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。     

基于用户聚类的电子商务推荐系统

协同过滤是推荐系统中采用最为广泛和成功的推荐技术,但随着电子商务系统用户数目和商品数目的增加,在整个用户空间上搜索目标用户的最近邻居的耗时也急剧增加,导致系统性能下降.提出了一种基于用户项目类偏好值矩阵聚类的合作推荐方法,解决了"冷开始"问题,并且由于只在目标用户所属类别中搜索其最近邻居,减少了搜索空间,有效地提高推荐系统的实时响应速度.     

基于用户行为模型和蚁群聚类的协同过滤推荐算法

协同过滤技术是推荐系统中应用最为广泛的技术之一,用户的相似性度量是整个算法的核心要素,会对推荐算法准确率产生很大的影响.传统的协同过滤算法过度依赖用户评分机制,影片自身的标签信息没有被考虑为一个影响因素,在用户聚类时采用K近邻算法,会由于评分矩阵过于稀疏而难以收敛.同时,传统推荐技术仅基于用户历史行为进行推荐,无法为新用户提供合理的推荐.针对以上问题,提出了一种基于用户行为建模的蚁群聚类和协同过滤算法相结合的影片推荐技术.     

基于项目特征聚类的协同过滤推荐算法

提出基于项目特征聚类的Item-based协同过滤推荐算法.该算法首先根据项目的属性特征对项目进行聚类,形成其特征相似群,然后采用一种基于预评分的相似性度量方法计算目标项的最近邻居,最终产生推荐.经实验验证该算法可以有效解决用户评分数据稀疏性和冷启动的难题,而且可以显著提高系统推荐质量.     

基于聚类的协同过滤电子商务个性推荐系统的研究

根据目前电子商务网站中商品个性化推荐的现状,重点分析了比较常用的一种推荐方法——协同过滤推荐方法,发现了目前协同过滤算法在应用中所面临的挑战和问题,主要包括:推荐质量低、推荐效率低、数据稀疏性、冷启动等问题。针对这些问题本文提出了一种基于用户兴趣度的聚类分析协同过滤算法,有效的解决了目前算法中存在的数据稀疏性等问题,通过实验数据的分析对比,证明了算法的合理性和有效性。     

基于模糊聚类的协同过滤推荐方法

推荐系统是利用用户的历史偏好信息实现个性化服务的系统,它已经成为电子商务和信息获取领域中的重要应用。文中提出了一种通过模糊聚类的方法将项目属性特征的相似性与基于项目的协同过滤推荐技术相结合的推荐方法,首先应用模糊聚类技术对项目聚类,得到项目在属性特征上的相似关系群,然后与用户一项目评分矩阵中的协同相似关系群组合得到综合相似关系群,最后,利用综合相似关系群为目标用户推荐项目。实验结果表明,该方法不仅可有效改善基于项目的协同过滤推荐算法面临的“冷启动”问题,而且确实提高了推荐系统的推荐精度。     

基于项目聚类的协同过滤推荐算法

推荐系统是电子商务中最重要的技术之一 ,协同过滤是推荐系统中采用最为广泛也是最成功的推荐技术 .随着电子商务系统用户数目和商品数目日益增加 ,在整个用户空间上寻找目标用户的最近邻居非常耗时 ,导致推荐系统的实时性要求难以保证 .针对上述问题 ,本文提出了一种基于项目聚类的协同过滤推荐算法 ,根据用户对项目评分的相似性对项目进行聚类 ,生成相应的聚类中心 ,在此基础上计算目标项目与聚类中心的相似性 ,从而只需要在与目标项目最相似的若干个聚类中就能寻找到目标项目的大部分最近邻居并产生推荐列表 .实验结果表明 ,本算法可以有效提高推荐系统的实时响应速度     

改进的聚类邻居协同过滤推荐算法

推荐系统运用统计和知识发现技术在实时交互系统中提供产品推荐,并且已经在电子商务中取得了较广泛的应用。本文中我们介绍了一种不同于以往的推荐产生算法,称之为改进的聚类邻居协同过滤推荐算法,试验表明我们的算法比k-邻近点算法和聚类邻居算法具有更好的效果。     

