基于隐性反馈分析的个性化推荐研究

针对目前典型电子商务推荐系统中存在的问题,提出了一种基于隐性反馈的信息分析处理方法,详细阐述了系统收集和处理用户个性化信息进行模糊语意分析,从而建立用户兴趣模型的过程.对实验数据的分析表明,该模型实现了推荐系统对用户兴趣的较准确判断,同时能及时有效地掌握用户兴趣偏移,从而改善用户体验,增加用户黏性,进而提高商务网站交易量.     

动态自适应的混合智能协同推荐算法

针对当前协同过滤推荐算法存在数据稀疏、用户兴趣变化和时效性不明显、推荐质量差等问题,提出了一种动态自适应的混合智能协同过滤推荐算法。首先利用修正核模糊聚类算法进行聚类分析,得到目标用户初始邻居集,缩小计算范围;重新定义了初始等价关系和等价关系相似性,提出了动态x近邻算法,得到准确邻居集并用预测评分填充矩阵,优化数据质量;最后引入用户兴趣变化因子和评价时效,挖掘用户潜在的兴趣变化,得到较好的推荐结果。实验结果表明,该算法能够得到更准确的最近邻居集,提高预测准确率和推荐质量,为用户提供更好的个性化推荐。     

基于模糊描述逻辑的个性化推荐系统建模*

为了解决现有个性化推荐系统中缺乏对模糊语义信息处理的能力,本文建立模糊语义推荐系统模型,使用模糊描述逻辑实现了该模型,并给出了推荐算法。在实现模型的过程中引入了两条规则实现了概念层次关系在的兴趣程度和关联程度上的传递。最后通过实例证明,通过将用户的兴趣和待选资源的相关概念在语义层面进行适当的扩展,模糊语义推荐系统模型能更准确描述用户的兴趣并产生更多符合用户兴趣的推荐项目。     

基于本体用户兴趣模型的个性化推荐系统

针对传统个性化推荐系统用户兴趣模型创建和更新的不足,无法准确地感知用户特定背景下的语义信息和用户兴趣随着时间的变化,基于用户兴趣本体提出一种新用户兴趣模型,并通过激活扩展理论描述该用户兴趣模型的更新算法。同时,改进了推荐算法,结合协同过滤进行个性化推荐。实验结果表明,该模型能够有效反映用户兴趣,新的推荐算法在MEA、多样性、冷启动处理、稳定性方面都具备很高的性能。     

基于用户兴趣分类的协同过滤推荐算法

在现代信息网络中,个性化的推荐系统已经成为用户和应用软件交互的关键部分.推荐算法是个性化推荐系统的核心,其中,协同过滤算法是至今应用最为成功的推荐算法之一.但传统的协同过滤算法没有考虑用户兴趣的多样性,对用户兴趣度量不准确,难以适用于用户多兴趣的推荐系统,提出了适应用户兴趣多样性的协同过滤算法并利用改进的模糊聚类算法搜...     

基于用户偏好特征挖掘的个性化推荐算法

为了提升社交网络个性化推荐能力,结合用户行为分布进行个性化推荐设计,文中提出基于用户行为特征挖掘的个性化推荐算法,构建社交网络的用户行为信息特征挖掘模型,采用显著数据分块检测方法对社交网络用户特征的行为信息进行融合处理,提取反映用户偏好的语义信息特征量。从情感、关键词和结构等方面根据用户行为特征组,结合模糊信息感知方法进行社交网络个性化推荐过程中的信息融合处理,在关联规则约束控制下,构建社交网络用户偏好特征的混合推荐模型,实现用户偏好特征挖掘,根据语义分布和用户的行为偏好实现社交网络的个性化信息推荐。仿真结果表明,采用所提方法进行社交网络个性化推荐的特征分辨能力较好,对用户行为特征的准确识别能力较强,提高了社交网络推荐输出的准确性。     

基于用户兴趣三维建模的个性化推荐算法

针对推荐系统中用户的个性化需求,提出一种基于用户兴趣三维建模的个性化推荐算法.通过分析用户行为数据,从兴趣广度、兴趣深度和兴趣时效3个角度分析用户的兴趣构成,对用户兴趣进行三维建模,并在此基础上,逐步添加维度,设计用户之间兴趣相似度的三级计算方法.在真实推荐系统数据集上的实验结果表明,用户兴趣三维模型比一维模型、二维模型更能准确地表征用户兴趣,基于用户兴趣三维建模的个性化推荐算法能够提高个性化推荐的准确率.     

