基于隐语义模型改进的协同过滤推荐算法

为解决传统的协同过滤算法相似度计算不精确而导致的推荐召回率低的问题。通过LFM隐语义模型与协同过滤结合的方法研究了用户不相似度与用户平均兴趣程度对推荐召回率的影响,并且提出依据个人选择能力的个性化推荐策略。结果表明:该算法能够有效优化用户间的相似度,提高推荐结果的召回率。     

一种基于隐语义模型的协同过滤算法

传统的协同过滤算法忽略了用户对项目的兴趣度这一重要特征,对此提出了一种新的概率生成模型.综合考虑了用户对项目的兴趣度和用户对项目的评分模式两种因素,并在此基础上设计了一种度量指标进行推荐,实验证明与传统的协同过滤算法相比,该方法能够获得更好的推荐效果.     

融合时间因素的隐语义模型推荐算法

针对传统推荐算法中存在数据稀疏和精确度不高的问题,提出一种融合时间因素的隐语义模型推荐算法,在隐语义模型中引入时间偏置项体现时间推移对用户兴趣偏好的影响,解决数据稀疏问题的同时降低时间推移造成的误差,结合基于邻域的协同过滤模型求出目标用户推荐列表。采用Movielens1M数据集验证算法的有效性,实验证明该算法与基于用户的协同过滤算法以及基于隐语义模型的推荐算法,能有效解决数据稀疏问题,在准确率、召回率和综合F值上分别比基于用户的协同过滤算法提高1.66%、2.12%、2.04%,比基于隐语义模型的推荐算法分别提高1.38%、1.48%、1.49%,能够进一步提高推荐系统的准确性及推荐质量。     

基于改进的协同过滤图书推荐算法

高校图书馆图书个性化推荐没有得到很好的推广和实施,一个重要原因是用户对图书的评价不足.因此,提出了一种基于兴趣的高校图书推荐算法.该算法较好地解决了协同过滤算法无法使用和评分不足的问题.同时,将流行与反向流行的特征结合,使其更接近读者的行为.实验表明,该算法优于传统的协同过滤推荐算法,能够满足实际需求.     

基于个性化图书推荐的协同过滤算法

本文对基于个性化图书推荐的协同过滤算法的设计方案进行实验,目的是为证实在真实用户的多标准评估过程中怎样产生数据集,从而找到一种科学的算法。并通过图书推荐的应用案例来说明算法,以验证其是否有效。     

协同过滤推荐算法研究综述

协同过滤推荐算法是目前在推荐系统中应用最成功和广泛的技术之一。本文详细介绍了协同过滤推荐算法的分类和度量指标。同时,分析了协同过滤推荐算法中的问题以及相应的解决办法。最后阐述了协同过滤推荐系统中仍需解决的问题和未来可能的发展方向。     

基于协同过滤的个性化图书推荐系统研究

在许多应用领域,多标准推荐系统使用多标准决策方法实施推荐,但是,多标准推荐系统在实施和测试方面仍然相当有限,特别是在一些特定领域,文中提出了三种多标准功效协同过滤算法的几种设计方案的实验分析,使用的数据集是模拟产生的,实验的目的是为了证实当来自于真实用户的多标准评估数据集不能得到的时候,如何产生数据集,并用于实施研究和选择一个恰当的算法。一个来自数字图书馆图书推荐的实例用于说明算法的使用,验证其有效性。     

一种基于信息老化的协同过滤推荐算法

协同过滤推荐算法中存在推荐信息低时效性问题,该文针对此问题,结合信息老化理论,提出一种基于信息老化的协同过滤推荐算法。该算法利用用户的点击记录,构建项目的时效性评价模型来预测项目当前时刻被点击的概率;将模型与基于项目协同过滤推荐算法结合,综合考虑用户的兴趣和项目的时效性来发现项目的最近邻居,从而进行高时效性的推荐。实验结果表明,与传统基于项目的协同过滤推荐算法相比,该算法提高了推荐结果的时效性。     

基于领域协同过滤的专家评审推荐方法

针对创新、创业项目中专家评审匹配度低、针对性差等问题,本文提出基于领域协同过滤的专家评审推荐方法。结果表明,本文提出的基于协同过滤的专家评审智能推荐方法大大提高了项目的匹配度,同时提高了资源利用效率。     

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。     

基于一跳信任模型的协同过滤推荐算法

基于社会信任网络的协同过滤推荐算法存在节点之间多下一跳带来的复杂路径选择和信任弱传递问题。针对这2个问题,给出基于项目的一跳信任模型,该模型通过用户对项目信任度的计算,定义用户的直接和间接社会信任属性,然后一步跳转计算用户之间的直接和间接信任距离,进而计算用户之间的信任度。基于此模型设计推荐算法,同时分析了信任度与传统相似度的理论关系并二维拟合。仿真实验表明,该算法提高了推荐准确度(约0.02 MAE),降低了训练时间(约50%)。     