基于改进Canopy聚类的协同过滤推荐算法

推荐系统通过建立用户和信息产品之间的二元关系,利用用户行为产生的数据挖掘每个用户感兴趣的对象并进行推荐,基于用户的协同过滤是近年来的主流办法,但存在一定局限性：推荐时需要考虑全部用户,而单个用户往往只与少部分用户类似。为了解决这个问题,提出了基于改进Canopy聚类的协同过滤推荐算法,将用户模型数据密度、距离与用户活跃度结合,计算用户数据权值,对用户模型数据进行聚类。由于结合了Canopy的聚类思想,同一用户可以属于不同的类,符合用户可能对多领域感兴趣的情况。最后对每个Canopy中的用户进行相应的推荐,根据聚类结果与用户评分预测用户可能感兴趣的对象。通过在数据集MovieLens和million songs上与对比算法进行MAE、RMSE、NDGG三个指标的比较,验证了该算法能显著提高推荐系统预测与推荐的准确度。     

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.     

电子商务推荐系统中的协同过滤推荐

电子商务推荐系统中协同过滤已成为目前应用最广泛、最成功的推荐方法。它利用相似用户购买行为也可能相似的特性进行推荐。介绍了与其他方法比较协同过滤方法的优点,然后说明了一些主要的协同过滤实现方法,指出了还需改进和完善的地方以及未来研究的方向。     

协同过滤推荐系统综述

随着互联网和信息计算的飞速发展,衍生了海量数据,我们已经进入信息爆炸的时代。网络中各种信息量的指数型增长导致用户想要从大量信息中找到自己需要的信息变得越来越困难,信息过载问题日益突出。推荐系统在缓解信息过载问题中起着非常重要的作用,该方法通过研究用户的兴趣偏好进行个性化计算,由系统发现用户兴趣进而引导用户发现自己的信息需求。目前,推荐系统已经成为产业界和学术界关注、研究的热点问题,应用领域十分广泛。在电子商务、会话推荐、文章推荐、智慧医疗等多个领域都有所应用。传统的推荐算法主要包括基于内容的推荐、协同过滤推荐以及混合推荐。其中,协同过滤推荐是推荐系统中应用最广泛最成功的技术之一。该方法利用用户或物品间的相似度以及历史行为数据对目标用户进行推荐,因此存在用户冷启动和项目冷启动问题。此外,随着信息量的急剧增长,传统协同过滤推荐系统面对数据的快速增长会遇到严重的数据稀疏性问题以及可扩展性问题。为了缓解甚至解决这些问题,推荐系统研究人员进行了大量的工作。近年来,为了提高推荐效果、提升用户满意度,学者们开始关注推荐系统的多样性问题以及可解释性等问题。由于深度学习方法可以通过发现数据中用户和项目之间的非线性关系从而学习一个有效的特征表示,因此越来越受到推荐系统研究人员的关注。目前的工作主要是利用评分数据、社交网络信息以及其他领域信息等辅助信息,结合深度学习、数据挖掘等技术提高推荐效果、提升用户满意度。对此,本文首先对推荐系统以及传统推荐算法进行概述,然后重点介绍协同过滤推荐算法的相关工作。包括协同过滤推荐算法的任务、评价指标、常用数据集以及学者们在解决协同过滤算法存在的问题时所做的工作以及努力。最后提出未来的几个可研究方向。     

基于模范用户的改进协同过滤算法

针对传统协同过滤算法普遍存在的稀疏性和扩展性问题,在传统协同过滤算法的基础上提出一种基于模范用户的协同过滤算法。通过对用户空间的聚类,自动选取模范用户聚类的最优粒度,利用模范用户产生推荐。实验结果表明,与传统协同过滤算法和其他基于聚类策略的算法相比,该算法在明显提高推荐效率的同时对推荐精度和稳定性都有所改进。     

一种基于协同过滤技术的在线交友推荐系统的设计与实现

为了满足年轻人在交友择偶方面需求,越来越多的征友网站应运而生.随着网站用户不断增加,根据用户提交的交友要求来进行推荐,往往结果数以千计或万计,要从这里面发现用户感兴趣的对象变得非常困难,我们将协同过滤算法引入交友推荐系统,并设计了一个个性化相似项目的协同过滤算法,根据用户的兴趣进行项目最近邻居查找,大大提高了用户对搜索结果的满意度.     

