一种新颖的协同推荐算法研究

为了克服协同推荐系统中的用户评分数据稀疏性和推荐实时性差的问题,提出了一种高效的基于粗集的个性化推荐算法.该算法首先利用维数简化技术对评分矩阵进行优化,然后采用分类近似质量计算用户间的相似性形成最近邻居,从而降低数据稀疏性和提高最近邻寻找准确性.实验结果表明,该算法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.     

一种改进相似度计算方法的协同过滤推荐算法

由于新用户和新项目的不断加入,传统的协同过滤推荐算法存在冷启动问题。针对该问题,提出了一种改进相似度计算方法的协同过滤推荐算法。首先根据项目的属性特征,计算项目的属性相似性,然后根据项目的用户评分,计算项目的得分相似性,按一定的权重比例将两种相似性组合起来作为最终的项目相似性。最后,根据项目相似性计算目标项目的邻居项目集,根据邻居项目集预测目标项目的用户评分。实验结果表明,新算法能提高推荐精度,并能在一定程度上解决冷启动问题。     

综合项目评分和属性的个性化推荐算法

针对传统协同过滤算法存在的数据稀疏性和冷启动问题,提出了一种综合项目评分和属性的个性化推荐算法.该算法在衡量项目相似性时,同时考虑用户评分和项目属性特征,并根据评分数据的实际稀疏情况动态调整两者的影响权重;预测评分时,利用用户对项目属性的偏好度来衡量其对未评分邻居项的喜好程度,并产生最终推荐.基于MovieLens数据集进行的实验结果表明,该算法使得最近邻的确定更加准确,系统推荐质量明显改善.     

关于语义网的学习资源推荐算法研究

网络资源学习推荐算法是利用用户搜索提供的关键词和文档查询方式,来收集用户需求的学习资源集合及核心概念集合,根据概念间的关系分别对用户评价的学习资源集合语义相似度及核心概念间语义相似度进行计算,并以此相似度值来决定用户偏好的相似性,找到该偏好相似的最近邻居,以实现协同推荐学习资源。同时,应用学习对象概念来降低计算相似度的复杂性,并将此法用于计算语义网的学习资源推荐体系中,结果显示,此计算法能够改善资源推荐的效果,资源及新用户注册数量均显著增加。     

基于评分区间相似性的协同过滤推荐算法

研究协同过滤推荐系统处理大规模稀疏评价数据的精度问题,针对目前余弦相似性处理极稀疏的用户评价矩阵不能获取满意推荐质量,且处理大规模推荐数据时存在性能缺陷的情况,提出基于评分区间相似性的协同过滤推荐算法.将用户评价的数值范围进行定性划分,以项目在各评价区间上的得分建模项目质量,以用户在各评价区间内的评分建模用户评分取向.使用余弦相似性度量方法衡量用户和项目间的相似程度,进而确定最近邻居.此方法的实现过程降低了稀疏性对最近邻发现的影响,且算法具有快速处理大规模评价数据的能力.使用标准的MovieLens数据集,测试提出的推荐算法,实验结果表明,本算法相比传统的最近邻推荐算法具有更好的推荐精度.     

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。     

基于语义网的个性化学习资源推荐算法研究

本文为了使用户对学习资源个性化需求得到满足,提出了基于语义网的个性化学习资源推荐算法。首先,以用户浏览行为和评价得出用户感兴趣的学习资源。之后,以领域本体的概念间关系对不同用户评价学习资源集合的语义相似度进行计算,以相似度值对用户兴趣建好相似性分析,寻找相似兴趣的最近邻居,实现学习资源协同推荐。另外,将学习对象概念应用在学习资源管理中,使相似度计算复杂度得到降低。通过实验表示,此算法能够使学习资源推荐效果改善。     

