基于SVD的协同过滤算法的欺诈攻击行为分析

协同过滤是一种个性化推荐系统最常用的技术,但它对用户概貌信息较为敏感,欺诈攻击者很容易通过注入有偏差的用户概貌使系统的推荐结果有利于他们。研究表明欺诈攻击的攻击模型、攻击成本对攻击性能有不同程度的影响。针对这个问题,实验分析基于奇异值分解（SVD）的协同过滤算法在不同攻击模型下的性能表现,并以三种评估参数分析不同填充规模和攻击规模对攻击效率的影响。     

改进的增量奇异值分解协同过滤算法

推荐系统作为一种程序算法,是通过度量用户对给定商品的的喜好程度做个性化推荐。广泛地说,推荐系统试图总结出用户的个人喜好,并在用户和商品之间建立一种关系模型。与其他奇异值分解方法相比,改进的增量奇异值分解协同过滤算法基于一系列评分值对用户-商品矩阵进行分解,每次产生一对当前最重要的特征向量。算法有着最小的内存需求,扩展性高,特别适合处理大规模数据集;算法的有效性在Netflix数据集上得到了验证。     

在协同过滤中结合奇异值分解与最近邻方法*

协同过滤是一种减小信息过载的常用方法,但是它有三方面的限制,即准确性、数据稀疏性和可扩展性。提出一种新的协同过滤算法来解决数据稀疏性的问题,利用奇异值分解法的结果来进行邻居选择,然后采用最近邻方法来得到未打分项目的预测值。在EachMovie 数据库集上的试验结果表明该算法在数据稀疏时算法的准确性超过普通的Pearson算法和奇异值分解算法。     

基于TSVD的协同过滤推荐算法研究

针对经典的协同过滤推荐算法的一系列不足,如用户冷启动、商品评分稀疏性以及推荐精度不高,文章提出基于截断奇异值分解(TSVD)的协同过滤推荐算法.使用TSVD技术对稀疏矩阵进行降维处理,利用Jaccard相似度算法计算用户间相似度,提高推荐精度.实验结果显示,基于截断奇异值分解(TSVD)的协同过滤算法体现良好的推荐质量...     

基于聚类和奇异值分解的协同过滤推荐算法

协同过滤推荐算法不仅能发现用户现阶段的兴趣,而且能挖掘出隐含的兴趣信息,并且随着时间的推移和数据量的增加,推荐效果能够显著提高。因此,目前协同过滤是推荐系统中比较热门的常用推荐技术之一,但该算法面临着冷启动、稀疏性、实时性和扩展性等一些影响推荐效果的问题。针对这些问题,首先提出了基于属性的协同过滤推荐算法来提高数据资源的利用率,以降低矩阵的稀疏度;其次,为了减少计算量,使用K-means聚类算法进行恰当分组;然后,为了有效过滤冗余数据,把奇异值分解(singular value decomposition,SVD)技术引入到协同过滤推荐算法中,对矩阵数据进行降维处理;最后,将基于属性、K-means聚类和奇异值分解的改进算法与传统协同过滤推荐算法进行比较,并通过实验对其有效性进行了验证。     

一种基于置信度加权的单类协同过滤推荐算法

针对推荐系统中单类协同过滤（OCCF）可解释性差、数据噪声多的缺陷,提出了一种基于置信度加权的单类协同过滤推荐算法。算法通过置信度函数将用户隐性反馈映射为置信概率,并将该函数集成到隐性反馈推荐模型（IFRM）框架中,形成了隐性反馈置信度加权推荐模型（CWIFRM）;在此基础上,针对CWIFRM基于随机梯度下降提出了异构置信度优化算法。实验结果表明,该模型在多个数据集上都具有更好的推荐效果,异构置信度优化算法使推荐质量得到了进一步提高,验证了CWIFRM具有较强的适用性、可解释性和抗噪声能力。     

协同过滤算法在推荐系统中的应用

介绍了协同过滤算法,并对算法进行了改进,解决了用户稀疏的情况下传统算法的不足,同时通过引入评分阈值,显著提高了个性化协同过滤算法的推荐精度。     

基于认知诊断的协同过滤试题推荐

针对协同过滤忽略了学习者的知识点掌握情况（学习状态）,对个性化教育试题推荐中运用的协同过滤算法进行了一定改进研究,该推荐算法分为三个步骤：（1）结合认知诊断模型,对学习者所练习题目中反映的知识点掌握情况进行建模分析;（2）利用协同过滤算法,结合学习者的知识点掌握情况,来对学习者的表现情况进行相似度分析;（3）根据相似用户的历史行为数据和目标用户的知识点掌握状态,针对学习者的近邻用户进行试题推荐.该推荐办法借鉴了群体相似学习者的共性,也考虑到了个体学习者的独特性,结合二者来对学习者进行个性化试题推荐,保证了试题推荐的准确性和性能,在个性化教育系统中,结合认知诊断改进了原有的协同过滤算法来对试题做出推荐.     

