基于情境相似度和二次聚类的协同过滤推荐算法

随着移动互联网规模的不断扩大,传统推荐系统因较少考虑多种情境因素和用户置信度对用户偏好预测的综合影响,造成了推荐算法预测结果的偏差。针对此问题,将情境信息引入个性化推荐的过程中,提出一种基于情境相似度和二次聚类的协同过滤算法。该算法首先根据用户情境的相似度对用户进行初始聚类,再基于评分矩阵计算用户评分置信度,将用户分为核心用户和非核心用户;然后根据核心用户评分对初始聚类的簇心进行调整,并对簇中非核心用户进行重聚类,形成新的聚簇;最终根据情境相似度对用户偏好进行预测。该算法可以在一定程度上降低评分矩阵中的噪点对聚类结果的影响,提高了推荐结果的准确性。基于实际数据集的仿真实验表明,该算法与传统协同过滤算法相比能够有效提高用户偏好预测的准确性,增加协同过滤推荐算法的精确度。     

一种融合聚类与用户兴趣偏好的协同过滤推荐算法

协同过滤推荐算法可以根据已知用户的偏好预测其可能感兴趣的项目,是现今最为成功、应用最广泛的推荐技术。然而,传统的协同过滤推荐算法受限于数据稀疏性问题,推荐结果较差。目前的协同过滤推荐算法大多只针对用户-项目评分矩阵进行数据分析,忽视了项目属性特征及用户对项目属性特征的偏好。针对上述问题,提出了一种融合聚类和用户兴趣偏好的协同过滤推荐算法。首先根据用户评分矩阵与项目类型信息,构建用户针对项目类型的用户兴趣偏好矩阵;然后利用K-Means算法对项目集进行聚类,并基于用户兴趣偏好矩阵查找待估值项所对应的近邻用户;在此基础上,通过结合项目相似度的加权Slope One算法在每一个项目类簇中对稀疏矩阵进行填充,以缓解数据稀疏性问题;进而基于用户兴趣偏好矩阵对用户进行聚类;最后,面向填充后的评分矩阵,在每一个用户类簇中使用基于用户的协同过滤算法对项目评分进行预测。实验结果表明,所提算法能够有效缓解原始评分矩阵的稀疏性问题,提升算法的推荐质量。     

一种优化聚类的协同过滤推荐算法

针对传统的协同过滤推荐算法存在评分数据稀疏和推荐准确率偏低的问题,提出了一种优化聚类的协同过滤推荐算法。根据用户的评分差异对原始评分矩阵进行预处理,再将得到的用户项目评分矩阵以及项目类型矩阵构造用户类别偏好矩阵,更好反映用户的兴趣偏好,缓解数据的稀疏性。在该矩阵上利用花朵授粉优化的模糊聚类算法对用户聚类,增强用户的聚类效果,并将项目偏好信息的相似度与项目评分矩阵的相似度进行加权求和,得到多个最近邻居。融合时间因素对目标用户进行项目评分预测,改善用户兴趣变化对推荐效果的影响。通过在MovieLens 100k数据集上实验结果表明,提出的算法缓解了数据的稀疏性问题,提高了推荐的准确性。     

基于用户聚类和移动上下文的矩阵分解推荐算法研究

随着移动互联网技术的快速发展,越来越多的用户通过移动设备获取移动信息和服务,导致信息过载问题日益凸出。针对目前上下文感知推荐算法中存在的数据稀疏性差、上下文信息融入不够、用户相似性度量被忽略等问题,提出一种基于用户聚类和移动上下文的矩阵分解推荐算法。该算法通过利用k-means对用户聚类找到偏好相似的用户簇,求出每簇中并对 用户所处上下文之间的相似度并对其进行排序,由此找出与目标用户偏好和上下文均相似的用户集合,借助该集合改进传统矩阵分解模型损失函数,并以此为基准进行评分预测和推荐。仿真实验结果表明,所提算法可有效提高预测评分的准确度。     

