一种优化的基于项目评分预测的协同过滤推荐算法

通过分析在用户评分数据极端稀疏的情况下,现有的基于项目评分预测的协同过滤推荐算法中项目之间的相似性度量不准确以及新项目的冷开始问题,提出了一种优化的基于项目评分预测的协同过滤推荐算法。该算法在计算项目之间的相似性时,既考虑了项目的评分相似性,又考虑了项目的特征属性相似性。实验表明,优化后的算法使计算出的项目之间的相似性更准确,并有效地解决了新项目的推荐问题,使得数据稀疏性对推荐结果的负面影响变小,显著提高了系统的推荐质量。     

基于属性相似性的Item-based协同过滤算法

通过分析传统Item-based协同过滤推荐中的稀疏性问题以及新项目的冷开始问题,提出了一个基于属性相似性的Item-based协同过滤算法。该算法利用项目属性的相似性来修正原始相似性计算,综合考虑项目属性和用户评价对推荐的影响,改进了传统相似性度量方法在评价数据稀疏和新项目推荐中测量结果不够准确的问题。     

基于类别相似性的增量协同过滤推荐算法

协同过滤技术被成功地应用于个性化推荐系统中.随着电子商务系统用户数目和商品数目的日益增加,整个项目空间上用户评分数据极端稀疏,传统的相似性度量方法没有考虑项目所属类别对项目相似性的影响,因而计算结果不够准确.在引入项目评分预测思想的基础上,考虑到数据稀疏性和项目所属分类对项目相似性的影响,采用修正的条件概率方法计算项目相似性;在计算用户初步预测评分和最终预测评分阶段,采用新的预测方法进行预测;针对系统性能随着用户和资源的增多而不断下降的问题,提出一种优化的增量协同过滤推荐算法.实验表明,该算法可以有效地解决用户评分数据极端稀疏情况下传统相似性度量方法存在的问题,显著提高推荐系统的推荐质量.     

基于用户属性和项目类别的协同过滤算法

针对传统的协同过滤算法中数据稀疏性所导致的推荐系统推荐质量不高的问题,文章结合用户和产品背景信息,对其进行加权处理,提出了基于用户和产品信息加权的协同过滤算法.该方法首先计算基于用户属性的相似性和基于项目类别的相似性,然后将计算的结果作为加权值融合到传统的相似度计算中,弥补因为数据稀疏而造成不能准确地进行个性化推荐的不足,提供更多可参考数据进行精确推荐.实验结果表明,该算法能有效提高推荐质量,产生较好的推荐效果.     

基于项目特征模型的协同过滤推荐算法

提出一种基于项目特征模型的协同过滤推荐算法.首先根据项目特征属性建立项目特征相似模型,在此模型基础上根据特征相似项目和用户评价相似项目,计算项目之间的综合相似度,弥补了以往协同过滤推荐算法在新项目推荐方面的不足.试验结果表明,该方法不但可以有效地改善传统协同过滤算法中新项目的冷启动问题,而且确实提高了推荐系统的推荐精度.     

基于项目属性的用户聚类协同过滤推荐算法

协同过滤推荐算法是个性化推荐服务系统的关键技术,由于项目空间上用户评分数据的极端稀疏性,传统推荐系统中的用户相似度量算法开销较大并且无法保证项目推荐精度.通过对共同感兴趣的项目属性的相似用户进行聚类,构建了不同项目评价的用户相似性,设计了一种优化的协同过滤推荐算法.实验结果表明,该算法能够有效避免由于数据稀疏性带来的弊端,提高了系统的推荐质量.     

基于用户对项目属性偏好的协同过滤算法

为了缓解用户项目评分矩阵数据的稀疏性,在传统的协同过滤项目评分矩阵的基础上,对项目的特征进行分析,引入项目特征矩阵,然后结合余弦相似性和基于用户对项目属性偏好相似性综合计算用户的相似性,并通过一个权值来控制两者的重要程度,提出了一种基于用户对项目属性偏好的协同过滤算法。研究结果表明余弦相似性和用户对项目属性偏好的用户相似性比重相等时,推荐系统的推荐质量最好;而且当评分矩阵越稀疏的时候,用户对项目属性偏好的用户相似性的比重越大越可以提高推荐质量;同时提出的基于用户对项目属性偏好的协同过滤算法在[MAE]值都要小于两种传统的协同过滤算法。     