一种基于协同过滤技术的在线交友推荐系统的设计与实现

为了满足年轻人在交友择偶方面需求,越来越多的征友网站应运而生。随着网站用户不断增加,根据用户提交的交友要求来进行推荐,往往结果数以千计或万计,要从这里面发现用户感兴趣的对象变得非常困难,我们将协同过滤算法引入交友推荐系统,并设计了一个个性化相似项目的协同过滤算法,根据用户的兴趣进行项目最近邻居查找,大大提高了用户对搜索结果的满意度。     

推荐系统中的冷启动问题研究综述

推荐系统能够快捷、准确地定位用户真正需要的信息,解决网络信息过载问题。其中协同过滤推荐技术是推荐系统应用最广泛和成功的技术,但该技术面临冷启动问题的挑战。本文分析冷启动问题的产生原因,阐述研究冷启动问题的意义,重点总结解决冷启动问题的算法现状,分析比较它们的性能差异和各自存在的优缺点,从而便于使用者在解决冷启动问题时对算法的选择和使用。     

Novel Positive Multi-Layer Graph Based Method for Collaborative Filtering Recommender Systems

Recommender systems play an increasingly important role in a wide variety of applications to help users find favorite products. Collaborative filtering has remarkable success in terms of accuracy and becomes one of the most popular recommendation methods. However, these methods have shown unpretentious performance in terms of novelty, diversity, and coverage. We propose a novel graph-based collaborative filtering method, namely Positive Multi-Layer Graph-Based Recommender System (PMLG-RS). PMLG-RS involves a positive multi-layer graph and a path search algorithm to generate recommendations. The positive multi-layer graph consists of two connected layers: the user and item layers. PMLG-RS requires developing a new path search method that finds the shortest path with the highest cost from a source node to every other node. A set of experiments are conducted to compare the PMLG-RS with well-known recommendation methods based on three benchmark datasets, MovieLens-100K, MovieLens-Last, and Film Trust. The results demonstrate the superiority of PMLG-RS and its high capability in making relevant, novel, and diverse recommendations for users.

     

基于相似模式聚类的电子商务网站个性化推荐系统研究

保证个性化推荐系统产生高质量的推荐结果的重要因素是:系统必须要确定访问者在访问行为的相似程度,从而能预测访问者的访问和购买兴趣。实现此功能的关键技术是计算访问者对象在整个或者部分属性空间的相似距离,从而得到访问行为的相似程度。该文首先分析了目前在推荐系统中常用的用于计算访问行为相似程度的距离函数,发现它们是测定访问者对象在所有测试属性空间上的平均测定,而在属性集的子维空间上的相似模式并没有有效地挖掘出来。然后提出一种新的基于相似模式聚类算法的电子商务个性化推荐系统,综合考虑可供挖掘的数据源(如:网站内容,网站的超链接结构,顾客访问网站的行为,以及商业的实际购买情况,顾客的身份数据等)获取用户访问电子商务网站的访问页面序列,构建较高购买者的顾客行为的矩阵模型,高效地得到访问者对象在整个或者部分属性空间的相似访问行为,然后通过挖掘潜在购买者与较高购买者的相似模式特征,帮助顾客发现他所希望购买的产品信息,用于提高实际购买量,实验数据表明,该系统高效并可广泛使用。     

改进模糊划分聚类的协同过滤推荐算法

针对传统协同过滤（CF）推荐算法存在评分矩阵稀疏、扩展性弱和推荐准确率低的缺陷，提出一种改进模糊划分聚类的协同过滤推荐算法（GIFP-CCF+）。在传统基于修正余弦相似度计算方法上，引入时间差因子、热门物品权重因子以及冷门物品权重因子以改善相似度计算结果；同时引入改进模糊划分的GIFP-FCM算法，将属性特征相似的项目聚成一类，构造索引矩阵，同索引间根据项目间的相似度寻找项目最近邻居构成推荐，从而提高协同过滤算法（CF）的精度。通过与Kmeans-CF、FCM-CF和GIFP-CCF算法进行仿真对比实验，证明了GIFP-CCF+算法在推荐结果和推荐精度上具有一定的优越性。