基于协同过滤推荐算法的改进性研究

互联网技术的发展极大促进了电子商务行业,网上购物模式已经改变了传统的购物模式,海量的信息影响了客户的购物效率.个性化的推荐系统能够为客户提供个性化的服务,个性化协同过滤推荐算法是应用最为广泛的算法.本文主要对协同过滤推荐算法进行研究,并采用RBF径向基神经网络对传统的协同过滤推荐算法进行改进,更加有效的为用户提供个性化的推荐.     

协同过滤推荐算法的研究

随着互联网的普及,网络资源的激增,网上购物的交易方式正在改变着传统的商业模式。为了提供精确而又快速的推荐,研究者提出了多种推荐算法。本文将针对电子商务发展的需求,通过协同过滤推荐算法的文献综述,对传统过滤算法无法适用于用户多兴趣下的推荐问题进行了剖析,提出了一种基于用户多兴趣的协同过滤推荐改进算法,分析了基于用户多兴趣的协同过滤推荐算法的电子商务系统。     

基于混合属性相似度的协同过滤推荐算法研究

协同过滤推荐算法是最常用的推荐算法,然而传统的基于项目的协同过滤推荐算法并没有充分利用用户信息,对此本文提出一种改进方案,提出在传统算法的基础上混合基于用户信息的项目属性相似度来改进算法从而进一步提升推荐的准确度。为了解决此方案带来的额外开销,文中同时提出一种分布式计算结构来提升计算效率。实验结果表明,该方法与传统的基于项目的协同过滤推荐算法相比,推荐准确度有明显提高。     

结合关联规则填充的协同过滤改进算法

为了改善传统个性化推荐中协同过滤算法存在的诸如用户和项目评分矩阵稀疏、推荐准确度不高、冷启动等问题,提出一种结合关联规则填充对协同过滤推荐算法进行改进的方法。这种算法是在协同过滤算法的第一步前加入通过关联规则得到的结果,预测一些没有评分值的项目,将新得到的数据填充到原用户-项目评分矩阵中,降低评分矩阵的稀疏性,从而提供更多数据的相似性计算,在此基础上再结合基于传统项目的协同过滤算法对用户进行推荐。通过MovieLens数据集进行实验对比,结果显示文中提出的算法与传统算法相比,推荐系统的准确性和有效性显著提高。     

Hadoop环境下协同过滤算法改进与实现

协同过滤算法被成功的应用于个性化推荐系统中。但是传统的协同过滤算法没有考虑用户兴趣会根据时间的推移发生兴趣偏移问题,导致推荐系统的推荐质量下降,而且随着数据量的不断增大,传统的基于单机模式的推荐计算模式已经无法适应大数据。针对该问题,提出了在Hadoop分布式环境下基于时间加权的协同过滤算法设计和实现,实验表明,改进的算法可以在Hadoop分布式环境下对海量数据进行计算生成推荐结果,而且提高了推荐系统的推荐质量。     

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...     

改进的协同过滤算法在商品推荐中的应用

本文对传统的协同过滤推荐算法进行了一定程度的优化,将基于协同过滤技术的理论研究更好地应用在商品个性化推荐中,以解决协同过滤打分稀疏问题,以及协同过滤的推荐准确率低的问题,首先使用二部图表示用户和商品的二元关系,然后利用二部图模块函数对用户和商品划分相似类,最后产生基于同类用户和同种商品的推荐列表并将两个推荐列表混合使用,得到基于二部图函数的改进的协同过滤算法。算法根据用户的兴趣和需求向其推荐个性化的商品,降低了用户搜寻信息的成本,具有广泛的可行性和实用性。     

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.     

移动用户餐饮个性化需求推荐研究

在个性化推荐系统中,协同过滤技术是应用最成功的技术。协同过滤技术包含几种典型代表,基于用户的协同过滤、基于内容项的协同过滤、基于关联规则的协同过滤等,这些方法都有各自的优缺点和应用领域。通过对传统协同过滤算法进行分析,根据移动用户餐饮个性化的特点,引入杰卡德系数,将杰卡德系数引入到协同过滤中并对算法进行改进,最终在移动用户餐饮个性化推荐中取得了较为理想的效果。