基于增加相似度系数的加权二部图推荐算法

基于二部图的推荐算法是个性化推荐领域的一个研究热点,其中,如何科学地利用用户的评分资源,在评分数据不全的情况下对目标用户进行准确高效的推荐是研究难点,也因此受到众多学者的关注。因此,提出了一种以单调饱和函数为权,利用目标用户和其他项目共同评分个数相对用户总数均值的正切值作为传统相似度系数的推荐算法;同时,对调整系数后的相似度进行降序排列,利用前K个最近邻居集对目标用户进行推荐。实验结果表明,改进后的算法提高了推荐的准确性,降低了复杂度。     

基于随机森林修正的加权二部图推荐算法

对于基于二部图网络结构的算法忽视了兴趣偏好的影响,只考虑用户与项目之间的关系,结合随机森林分类模型和二部图网络结构,提出了一种基于随机森林修正的加权二部图推荐算法。在二部图网络结构的基础上,利用评分计算边权,充分考虑项目的度和用户共同评分项目的影响改进相似度公式。同时用随机森林算法对用户在项目特征的偏好构建分类模型,根据其对初步得出的推荐列表进行评分修正。对比在Movie Lens数据集上的实验结果,证明该方法比其他算法能够提高推荐的准确性和推荐精度。     

一种改进的基于二部图网络结构的推荐算法

基于网络结构的推荐算法得到了研究者越来越多的关注,以往的基于二部图网络结构的推荐算法只是判断用户是否选择过项目,不区分用户对项目评分的高低。这些算法倾向于推荐流行商品,没有考虑项目度和权值的影响。针对这些问题,在区分高低分的情况下提出了改进的基于加权网络结构的推荐算法。算法在计算用户间的相似性系数时,引入项目度与项目的权值之和的比值θ,以提高推荐多样性。实验结果表明,改进后的算法能够提高推荐准确性和多样性,并且降低了推荐项目的流行性。     

基于差异化资源分配的二部图推荐算法

传统二部图推荐算法存在着初始资源设置不合理,以及仅仅依靠项目度和用户度来调整资源分配系数的问题.因此提出一种基于差异化资源分配的二部图推荐算法,新的算法利用评分规范化和最大最小值的方法对项目初始资源进行了修正,在此基础上引用艾宾浩斯遗忘函数来量化用户兴趣偏移所带来的影响;再利用用户评分相似性函数和用户偏好函数对资源...     

基于用户兴趣度的改进二部图随机游走推荐方法

传统的二部图随机游走算法主要采用基于共同项目的相似度计算,并且项目之间、用户之间的影响程度是对称的,这种对称信息不能体现用户兴趣,推荐精度不高。为了提高推荐准确性,提出一种基于用户兴趣度的二部图随机游走方法。采用共同项目和用户打分项目数量的共同性质体现用户兴趣度,分析信息的不对称性,并在二部图中随机游走。实验表明,基于用户兴趣度的二部图随机游走算法提高了预测准确率和命中率。     

基于加权三部图的协同过滤推荐算法

针对基于用户的协同过滤算法推荐结果过度集中在热门物品,导致多样性和新颖性较低、覆盖率较小的问题,文中提出基于加权三部图的协同过滤推荐算法.在分析数据稀疏和附加信息较少的基础上引入标签信息,可同时反映用户兴趣和物品属性,利用用户、物品和标签三元关系构建三部图.通过三部图网络映射到单模网络的方法获得用户偏好度,构建用户偏好...     