一种基于NSGA-II的协同过滤推荐算法

为了提升几种基本的协同过滤推荐算法的精确度与召回率,引入了多目标遗传优化算法NSGA-II,并利用模型加权融合的方法实现了新的协同过滤算法。实验证明,该算法相较几种基本的协同过滤算法在精确度与召回率上均有所提升。     

基于个性化特征的协同过滤推荐算法

针对相似度特征点推荐方法对用户个性化需求匹配度不高的问题,提出基于个性化特征的协同过滤推荐算法。以社会网络为结构模型构建用户信息的评分模型和项目属性模型,采用信任度条件概率分析方法构建可靠性推荐模型,进行个性化特征分析和提取,实现个性化特征需求与项目兴趣点的合理匹配,实现协同过滤推荐,最后通过仿真实验进行测试分析。结果表明,采用该方法进行社会网络项目协同过滤推荐的用户评分高,平均绝对误差和均方根误差小,提升了推荐质量。     

Collaborative filtering recommendation algorithm based on interactive data classification

In the matrix factorization (MF) based collaborative filtering recommendation method, the most critical part is to deal with the interaction between the features of users and items. The mainstream approach is to use the inner product for MF to describe the user-item relationship. However, as a shallow model, MF has its limitations in describing the relationship between data. In addition, when the size of the data is large, the performance of MF is often poor due to data sparsity and noise. This paper presents a model called PIDC, short for potential interaction data clustering based deep learning recommendation. First, it uses classifiers to filter and cluster recommended items to solve the problem of sparse training data. Second, it combines MF and multi-layer perceptron (MLP) to optimize the prediction effect, and the limitation of inner product on the model expression ability is eliminated. The proposed model PIDC is tested on two datasets. The experimental results show that compared with the existing benchmark algorithm, the model improved the recommendation effect.     

Collaborative filtering recommendation algorithm based on rough set rule extraction

To address the problem that in a practical recommendation system (RS),because of the datasets are often very sparse,the traditional collaborative filtering (CF) approach cannot provide recommendations with higher quality,a novel CF based on rough set rule extraction was proposed.Firstly,the attributes of user/item and the user-item rating matrix were used to construct a decision table.Then,the core value of each rule in the table was extracted through using the decision table reduction algorithm.Finally,according to the nuclear value decision rule of the core value table,the reductions of all decision rules were utilized to predict the rating scores of un-rated items.Experimental results suggest that the proposed approach can alleviate the data sparsity problem of CF,and provide recommendations with higher accuracy.     

基于信任和图聚类的协同过滤推荐算法

推荐系统的作用是为用户提供个性化的建议或服务,从而帮助用户在大量数据中快速找到感兴趣的项目。在现有的推荐算法中,基于模型的协同过滤推荐算法是推荐系统中一种重要且被广泛使用的方法,它可以解决推荐系统中的冷启动和数据稀疏等部分问题。文中对传统的协同过滤算法进行了改进,将组合了信任信息和图聚类算法的协同过滤技术应用在推荐系统。该方法首先将用户/项目信息表示为图形,然后在图形上使用近似最密集子图查找算法来找到初始集群中心,接着应用迭代方法来更新集群中心直到合并集群。最后将找到的集群作为邻居,对未知项目预测评级并向活跃的用户推荐前N项。在不同的数据集中,对比不同聚类方法的评估结果来表明所改进的方法优于其它推荐方法。     

基于隐式数据和Apriori的协同过滤推荐算法

针对传统协同过滤推荐算法对目标客户进行个性化推荐时,因用户评价数据和物品属性等显式数据稀疏,造成推荐商品的准确率和质量相对较差的问题,本文基于隐式数据和Apriori算法对协同过滤推荐算法做出改进.首先,算法基于隐式数据中用户对商品的行为和用户对商品的评价,建立用户对商品的评分偏好模型,用以构建原始评分数据;其次,利用...     

一种基于稀疏分段的协同过滤推荐算法

针对数据强稀疏性严重制约协同过滤算法推荐准确性的问题,提出基于稀疏分段的改进方法。首先利用基于迭代预测的支持向量回归在解决小样本高维数据中的优势,对稀疏的U-I矩阵中相对弱稀疏的密集数据部分预测缺失评分,然后使用基于项目的插补协同过滤方法预测剩余数据的缺失评分。在多个公开数据集中的实验表明,该方法适用于强稀疏数据集的推荐,与基于项目协同过滤比较可取得较好的预测结果。     

基于CE3:k-means的协同过滤推荐模型研究

随着网络数据量的迅速增长,传统数据处理方式的推荐算法已经不能满足互联网发展的需求,为了追求推荐精确性与人性化,协同过滤算法以其更高的推荐满意率逐渐取代其他推荐算法.然而,协同过滤算法推荐的准确程度取决于用户或者物品相似度的计算,成员偏好的多元性使得用户相似度并不能很好的体现用户之间的关联程度.针对这一问题,将CE3:k...