基于模糊兴趣模型与多Agent的个性化推荐系统

提出了基于模糊兴趣模型与多Agent的个性化推荐系统框架,通过引入用户模糊兴趣模型,使以Agent为基础的推荐系统无法通过隐式收集用户对商品属性评价的问题得到解决,并且在客户端收集并挖掘用户的私有信息,然后从服务器中获取用户感兴趣的信息,最后生成并更新UserProfile。     

基于记忆效应的协同过滤推荐算法

针对传统协同过滤算法无法及时反映用户兴趣变化的情况,将人脑的记忆和遗忘特性引入到个性化推荐中,提出基于记忆效应的协同过滤推荐算法。利用短时记忆体现用户近期兴趣变化,应用长时记忆强调用户早期兴趣的重要性,给出将短时记忆和长时记忆相结合的调和记忆,使推荐系统可以自适应地跟踪用户兴趣变化。实验结果表明,与CF算法、SCF算法和AUICF算法相比,该算法的推荐精度更高、收敛速度更快。     

基于标签和PageRank的重要微博用户推荐算法

海量的微博信息使新进用户很难获取到其感兴趣的内容,重要微博用户推荐为新用户提供了一条有效获取信息的途径。目前,由于 用户间的关系没有被充分考虑及缺乏对用户个性化标签的处理,导致重要微博用户推荐的准确率不高。为此,提出了一种基于标签和PageRank的重要微博用户推荐算法。该算法首先对个性化标签进行分词、去噪、设置权重等处理,并将其作为用户兴趣的代表;然后根据PageRank计算模型来分析用户间的关系,结合标签相似度计算向新用户推荐与其兴趣相似的重要微博用户。 实验表明,该算法由于融入了对微博用户关系和用户个性化标签的重要性分析,因此与基于标签和协同过滤的个性化推荐算法相比 具有更高的重要微博用户推荐准确率。     

基于异构信息网络的模糊贴近度推荐算法

针对传统协同过滤算法在用户推荐过程中数据稀疏性、可扩展性、用户兴趣迁移变化等问题,提出一种基于异构信息网络的模糊贴近度推荐算法。在k-means聚类算法基础上构建新的异构信息网络,利用关系抽取的方式构造用户属性权重矩阵;引入模糊贴近度综合分析元路径属性权重的影响,寻找近邻用户;采用Top-N算法排序进而完成推荐,并进行准确性验证。在Epinions数据集上的实验结果表明,在推荐质量和速度上,所提推荐算法较传统推荐算法更优。     

结合实时推荐与离线推荐的推荐系统

推荐系统是从大量信息中主动查找用户可能感兴趣的信息的工具.如何更好地贴近用户偏好,满足用户长期固有偏好的同时又能考虑到用户短期的兴趣焦点变化,是推荐系统长期研究的一个问题.此外,在对推荐系统进行设计时,为了提高推荐性能,除了专注于用户建模优化、推荐对象建模优化或推荐算法优化外,还需要将推荐系统作为一个整体进行系统性的研究,关注如系统流畅性、可伸缩能力等.针对这些问题,本文设计了一种实时推荐与离线推荐相结合的推荐系统,提出了采用待推荐池的方法保证系统的流畅性;在分析实时数据与历史数据的基础上,提供实时推荐与离线推荐,在贴合用户长期固有偏好的同时也能适应用户短时间内的兴趣焦点变化;采用控制模块对不同推荐结果数据进行控制调节,提高系统的可伸缩能力.基于该推荐系统,本文进行了对于微信文章的推荐实验,通过对待推荐池内数据进行分析来评价推荐效果,结果表明,推荐数据能够逐步贴近用户兴趣偏好.     

基于FNN的家纺产品个性化推荐系统的研究

在传统推荐系统模型的基础上,结合预购买家纺产品的特性,建立了预购买家纺产品的推荐模型。研究了推荐系统预购买家纺产品的偏好度的数据提取算法。在此基础上,结合用户在购买家纺产品过程中具有确定性与不确定性的特性以及模糊神经网络的特性,提出了一种模糊神经网络推荐算法。通过对推荐系统的算法的量化研究、仿真研究,显示算法具有较小的MAE值,且随着预购买家纺产品采样人数的增加,MAE依然保持较小的数值,证明了推荐系统的基准集与推荐集具有较好的一致性、稳定性,推荐系统具有较好的聚类特性,说明了基于模糊神经网络算法在家纺产品电子商务推荐系统是可行的。     

Exponential Fuzzy C-Means for Collaborative Filtering

Collaborative filtering(CF) is one of the most popular techniques behind the success of recommendation system.It predicts the interest of users by collecting information from past users who have the same opinions.The most popular approaches used in CF research area are Matrix factorization methods such as SVD.However,many wellknown recommendation systems do not use this method but still stick with Neighborhood models because of simplicity and explainability.There are some concerns that limit neighborhood models to achieve higher prediction accuracy.To address these concerns,we propose a new exponential fuzzy clustering(XFCM) algorithm by reformulating the clustering’s objective function with an exponential equation in order to improve the method for membership assignment.The proposed method assigns data to the clusters by aggressively excluding irrelevant data,which is better than other fuzzy C-means(FCM) variants.The experiments show that XFCM-based CF improved 6.9% over item-based method and 3.0% over SVD in terms of mean absolute error for 100 K and 1 M MovieLens dataset.     