基于异构图嵌入的论文个性化推荐算法

【背景】科技论文数量的快速增长使得如何快速查找或定位到感兴趣的文献资料成为了科研人员在科学研究过程中一个亟待解决的问题。【目的】本文旨在研究并提出一种基于图嵌入的论文推荐算法,尝试解决面向用户的论文个性化推荐问题。【方法】本文提出了一种基于异构图嵌入的论文个性化推荐算法。该算法通过异构图嵌入模型构建论文节点的嵌入表示,同时基于作者已发表的论文构建该作者的兴趣表示,最终利用两者之间的相似度对作者进行论文推荐。【结论】在DBLP数据集上的实验证明了本文提出的模型及算法的有效性。     

基于差异路径权重的二部图网络推荐算法

针对二部图网络结构推荐算法中资源分配不合理的现象,同时为了丰富推荐结果多样性和促进冷门物品的推荐,提出了一种利用差异路径权重改变资源传递的二部图网络结构算法。利用用户相似性构造路径权重改变第一阶段资源传递规则,使资源较多地流向与目标用户相似的用户节点。通过物品属性相似的构造路径权重,使第二阶段资源更多地流向与目标用户已购物品具有相似属性的物品。实验结果表明,本算法相对于其他流行网络结构算法提高了推荐的综合性能,并且更好地解决推荐中的相关问题。     

基于改进加权二部图和用户信任度的协同过滤推荐算法

基于复杂网络物质扩散原理的二部图理论在协同过滤推荐领域的应用受到越来越多学者的关注,现有算法计算邻居用户时主要考察用户对项目的正向评价,未充分考虑用户的负向评价.为进一步提高推荐算法的准确度,提出了改进算法,将用户正向评价和负向评价量化成二部图上的路径权重,控制用户能量的分配,并在邻居用户预测评分阶段考虑用户的信任度,推荐结果更加准确.采用MovieLens和Eachmovie数据集对改进算法以及现有算法进行对比实验分析,证明改进算法具有更低的平均绝对偏差.     

融合初始资源与协同过滤的二部图推荐算法

推荐系统的产生主要是为了解决信息过载的问题。基于二部图网络与基于协同过滤的推荐算法是目前应用比较广泛的算法,二者都取得了一定的推荐效果。基于加权二部图网络的算法忽略对初始资源的配置,基于物品的协同过滤算法在推荐时也产生数据稀疏等问题。组合推荐算法融合初始资源配置以及基于物品的协同过滤算法来解决相关的问题,可以达到更好的推荐效果。算法实验在MovieLens数据集上实施,结果表明,与传统的推荐算法以及最近的组合推荐算法相比,该方法有更好的推荐效果。     

面向个性化推荐系统的二分网络协同过滤算法研究

为提高个性化推荐系统的推荐效率和准确性, 提出了个性化推荐系统的二分网络协同过滤算法。协同过滤算法引入二分网络描述个性化推荐系统, 使用灰色关联度来度量用户相似性和项目相似性, 对灰色关联相似度加权求和预测用户对项目的预测打分值, 从而提供给用户排序后的项目列表。实验结果表明, 协同过滤算法有效提高了过滤推荐的精准度和可靠性, 具有良好的推荐效果。     

.基于社区网络内容的个性化推荐算法研究

针对用户在社区网络中面对海量的信息和资源,如何快速便捷地获得自己感兴趣的内容问题,提出一种基于社区网络内容的个性化推荐算法。在得到相同兴趣用户聚类的基础上,该算法首先通过用户访问日志信息挖掘相似内容推荐项,然后根据用户兴趣挖掘新的内容推荐项。实验结果表明,该算法不仅提高了内容推荐精度,而且还扩展了内容覆盖面。     

基于加权网络结构的冷门资源推荐算法

基于网络结构的推荐方法存在过度推荐“热门资源”,忽略推荐“冷门资源”的问题。然而实际中“冷门资源”更契合用户个性化的偏好需求,因此通过挖掘“冷门资源”来提高推荐结果的新颖性成为推荐算法研究方向之一。通过改进网络结构的推荐算法来提高对“冷门资源”的推荐：首先,构建用户-项目-特征词关联网络结构;其次,将用户对项目的评分差作为用户-项目能量传递的权值提高推荐准确性,将项目所具有的特征词的信息熵作为项目-特征词能量传递的权值增加“冷门资源”的推荐;最后,利用线性加权生成推荐列表。在MovieLens数据集上的实验结果表明,本文算法兼顾了推荐结果的准确性,提高了推荐结果中“冷门资源”的推荐。     