一种融合项目特征和移动用户信任关系的推荐算法

协同过滤推荐系统中普遍存在评分数据稀疏问题.传统的协同过滤推荐系统中的余弦、Pearson 等方法都是基于共同评分项目来计算用户间的相似度;而在稀疏的评分数据中,用户间共同评分的项目所占比重较小,不能准确地找到偏好相似的用户,从而影响协同过滤推荐的准确度.为了改变基于共同评分项目的用户相似度计算,使用推土机距离（earth mover's distance,简称EMD）实现跨项目的移动用户相似度计算,提出了一种融合项目特征和移动用户信任关系的协同过滤推荐算法.实验结果表明：与余弦、Pearson 方法相比,融合项目特征的用户相似度计算方法能够缓解评分数据稀疏对协同过滤算法的影响.所提出的推荐算法能够提高移动推荐的准确度.     

基于项目评分预测的协同过滤推荐算法

推荐系统是电子商务系统中最重要的技术之一.随着电子商务系统用户数目和商品数目的日益增加,在整个商品空间上用户评分数据极端稀疏,传统的相似性度量方法均存在各自的弊端,导致推荐系统的推荐质量急剧下降.针对用户评分数据极端稀疏情况下传统相似性度量方法的不足,提出了一种基于项目评分预测的协同过滤推荐算法,根据项目之间的相似性初步预测用户对未评分项目的评分,在此基础上,采用一种新颖的相似性度量方法计算目标用户的最近邻居.实验结果表明,该算法可以有效地解决用户评分数据极端稀疏情况下传统相似性度量方法存在的问题,显著地提高推荐系统的推荐质量.     

基于标签信息特征相似性的协同过滤个性化推荐

标签推荐系统旨在利用标签数据为用户提供个性化推荐。已有的基于标签的推荐方法往往忽视了用户和资源本身的特征,而且在相似性度量时仅针对项目相似性或用户相似性进行计算,并未充分考虑二者之间的有效融合,推荐结果的准确性较低。为了解决上述问题,将标签信息融入到结合用户相似性和项目相似性的协同过滤中,提出融合标签特征与相似性的协同过滤个性化推荐方法。该方法在充分考虑用户、项目以及标签信息的基础上,利用二维矩阵来定义用户-标签以及标签-项目之间的行为。构建用户和项目的标签特征表示,通过基于标签特征的相似性度量方法计算用户相似性和项目相似性。基于用户标签行为和用户与项目的相似性线性组合来预测用户对项目的偏好值,并根据预测偏好值排序,生成最终的推荐列表。在Last.fm数据集上的实验结果表明,该方法能够提高推荐的准确度,满足用户的个性化需求。     

Common structure and properties of filtering systems

Recommendation systems have been studied actively since the 1990s. Generally, recommendation systems choose one or more candidates from a set of candidates through a filtering process. Methods of filtering can be divided into two categories: collaborative filtering, in which candidates are chosen based on choices of other persons whose interests or tastes are similar, and content-based filtering, in which items are chosen based on the profile or action history of the recommendee. However, these methods share the same structure in the sense that both of them recommend items based on relevance degrees of items and references, as well as relevance degrees between the recommendee and each reference. Most discussions about recommendation systems focus on the methods of choosing recommended candidates; few focus on foundational concepts of recommendation conditions that systems must satisfy, and problems that current systems have compared with these conditions. In this paper, recommendation systems are reconsidered from the viewpoint of multi-criteria decision making. Conventional filtering methods (e.g., collaborative filtering and content-based filtering) are formulated as linear weighted sum type recommendation systems. Several properties of linear weighted sum type recommendation systems are identified and formulated from the viewpoint of voting.     

基于概念分层的个性化推荐算法

协同过滤算法(couaborative filtering)目前较为成功地应用于个性化推荐系统中,但随着系统规模的扩大,面临很严重的稀疏性问题,制约了推荐效果。文中提出概念分层的方法对用户-项矩阵进行改进,同时使用交易数据和点击流数据,将相似用户选择项与多层次关联规则推荐项相结合,在稀疏数据集上表现出较好的性能。     

基于模糊簇的个性化推荐方法

提出了一种运用模糊聚类方法将项目属性特征的相似性与协同过滤推荐算法相融合的推荐方法,此方法将用户对单个项目的偏好转化为对相似群组的偏好,目的是构造密集的用户-模糊簇的偏好信息,同时利用项目之间在相似群组的相似性来初步预测用户对未评价项目的评分,在此基础之上再完成基于用户的协同过滤推荐算法。实验结果表明,该方法确实可提高协同过滤推荐算法的推荐精度。     

