预测模型推荐方法研究

随着www的迅速发展和网络用户的急剧增加,作为个性化推荐的核心技术,预测模型得到广泛关注,并成为具有挑战性的研究课题。准确预测Web用户的访问行为对减小用户的感知延时,实现个性化推荐等具有重要的作用。混合阶Markov预测模型通常具有较好的预测性能。结合高效的推荐方法,能使模型的预测性能有所改善。探讨了三种高效的推荐方法,并通过仿真实验比较其性能。     

个性化服务中基于模糊聚类的协同过滤推荐

推荐系统是个性化服务中最重要的技术之一,协同过滤技术已经成功地应用于个性化推荐系统中。随着用户和商品数目日益增加,推荐系统的效能逐渐降低,实时性要求也难以保证。针对此缺点,本文使用了一种基于模糊聚类的协同过滤推荐,根据用户对项目评分的相似性对项目进行模糊聚类,并在此基础上搜索目标用户的最近邻居,从而缩小最近邻的查找范围并产生推荐结果。实验结果表明,该方法可以有效提高个性化服务中的实时响应速度。     

电子商务网站个性化推荐技术研究

电子商务打破了传统的销售方法和渠道,在互联网这个广阔的空间里,用户与商家即使相隔万里,也可以快速直观地选购商品。但是,在数以亿计的商品海洋里,用户如何快速找到需要的商品,商家如何将可能符合用户要求的商品推荐给用户,成为现在研究热门。本文介绍了一种基于商品关键词的个性化推荐方法,使用聚类和关联规则相结合的方法,得出一套推荐系统。经测试,推荐系统性能良好。     

个性化推荐中一种新的相似性计算方法

个性化推荐是电子商务系统中最重要的技术之一,随着用户数目和商品数目的日益增加,在整个商品空间上用户评分数据极端稀疏,传统的相似性度量方法存在各自的弊端,导致推荐系统的推荐质量急剧下降。针对传统相似性度量方法的不足,提出了一种新的基于模糊相似优先比的相似性度量方法,根据项目之间的相似性预测用户对未评分项目的评分,在此基础上,采用相似优先比计算目标用户的最近邻居。实验表明,该度量方式能够提高个性化推荐系统的推荐质量。     

结合灰色预测的动态概率矩阵分解

推荐系统的目标是找出符合用户喜好的物品, 但是用户的喜好和物品的特征是动态变化的, 这种变化会影响推荐系统的准确性. 很多推荐系统只是简单的使用概率矩阵分解模型, 缺乏对这个问题的有效解决. 本文利用灰色系统理论中的灰色预测模型对用户和物品的动态性建模, 继而提出了一个基于概率矩阵分解和灰色预测模型的动态推荐系统.首先, 利用概率矩阵分解模型生成各个连续时间窗中用户和物品的隐式向量. 接着, 利用灰色预测模型得到未来时间窗中用户和物品的隐式向量, 继而进行推荐. 实验结果说明本文的算法能够有效地对用户和商品的动态性进行建模, 且优于一些现存的最好的算法.     

改进填补法和多权重相似度相结合的推荐算法

针对传统推荐算法中存在的数据稀疏性问题,国内外许多研究人员都提出了相应的推荐算法。然而,在个性化推荐方面,其中大多数并没有取得很好的推荐效果。因此,提出改进填补法和多权重相似度相结合的推荐算法,该算法首先采用改进填补法填充缺失值并对数据降维,接着分别计算社交网络用户信任度和改进的二部图用户关联度,最后采用多权重因子将这两者相似度进行结合。基于此,该算法根据相似度高低获取邻居用户并对目标用户进行商品推荐。实验结果表明,在数据稀疏性以及个性化推荐情况下,该算法的平均绝对误差（MAE）优于其他推荐方法。     

基于耦合CNN评分预测模型的个性化商品推荐

电子商务中大量评论数据蕴含着丰富的信息,该信息有助于解决个性化推荐系统存在的数据稀疏问题.为了充分挖掘评论数据蕴含的价值,提高商品推荐的准确率,本文提出了基于耦合CNN评分预测模型的个性化商品推荐方法.该方法首先利用耦合CNN构建评分预测模型,将耦合CNN分为用户网络和商品网络,划分成输入层、卷积层、输出层和共享层;用户评论数据和商品评论数据分别从相应网络输入;在评论数据分析时,从字向量角度进行语义分析,同时改变传统的使用单一大小卷积核处理句子的模式,使用多个并行的卷积层,利用大小不同的卷积核对句子进行特征提取;两个网络的输出将共同汇聚于共享层,在共享层使用因子分解机进行评分预测;最后将结果中的高评分商品推荐给用户.经对比实验验证,本文所给方法能够提高商品推荐的准确率.     

个性化新闻推荐系统研究综述及探讨

随着新闻媒体技术的快速发展,网络新闻数量呈指数级增长。为了解决网络信息过载的问题,个性化新闻推荐扮演着极其关键的角色。它通过学习用户的浏览行为、兴趣爱好等信息,主动为用户提供感兴趣的新闻,从而提高用户的阅读体验。个性化新闻推荐逐渐成为新闻领域及计算机科学领域的研究热点和实践难题,业界专家已提出多种推荐算法用于提高推荐系统的性能。本文系统阐述个性化新闻推荐的国内外最新研究现状和进展,首先,简要介绍新闻推荐系统的架构,并对新闻推荐系统中核心推荐算法和常用评价指标进行研究。虽然个性化新闻推荐给用户带来很好的体验,但是潜移默化中也给用户带来很多未知的影响。跟其他新闻推荐综述不同的是,本文还结合新闻媒体专业研究了当前新闻推荐系统对用户行为产生的影响及面临的问题。最后,根据当前遇到的问题提出个性化新闻推荐的研究方向及未来工作重点。     

基于项目分层的个性化推荐方法

协同过滤目前较为成功地应用于个性化推荐系统中.但随着系统规模的扩大和待推荐项目的不断增加,协同过滤面临着稀疏性问题和新项目推荐问题,制约了推荐效果.在此分析了传统协同过滤推荐方法中存在的问题,提出一种基于项目分层的个性化推荐方法.采用了基于多层兴趣表示的用户相似性算法,并结合相似用户推荐项与项目相似性来推荐新项目.该推荐方法在稀疏数据集上能表现出较好的推荐质量,同时也能够有效地解决新项目推荐问题.     

集成用户信任度和品牌认可度的商品推荐方法

针对个性化商品推荐方法中普遍存在的推荐准确率不高的问题,提出一种集成用户信任度和品牌认可度的商品推荐方法（TBCRMI）。该方法通过分析用户的购买行为和评价行为,计算得到用户对商品品牌的认可度和用户自身的活跃度;然后利用DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法对用户进行聚类,并在此基础上融合用户信任关系,采用Top-K方法得到近邻关系;最后,依据近邻关系生成目标用户商品推荐列表。为了验证算法的有效性,使用Amazon Food和Unlocked Mobile phone两个数据集,选择基于用户的协同过滤算法（UserCF）、融合用户信任的协同过滤推荐算法（SPTUserCF）与合并用户信任的协同过滤算法（MTUserCF）,对准确率、召回率和F1值等指标进行了对比分析。实验结果表明,无论是多品牌综合推荐还是单一品牌推荐,TBCRMI在各项指标均优于目前常用的个性化商品推荐方法。