基于多层次混合相似度的协同过滤推荐算法

针对传统协同过滤推荐算法在数据稀疏的情况下存在的性能缺陷和相似性度量方法的不足,为了提高推荐精度,改进原算法得到了一种基于多层次混合相似度的协同过滤推荐算法。该算法主要分为三个不同的层次：首先采用模糊集的概念将用户评分模糊化,计算用户的模糊偏好,并结合用户评分的修正余弦相似度和用户评分的Jarccad相似度总体作为用户评分相似度;再对用户评分进行分类来预测用户对项目类别的兴趣程度,从而计算出用户兴趣相似度;然后利用用户的特征属性来预测用户之间的特征相似度;其次根据用户评分数量来动态地融合用户兴趣相似度及用户特征相似度;最后融合三个层次的相似度作为用户混合相似度的结果。利用MovieLens公用数据集对改进前后的算法进行对比实验,结果表明：当在邻居集合数量较少时,改进的混合算法相对修正余弦相似度算法的平均绝对偏差（MAE）下降了5%左右;较改进的修正的Jaccard相似性系数的协同过滤（MKJCF）算法也存在略微的优势,随着邻居集合数的增加MAE也平均下降了1%左右。该算法采用多层次的推荐策略提高了用户的推荐精度,有效地缓解了数据稀疏性问题和单一度量方法的影响。     

一种基于改进型协同过滤算法的新闻推荐系统

将个性化推荐技术运用于新闻阅读应用,以其快速、精准的特点帮助用户快捷获取兴趣新闻,是值得挖掘的研究方向。设计并实现了一种新闻推荐系统,该系统基于用户协同过滤推荐技术,通过收集用户数据,计算阅读耗时因子对用户偏好值进行修正,纳入新闻热度影响并通过热度惩罚用户相似度值;然后基于相似邻居集对用户未阅读的新闻进行Top-N排序得到推荐列表,从而向用户推送其感兴趣的新闻。经测试,原型系统能够实时更新用户兴趣模型,达到推新、推准的效果,各项功能均已达到设计预期目标。     

基于用户关注度的个性化新闻推荐系统

为满足用户需求,以用户为中心,解决用户关注度不断变化、数据稀疏性、优化时间和空间效率等问题,提出基于用户关注度的个性化新闻推荐系统。推荐系统引入个人兴趣和场景兴趣来描述用户关注度,使用雅克比度量用户相似性,对相似度加权求和预测用户关注度,从而提供给用户经过排序的新闻推荐列表。实验结果表明,推荐系统有效地提高了推荐精准度和覆盖度,改善了系统可扩展性和自动更新能力,具有良好的推荐效果。     

基于SVD与模糊聚类的协同过滤推荐算法

协同过滤为个性化推荐解决信息过载问题提供了方案,然而也存在着数据的稀疏性、可扩展性等影响推荐质量的关键问题.我们提出了一种基于奇异值分解（SVD）与模糊聚类的协同过滤推荐算法,通过引用物理学上狭义相对论中能量守恒的方法以保留总体特征值的数目,较为准确地确定降维维度,实现对原始数据的降维及其数据填充.另外,再运用模糊聚类的方法将相似用户进行聚类,从而达到减少邻居用户搜索范围的目的.在MovieLens与2013年百度电影推荐系统比赛等不同数据集上的实验结果表明,该算法能够提高推荐质量.     

基于直觉模糊聚类的Web资源推荐方法

在Web资源分类中,针对传统基于用户兴趣的方法不能准确反映用户兴趣的变化以及难以区分资源内容的品质和风格等问题,提出一种基于直觉模糊C均值聚类的Web资源聚类推荐方法。该方法首先根据用户兴趣度将Web资源表示为直觉模糊数,然后应用直觉模糊信息集成理论进行资源分类,最后实现向用户推荐相似或相近资源。理论分析和实验表明,该方法比传统的模糊C均值以及协同过滤方法在推荐质量上有很大的提高。