基于邻近项目的Slope One协同过滤算法

协同过滤是个性化推荐系统中的常用技术,数据稀疏性是影响协同过滤算法预测准确度的主要因素。提出了改进的Slope One算法,在该算法中,首先根据用户历史评分计算项目间相似性,然后依据项目相似性选取当前活跃用户评价过的k个相似项目记为邻近项目集合,并计算目标项目与其邻近项目的评分偏差,最后以项目间相似性为权重,计算当前活跃用户对目标项目的评分预测值。该算法使用邻近项目进行计算,降低数据的稀疏性,同时减少了计算量。使用标准MovieLens数据集对该算法的预测结果进行验证,结果表明：相对于原算法,该算法提高了预测的准确性,与其他协同过滤算法相比,推荐准确度也有明显的提高。     

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%。     

移动通信网中基于用户社会化关系挖掘的协同过滤算法

该文面对移动通信网中个性化服务推荐问题,结合社会化网络分析方法提出一种基于移动用户社会化关系挖掘的协同过滤算法。利用移动通信网中所形成社会化网络,预测潜在的社会化网络关系,并按关系紧密程度找到相似用户;然后结合基于用户评分相似度计算发现的最近邻用户,找到最相似的用户集合,进行移动用户偏好预测和推荐,有效地缓解数据稀疏性。仿真数据集和公开数据集实验表明了该算法在预测移动用户偏好和提高推荐精确度方面的可行性和有效性。     

云实训室信息化数据智能推荐技术

多模态领域内，海量信息化数据交互使用，用户难以精准获取目标资源，为此提出一种基于三维双流网络的云实训室信息化数据智能推荐技术。分析历史数据，采集用户对数据倾向程度，利用人口统计信息与历史评价矩阵，计算用户兴趣与待推荐数据间相似性，应用K-Means算法聚类相似性结果，引入三维双流网络，卷积化处理相似性结果集合，凭借文本与图像特征信息，对比卷积下数据与用户分类结果，实现云实训室信息化数据的智能推荐。实例测试结果表明，所提技术具有推荐效率较高与推荐满意度评分较好的优点。     

一种基于权重矩阵的协同过滤算法的相似度度量方法

协同过滤算法作为目前推荐系统中重要的技术之一,其中相似度度量方法是衡量其效果的重要指标。传统相似度度量方法主要是在用户评分矩阵的基础上对用户的共同评分项进行度量,却忽视了用户评分标准不一致和共同评分项目之外的可用数据。基于上述问题,从用户交叉项目和交叉项目之外的已有权重项目两方面共同考虑,文中融合了修正的Tanimoto系数和相关相似性,提出一种基于权重矩阵的协同过滤相似度度量方法,有效避免了因用户评分标准不一致出现的误差,提高了数据利用率。实验结果表明,该算法有效地提高了推荐的准确性。     

基于资源签名的Android应用相似性快速检测方法

由于盗版Android应用（Android Application,简称APP）通常保持着与正版APP相似的用户体验,因此本文提出一种基于资源签名的APP相似性快速检测方法.该方法将APP的资源签名视为字符串集合,利用计算任意一对APP资源签名集合的Jaccard系数判断两者的相似性.为了避免遍历全部的APP对,该方法将MinHash和LSH（Locality Sensitive Hashing）算法的思路引入其中,通过从APP集合中挑选候选对并对候选对进行检验的方式获得最终的检测结果.由于挑选候选对的方式将大量相似性较低的APP对排除在外,因此该方法可以明显地提高APP相似性的检测速度.实验结果表明,该方法的检测速度比现有方法FSquaDRA提高了大约30倍,而检测结果与FSquaDRA几乎完全相同.     