融合项目偏差与用户偏好的推荐算法

针对协同过滤推荐中由于项目和用户间关联因素的相互影响而存在项目偏差和用户偏好的问题,提出一种融合项目偏差与用户偏好的推荐算法。先进行聚类处理,包括LDA主题建模生成项目簇和K-means聚类生成用户簇;再依次根据项目簇和用户簇的约束生成项目偏差分,同时以用户项目评分及项目类型为基础,经过概率转移得到用户偏好分;最后以项目簇内已有评分的均值为基础,对项目偏差分和用户偏好分进行线性加权生成预测评分。对比实验表明,新算法能够根据不同的近邻得到合理的推荐,提高推荐的准确度。     

基于用户偏好的信任网络随机游走推荐模型

为了提高推荐算法评分预测的准确度,解决冷启动用户推荐问题,在TrustWalker模型基础上提出一种基于用户偏好的随机游走模型——PtTrustWalker。首先,利用矩阵分解法对社会网络中的用户、项目相似度进行计算;其次,将项目进行聚类,通过用户评分计算用户对项目类的偏好和不同项目类下的用户相似度;最后,利用权威度和用户偏好将信任细化为不同类别下用户的信任,并在游走过程中利用信任用户最高偏好类中与目标物品相似的项目评分进行评分预测。该模型降低了噪声数据的影响,从而提高了推荐结果的稳定性。实验结果表明,PtTrustWalker模型在推荐质量和推荐速度方面相比现有随机游走模型有所提高。     

多聚类混合的加权协同过滤算法研究

协同过滤算法可根据用户的偏好,预测其感兴趣的项目,这项技术是目前商业领域中应用较为广泛且成功的。过去,使用协同过滤算法会因其数据的稀疏性及使用K-Means算法聚类时需要预先确定聚类个数等问题影响协同过滤算法的准确性。针对上述问题,提出了一种多聚类融合的协同过滤推荐算法。首先,构建用户-项目评分矩阵;其次,根据用户兴趣、偏好矩阵查找待估值项所对应的近邻用户,随后使用Slope One算法在对每一个簇内的稀疏矩阵进行填充,从而缓解数据稀疏性问题;再次,使用Canopy聚类算法进行粗聚类,将计算出的每个中心点作为K-Means算法的初始聚类点并进行K-Means细聚类;最后,优化后的协同过滤算法最终被用来预测每个簇中填充后的评分矩阵,并采用带时间加权的相似度公式。最终实验数据显示,优化后能够有效提升算法的效率与推荐质量。     

基于用户聚类与Slope One填充的协同推荐算法

针对传统的用户个性化推荐中使用的协同过滤算法存在稀疏性和可扩展性不足的问题,提出了一种基于用户特征聚类和Slope One填充的协同过滤算法。该算法首先以用户属性特征作为聚类依据,利用基于最小生成树K-means聚类算法对用户进行聚类分析,生成K个相似用户集合;其次在聚类分析的基础上,利用Slope One算法预测填充生成的相似用户集下的用户评分矩阵;最后采用混合协同过滤算法对填充后的用户评分矩阵进行最近邻搜索,从而得到预测评分,产生推荐结果。对比实验结果表明,提出的算法显著提高了推荐的精度,有效缓解了稀疏性问题,具有良好的可扩展性。     

融合MHS与AIM-RT的谱聚类优化推荐算法

传统协同过滤推荐算法存在时序性过低以及用户过多时数据稀疏相似用户计算复杂度高等问题。针对这些问题,提出融合最小哈希签名（MHS）与时序模型预测（AIM-RT）的谱聚类优化推荐算法。首先使用MHS与Levenshtein距离测度对用户—项目评分矩阵提取相似用户;然后利用时序模型进行权重拟合的AIM-RT预测算法预测评分补全相似用户稀疏矩阵;最后结合谱聚类进行相似用户优化,找到最优相似用户集合完成最终推荐。通过实验分析验证表明,所提推荐算法能够在计算复杂度、评分预测精度、数据缺失填补等方面提高整体推荐性能。     

基于项目簇偏好的用户聚类算法

传统算法基于用户项目评分矩阵来进行推荐,存在冷开始、稀疏性等问题,邻居相似性只鉴于用户共同评价的项目,没有考虑项目本身的属性关系;在整个用户空间搜寻最近邻居,实时性差。针对这些问题,提出基于项目簇偏好的用户聚类算法,首先基于项目属性特征对项目进行聚类,然后再利用用户对项目簇的偏好对用户进行聚类,最后在和目标用户最相似的几个聚类中搜寻邻居用户,从而压缩搜寻空间,提高了搜寻速度。实验表明,该算法通过降低稀疏性、冷开始等问题,增强实时性,提高预测精度。     