基于商品特征的个性化推荐算法

针对现有个性化商品推荐算法精度不高、新商品不能及时推荐等缺点,提出了一种基于商品特征、用户购买日志及用户实时浏览行为的个性化推荐算法。算法首先根据客户的在线浏览情况获取当前客户的购买倾向,然后将客户的购买日志与商品特征数据库进行对比分析,获得客户对商品特征的偏爱度及推荐参照组,依据特征实体的相似度矩阵进行特征推荐组推荐,最后结合当前的购买倾向向客户推荐商品。     

基于二分图网络的总体多样性增强推荐算法

针对传统推荐算法过于强调推荐准确率而造成推荐系统“长尾”现象加剧问题,提出一种基于二分图网络的总体多样性增强推荐算法。首先,利用现有推荐算法生成的预测评分构建用户候选推荐列表,进而构建二分图网络模型。其次,设定项目容量对热门项目的推荐次数予以限制。最后,结合推荐增广路生成最终推荐列表。与现有的推荐多样性增强算法在真实电影评分数据集上进行实验对比。实验结果表明,本文算法在保证推荐准确率的同时能有效提高推荐的总体多样性。     

基于流行度的非平衡物质扩散推荐算法

针对产品的异质性没有在推荐算法中得到很好利用的问题,提出一种考虑产品流行度对用户兴趣偏好影响的物质扩散算法。通过模拟物质在用户-产品二部分网络上的扩散过程,并且引入产品流行度的可调参数,对产品流行度的影响进行定量刻画。在三个真实数据集上进行数值实验结果表明,该算法与经典的物质扩散算法相比,MovieLens、Netflix和Last.FM数据集上的平均排序打分可以分别提高25.60%、10.96%和1.2%;推荐列表多样性分别提高59.30%、53.07%和8.59%。所提出的非平衡的物质扩散算法所得到的结果更切合实际。     

基于位置编码索引树的个性化推荐算法

针对协同过滤算法在海量数据环境个性化推荐应用中存在的低效率问题,结合MapReduce框架特点,设计了一种应用于个性化推荐的基于位置编码的索引树(LB-Tree),创新性地将索引结构应用于个性化推荐。利用聚类资源的差异性存储策略,提升MapReduce任务处理并行性;根据聚类数据分布特征,以质心为圆心对聚类中的数据对象进行同心圆分层,并对每层采用不同长度的二进制编码来表达,将所有数据对象的编码组织成索引树结构,缩短频繁推荐的数据查找路径,达到个性化推荐时利用索引结构快速确定搜索空间的目的。与基于项目的Top-N推荐算法和基于最近邻的推荐算法(SBNM)相比,LB-Tree所需时间开销增长最慢,准确率最高,验证了方法的有效性和高效性。     

基于网络和标签的混合推荐算法

基于网络结构的推荐算法利用用户与项目间的结构关系进行推荐,忽略了用户偏好,而项目的标签隐含了项目的内容及用户的偏好,提出一种基于网络结构和标签的混合推荐方法。算法根据用户选择项目的标签统计信息,分别采用TF-IDF和用户对标签的支持度两种方法构建用户偏好模型,与基于网络的推荐模型进行线性组合推荐。通过在基准数据集MovieLens上测试证明,该算法在推荐结果命中率、个性化程度、多样性等方面均优于基于网络的推荐算法。     

基于加权Slope one的协同过滤个性化推荐算法

针对传统协同过滤算法存在冷启动、数据稀疏、运行效率低下等问题,分析了较传统协同过滤算法更加高效准确的Slope one算法的优点、原理及流程,针对Slope one算法未考虑用户兴趣变化和用户相似性这两方面的问题,提出了基于用户兴趣遗忘函数和用户最近邻居筛选策略的改进方案,以期提高推荐的质量,同时采用MovieLens数据集进行了实验验证,实验对比结果佐证了本文算法确实提高了推荐准确度并且减少了响应时间。