基于组合优化理论的协同过滤推荐算法

针对传统推荐系统中的协同过滤推荐算法无法解决数据间的高度稀疏问题,采用余弦相似性度量运算的物品相似性误差较高,导致系统推荐质量降低,提出基于局部组合优化的协同过滤推荐算法,其改进了物品间相似性的运算,为了解决数据稀疏性问题,选择目标的近邻对象时利用局部优化方法选择推荐群,降低了预测的误差,确保误差值收敛到某固定值,并采用基于内容的方法调整协同过滤预测存在的异常预测结果。实验结果表明,所提算法抑制了数据稀疏性的不利影响,提高了协同过滤预测评分的准确度。     

基于协同过滤技术的线上课程推荐研究

基于"互联网+"技术的在线学习是一种新的、有效的学习方式,有助于学习者知识技能水平的提高.然而,很多学习者难以在海量网络课程中选择自己真正需要的课程.针对该问题,本文设计了一种基于协同过滤技术的线上课程推荐系统,改进了协同过滤算法的缺陷,为学习者提供有针对性的课程推荐,促进基于"互联网+"技术的人才培养.     

协同过滤中的相似性度量方法的研究

现今,推荐系统越来越受到重视和普及,协同过滤算法是应用最为广泛的个性化推荐技术之一,对基于用户和项的协同过滤推荐算法进行简单的阐述之后,着重对相似性度量方法进行了研究,分别介绍了相关相似性、余弦相似性和调整的余弦相似性,在稀疏数据下对这3种相似性度量方法进行了分析与比较,在最终给出分析结论,并在此基础上提出了改进的相似性计算方法。     

基于Spark架构的艺术学慕课资源协同过滤推荐算法研究

传统资源协同过滤推荐算法MAE值偏高,因此提出基于Spark架构的艺术学慕课资源协同过滤推荐算法。采用分级响应形式,建立用户-资源评分关系模型,用户对资源的评分减掉该用户评分平均值,完成资源协同过滤相似度计算的优化,引入集成度高的Spark架构,预测用户对资源的评分并生成推荐列表,实现艺术学慕课资源的精准推荐。经过与两种传统算法的对比实验结果可知,研究的算法在不同比例训练集和测试集的情况下,MAE值均低于两种传统方法,说明基于Spark架构的艺术学慕课资源协同过滤推荐算法推荐精度更高,性能更好。     

结合物品属性权重的混合推荐算法

自推荐系统被提出以来,各类算法层出不穷,各有利弊.数据稀疏性和冷启动问题是大部分推荐算法存在的缺点,将各类推荐算法混合,扬长避短,能很好的解决这些问题,传统的混合算法是将几种方法进行简单的线性组合.本文将物品属性权重引入相似性计算,再将改进的余弦相似性与之结合,生成一种动态的计算物品相似度的算法,将基于物品的协同过滤和基于内容的推荐的算法进行结合.实验数据表明该算法提高了推荐准确性的同时,还有效缓解了数据稀疏性和冷启动问题.     

基于协同过滤推荐的SNS网站好友系统优化方法

现有SNS网站好友系统一般采用的策略是用Hash散列算法将用户随机分配到多台服务器上。本文提出一种基于协同过滤推荐的分配策略,该方法是根据基于项目类别相似性的协同过滤算法。推荐给用户最合适的网络社团,并将相同网络社团内用户分配到同台服务器上。该技术成果应用于国家863科技项目（基于高可信网络的视频分享）。     

基于Android的推荐阅读系统设计

移动互联网的发展和智能手机的普及,彻底改变了人们的阅读习惯,帮助人们获取最有效的阅读资讯成为当今的研究热点之一.本文使用基于标签和评分的协同过滤算法(UTR-CF),设计并实现了基于Android的个性化推荐阅读系统.系统分为服务端和客户端,服务端定时从豆瓣读书爬取图书信息,根据图书的评分和标签、用户图书标签,采用基于标签和评分的协同过滤推荐技术实现个性化推荐;客户端展示用户感兴趣的推荐结果,并将设置的图书标签、评分上传到服务端.经测试,该系统能为用户提供快速、准确的个性化阅读需求.     

一种基于社会化标签的协同过滤推荐算法

为了减少社会化标签的语义模糊和冗余给基于标签的协同过滤算法带来的噪声,利用群体智慧选择流行标签对用户和资源建模,在此基础上设计了基于流行标签的协同过滤算法。实验证明,该算法降低了标签噪声,并提高了传统的基于标签协同过滤算法的准确性。     

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.     

基于粒子群选优相似性的协同过滤算法

协同过滤算法中最重要的是计算用户或项目之间的相似性,文中提出一种基于粒子群选优的相似性计算指标,适用于所有的协同过滤推荐系统。该度量指标是通过一个简单的线性组合得到,其中参数的选定主要依靠粒子群选优算法。在实施推荐算法前,在特定的数据集上通过粒子群选优算法得到最优的组合参数,在实施推荐算法时,运用前期学到的参数进行相应的推荐。实验结果表明文中提出的算法能显著性提高整个系统的推荐质量。