改进的基于符号数据的协同过滤推荐算法

随着用户和资源种类的不断增加,评价矩阵的稀疏性问题越来越突出,严重影响了推荐系统的推荐质量。奇异值分解(SVD)是一种对数据进行降维处理的方法,符号数据分析(SDA)是一种处理海量数据的全新数据分析思路。提出一种改进的基于符号数据的协同过滤推荐算法,即将奇异值分解和符号数据分析方法结合起来运用到推荐系统中。在EachMovie 数据库集上的实验结果表明该算法在数据稀疏时的推荐质量明显优于传统的推荐算法。     

结合奇异值分解和时间权重的协同过滤算法

协同过滤是现阶段最成功的推荐技术之一.提出一种结合奇异值分解和时间权重的协同过滤算法.与使用奇异值分解来降维的最近邻法不同,该算法通过梯度下降法进行奇异值分解,并直接将分解的结果用于预测评分.同时,该算法根据评分时间,为每个评分赋予不同的时间权重,考虑了用户兴趣随时间的变化.实验表明,该算法相较于传统协同过滤算法,能够获得更高的推荐精度.     

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.     

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。     

基于协同过滤的图书推荐系统

在商业领域,推荐系统被广泛用于向用户推荐符合其个人偏好的产品、服务或内容。借助这一技术建立图书推荐系统可以有效提高图书馆的服务水平。所提出的图书推荐系统是使用协同过滤技术通过对具有相似阅读习惯读者的借书数据进行偏好评分计算,从而为指定读者推荐符合其偏好的图书列表。为了解决推荐系统中所存在的数据稀疏性、评分的系统偏差以及图书偏好的量化等问题,该研究采用了矩阵分解、在评分中引入偏差值以及使用带时间戳的借阅记录生成偏好量化数值等解决方法。实验结果表明该推荐系统具有较好的准确度。     

基于分布式数据的隐私保持协同过滤推荐研究

针对分布式数据存储结构的协同过滤推荐隐私保持问题,以可交换的密码系统为主要技术,设计了一个协议,集中解决其核心任务——在保持用户隐私前提下对项目评分．准确度与数据集中存放一样,但能保持各分站点下用户评分数据的隐私．基于安全多方计算理论和随机预言模型,证明了协议的安全性,分析了协议的时间复杂度和通信耗费．     

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。     

A Theoretical Analysis of Query Selection for Collaborative Filtering

We consider the problem of determining which of a set of experts has tastes most similar to a given user by asking the user questions about his likes and dislikes. We describe a simple algorithm for generating queries for a theoretical model of this problem. We show that the algorithm requires at most opt(F)(ln(|F|/opt(F)) + 1) + 1 queries to find the correct expert, where opt(F) is the optimal worst-case bound on the number of queries for learning arbitrary elements of the set of experts F. The algorithm runs in time polynomial in |F| and |X| (where X is the domain) and we prove that no polynomial-time algorithm can have a significantly better bound on the number of queries unless all problems in NP have n ^{O(log log n)} time algorithms. We also study a more general case where the user ratings come from a finite set Y and there is an integer-valued loss function on Y that is used to measure the distance between the ratings. Assuming that the loss function is a metric and that there is an expert within a distance from the user, we give a polynomial-time algorithm that is guaranteed to find such an expert after at most 2opt(F, ) ln + 2( + 1)(1 + deg(F, )) queries, where deg(F, ) is the largest number of experts in F that are within a distance 2 of any f F.     

使用BP神经网络缓解协同过滤推荐算法的稀疏性问题

推荐质量低是协同过滤推荐技术面临的主要难题之一、数据集的极端稀疏是造成推荐质量低的主要原因之一．常见的降维法和智能Agent法虽然某种程度上能缓解这个问题,但会导致信息损失和适应性等问题．设计了一个新的协同过滤算法,根据用户评分向量交集大小选择候选最近邻居集,采用BP神经网络预测用户对项的评分,减小候选最近邻数据集的稀疏性．该算法避免了降维法和智能Agent法的缺点,而且实验结果表明,该方法能提高预测值的准确度,从而提高协同过滤推荐系统的推荐质量．     

基于减聚类的遗传模糊的协同过滤算法研究

通过对传统协同过滤算法中存在的问题以及解决情况进行分析,论文采用了一种混合减聚类的遗传模糊聚类的协同过滤推荐算法,利用混合减聚类的模糊聚类可以更有效地对数据进行柔性划分,更好地发挥遗传算法的全局搜索能力,加快收敛速度,同时也能够很好地解决数据稀疏性带来的冷启动问题.     

用户多兴趣下基于信任的协同过滤算法研究

协同过滤技术是目前电子商务推荐系统最为有效的信息过滤技术之一.最近的研究尝试在推荐过程中引入信任模型来提高推荐的准确性和抵御"托"攻击.但在用户多兴趣的情况下,属于不同主题的项目需要不同的可信赖人员来推荐,传统的概貌级信任模型已不再适用.本文提出主题级信任计算模型以及基于主题级信任的协同过滤算法.一系列的实验结果表明,该算法在不牺牲鲁棒性的同时,有效地提高了推荐的准确性.