型已经不能满足推荐系统的实时性与扩展性,提出一种基于Spark的分层协同过滤推荐算法。算法首先基于用户时间行为序列构建用户兴趣模型;其次基于RDD实现了并行化EM聚类算法,将用户划分为不同的用户簇;最后基于不同的用户簇实现了并行化Item-based协同过滤推荐算法。通过阿里巴巴天池数据集实验表明,该算法可明显减少推荐时间并提高了推荐准确度,具有良好的可扩展性。     

融合协同过滤的线性回归推荐算法

针对传统协同过滤算法中存在数据稀疏问题,提出融合协同过滤的线性回归推荐算法。根据用户对项目的评分以及用户和项目自身特征,构建用户间和项目间相似矩阵。基于相似矩阵,选出用户和项目最近邻集合,分别通过基于用户和基于项目的协同过滤算法来预测用户已评分项目的评分,将预测评分与真实评分的差值作为特征,组合在一起生成新的训练数据。把新的训练数据作为线性回归模型的输入,根据训练好的模型预测未知评分,采用Top-N算法产生推荐列表。在MovieLens数据集上进行实验。实验结果表明,新算法的推荐准确性较传统协同过滤算法有显著提高。     

考虑用户兴趣变化的概率隐语意协同推荐算法

推荐系统是人们从海量信息中获取对自己有用信息的一种有效途径,在学术界和工业界都受到广泛关注. 协同过滤则是推荐系统领域最流行的算法,目前很多协同过滤算法都是静态模型,没有考虑到用户兴趣会随着时间而变化. 本文提出一种融合算法,利用高斯概率隐语意（PLSA）模型提取出用户的长期兴趣分布,然后结合用户评分时间窗捕获用户短期兴趣变化,从而更准确的为用户做出推荐. 在Netflix和MovieLens数据集的上测试表明,改进算法的预测评分准确率明显高于经典的基于用户相似度算法和PLSA算法.     

基于用户兴趣模型的推荐算法

传统的协同过滤算法虽然可以很容易地挖掘出用户的兴趣爱好,但存在数据冷启动和稀疏性问题.针对这些问题,提出一种基于用户兴趣模型的推荐算法.首先通过LDA主题模型训练数据集得到物品-主题概率分布矩阵,利用物品-主题概率分布矩阵得到用户历史兴趣模型,然后结合用户历史行为信息和物品内容信息得到用户兴趣模型,最后计算用户与候选集之间的相似度,进行TOP-N推荐.在豆瓣电影数据集上的实验结果表明,改进后的推荐算法能够更好地处理稀疏数据和冷启动问题,并且明显提高了推荐质量.