个性化服务中基于用户聚类的协同过滤推荐

协同过滤技术被成功地应用于个性化推荐系统中，但随着系统规模扩大，它的效能逐渐降低。针对此缺点，使用了基于用户聚类的协同过滤推荐，根据用户评分的相似性对用户聚类，在此基础上搜索目标用户的最近邻居，从而缩小用户的搜索范围。本文还提出将协同过滤推荐分为类内相似系数计算和产生推荐两个阶段，把相似系数的计算放在离线部分，减少在线推荐的计算量，提高实时响应速度。另对聚类算法初始聚类中心的选取也做了改进。     

An algorithm for efficient privacy-preserving item-based collaborative filtering

Collaborative filtering (CF) methods are widely adopted by existing recommender systems, which can analyze and predict user “ratings” or “preferences” of newly generated items based on user historical behaviors. However, privacy issue arises in this process as sensitive user private data are collected by the recommender server. Recently proposed privacy-preserving collaborative filtering (PPCF) methods, using computation-intensive cryptography techniques or data perturbation techniques are not appropriate in real online services. In this paper, an efficient privacy-preserving item-based collaborative filtering algorithm is proposed, which can protect user privacy during online recommendation process without compromising recommendation accuracy and efficiency. The proposed method is evaluated using the Netflix Prize dataset. Experimental results demonstrate that the proposed method outperforms a randomized perturbation based PPCF solution and a homomorphic encryption based PPCF solution by over 14X and 386X, respectively, in recommendation efficiency while achieving similar or even better recommendation accuracy.     

Improving sparsity and new user problems in collaborative filtering by clustering the personality factors

In collaborative filtering recommender systems, items recommended to an active user are selected based on the interests of users similar to him/her. Collaborative filtering systems suffer from the ‘sparsity’ and ‘new user’ problems. The former refers to the insufficiency of data about users’ preferences and the latter addresses the lack of enough information about the new-coming user. Clustering users is an effective way to improve the performance of collaborative filtering systems in facing the aforementioned problems. In previous studies, users were clustered based on characteristics such as ratings given by them as well as their age, gender, occupation, and geographical location. On the other hand, studies show that there is a significant relationship between users’ personality traits and their interests. To alleviate the sparsity and new user problems, this paper presents a new collaborative filtering system in which users are clustered based on their ‘personality traits’. In the proposed method, the personality of each user is described according to the big-5 personality model and users with similar personality are placed in the same cluster using K-means algorithm. The unknown ratings of the sparse user-item matrix are then estimated based on the clustered users, and recommendations are found for a new user according to a user-based approach which relays on the interests of the users with similar personality to him/her. In addition, for an existing user in the system, recommendations are offered in an item-based approach in which the similarity of items is estimated based on the ratings of users similar to him/her in personality. The proposed method is compared to some former collaborative filtering systems. The results demonstrate that in facing the data sparsity and new user problems, this method reduces the mean absolute error and improves the precision of the recommendations.     

安全的半监督方法的协同过滤推荐算法

为解决传统协同过滤算法中用户评分数据稀疏性,忽视物品及用户特征,所带来的推荐质量下降的问题,提出了一种基于安全的、高置信度的半监督方法的协同过滤推荐算法,采用安全的,高置信度的半监督方法S4VM对没有评分的数据进行有效预测,同时考虑用户的行为信息以及物品及用户特征。通过对未评分数据进行预测,能够有效地缓解数据的稀疏性,从而提高寻找最近邻的准确度。实验结果表明,该算法能够有效地提高系统的推荐质量。     

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。     

间接交互信息与因式分解机融合的推荐方法研究

针对现有推荐方法存在交互信息应用不充分和推荐性能不佳的问题,充分利用用户和项目之间的间接交互信息,采用可达矩阵来表达用户和项目之间的间接交互关系,通过可达矩阵与因式分解机有机融合,构建了一个新的推荐方法.在Amazon-Book、Last-FM和Yelp2018数据集上的实验表明,所提方法在推荐效果上既优于传统的基于因式分解机的推荐方法,又好于最新的基于神经网络因式分解机的推荐模型,在推荐的时间效率上比基于知识图谱注意力网络的推荐方法具有明显优势.同时,相对其他推荐方法,该方法还具有更好的可解释性.