基于用户兴趣和双重聚类融合的协同过滤算法的优化研究

协同过滤技术是目前应用最多的一种推荐技术,这项技术从用户提供的信息中展开发掘,按"物以类聚,人以群分"的原则产生和目标用户(或项目)相似性高的最近邻,从中预测评分,进而产生推荐。但是由于评分信息稀疏化就会造成无法适应用户兴趣,而且推荐的实时性差等问题。针对上述问题,文章提出了一种带有改进的用户-项目类型喜好相似性的计算方法完善用户兴趣改变的问题,并且结合了优化后的双重k-means聚类,使搜索最近邻的范围大大减少,从而提高了推荐算法的实时性。实验结果表明,该优化后的协同过滤推荐算法能通过时间相似性更好地适应用户兴趣的变化,推荐的精度最精确,效果更易使用户满意。     

基于组合相似性的视频检索

该文研究基于镜头的视频检索问题,提出了一种新的基于组合相似性的镜头相似性度量方法。首先把镜头看成由帧序列组成的一个组合,镜头的相似性通过帧组合的相似性来度量。其次通过用一个非线性映射,把帧组合所在的空间映射到一个高维空间,在这个空间中,假设帧组合服从正态分布,利用核方法,抽取出关键帧序列,并计算出两个正态分布之间的概率距离,这个距离表明了帧组合的相似程度,从而得到两个镜头之间的相似性。最后将这种方法应用于基于镜头的视频检索中,实验表明在相同条件下,基于该方法的检索效果明显优于传统的欧式距离和直方图交方法。     

马尔科夫协同过滤模型在用户动态行为分析中的应用

文章利用马尔科夫模型和协同过滤的思想,解决了对"中国科技论文在线"用户进行实时上下文信息的动态推荐问题。先按时间排序对每一个用户的访问URL抽取,提取出状态转移矩阵,再根据协同过滤中的邻居相似度思想用余弦因子法找出最近邻的N个邻居;当给出某用户的当前访问URL时,推荐给他自身和N个最近邻居可能访问的下一个URL的集合。     

基于领域本体的个性化推荐在健康系统中的研究

协同过滤技术(Collaborative Filtering)成功应用于个性化推荐系统中,为了用户能更准确地获取信息,提出了利用领域知识进行相似度计算的协同过滤算法,利用用户兴趣与领域本体中概念的映射关系,构建用户兴趣本体,发掘用户兴趣模式,通过融合评分项目相似度和用户相似度的计算,使用户在评分的共同项目很少或为零的情况下也能找到最近邻进行协同推荐.将这一方法应用到某健康系统中进行实验分析,该方法不仅解决了传统的基于项目的协同过滤带来的问题,而且还提高了推荐系统的推荐质量.     

修正的“当前”统计模型自适应跟踪算法

＂当前＂统计模型及其自适应卡尔曼滤波算法虽能对强机动目标进行较好跟踪,但对弱机动目标存在较大跟踪误差。针对这一问题,在推导传统＂当前＂统计模型适用范围的基础上,提出一种修正的＂当前＂统计模型算法。该算法用正态分布来弥补修正瑞利分布的缺陷,同时利用模糊隶属度函数对系统方差做加权调整。仿真结果表明,新算法较传统算法不仅提高了对弱机动目标的跟踪精度,对强机动目标的跟踪精度也有较大程度的提高。     

一种新的支持向量机核函数评估方法

针对传统支持向量机核函数评估中指标构建不完备、应用背景不强等问题,提出了一种新的支持向量机核函数评估方法。该方法首先构建了以相似性、稳定性、复杂性为评估指标的评估体系,给出了各指标的计算准则,再基于用户实际应用需求对各评估指标权重作层次分析,最后利用指标权重矩阵和指标评分矩阵以综合打分方式对核函数性能进行综合评估并排序。应用结果表明,该评估方法可行有效,不仅能够较好地实现对支持向量机核函数性能的分析和评估,也能为支持向量机的研究与选择提供依据。     

交互电视中基于本体的个性化节目协同推荐

提出一种在Web-TV环境中,拥有较强个性化和交互特性的基于本体的电视节目协同推荐方法。采用隐式和显式两种方法估计用户对其已收看节目的喜好程度,并根据用户收看电视节目的四条性质,提出隐式估计评分值的核心公式。在协同推荐时,利用节目本体中各元素的语义相似性,根据已经得到的评分值推测用户对未收看节目的评分值,解决了协同推荐的稀疏性缺点,并且在计算用户之间的相似度时,还考虑了用户的个人属性。最后还提出了实现了该算法的原型系统。