一种基于改进的巴氏系数的协同过滤推荐算法

传统基于邻居的协同过滤推荐方法必须完全依赖用户共同评分项,且存在极为稀疏的数据集中预测准确性不高的问题。巴氏系数协同过滤算法通过利用一对用户的所有评分项进行相似性度量,可以有效改善上述问题。但该种方法也存在两个很明显的缺陷,即未考虑两个用户评分项个数不同时的情况以及没有针对性地考虑用户偏好。在巴氏系数协同过滤算法的基础上进行了改进,既能充分利用用户的所有评分信息,又考虑到用户对项目的积极评分偏好。实验结果表明,改进的巴氏系数协同过滤算法在数据集上获得了更好的推荐结果,提高了推荐的准确度。     

基于用户偏好优化模型的推荐算法研究

传统的个性化推荐算法普遍存在数据稀疏性问题,影响了推荐的准确度。Slope one算法具有简单、高效等特点,但该算法只是根据用户—项目评分矩阵进行数据分析,对所有用户采用一致性的权重进行计算,忽视了用户对项目类型的喜好程度。针对上述问题进行了研究,提出LR-Slope one算法。首先根据用户—项目评分矩阵和项目类型信息构建用户对项目类型的偏好矩阵;然后利用线性回归模型计算用户对每个类型的权重,采用随机梯度下降算法优化权重;最后结合Slope one算法预测评分,填充评分矩阵,提高推荐的质量。实验结果表明,所提算法提高了推荐的精度,有效缓解了稀疏性问题。     

结合用户兴趣度聚类的协同过滤推荐算法

针对传统的协同过滤算法忽略了用户兴趣源于关键词以及数据稀疏的问题,提出了结合用户兴趣度聚类的协同过滤推荐算法。利用用户对项目的评分,并从项目属性中提取关键词,提出了一种新的RF-IIF （rating frequency-inverse item frequency）算法,根据目标用户对某关键词的评分频率和该关键词被所有用户的评分频率,得到用户对关键词的偏好,形成用户—关键词偏好矩阵,并在该矩阵基础上进行聚类。然后利用logistic函数得到用户对项目的兴趣度,明确用户爱好,在类簇中寻找目标用户的相似用户,提取邻居爱好的前◢N◣个物品对用户进行推荐。实验结果表明,算法准确率始终优于传统算法,对用户爱好判断较为准确,缓解了数据稀疏问题,有效提高了推荐的准确率和效率。     

基于有效特征子集提取的高效推荐算法

推荐系统是根据用户的历史信息对未知信息进行预测.用户项目评分矩阵的稀疏性是目前推荐系统面临的主要瓶颈之一.跨域推荐系统是解决数据稀疏性问题的一种有效方法.本文提出了基于有效特征子集选取的高效推荐算法（FSERA）,FSERA是提取辅助域的子集信息,来扩展目标域数据,从而对目标域进行协同过滤推荐.本文采用K-means聚类算法将辅助域的数据进行提取来降低冗余和噪声,获取了辅助域的有效子集,不仅降低了算法复杂度,而且扩展了目标域数据,提高了推荐精度.实验表明,此方法比传统的方法有更高的推荐精度.     

基于改进贝叶斯概率模型的推荐算法

针对现有基于矩阵分解的协同过滤推荐系统预测精度与推荐精度较低的问题,提出一种改进的矩阵分解方法与协同过滤推荐系统。首先,将评分矩阵分解为两个非负矩阵,并对评分做归一化处理,使其具有概率语义;然后,采用变分推理法计算贝叶斯概率模型实部后验的分布;最后,搜索相同偏好的用户分组并预测用户的偏好。此外,基于用户向量的稀疏性设计一种低计算复杂度、低存储成本的推荐结果决策算法。基于3组公开数据集的实验结果表明,本算法的预测性能以及推荐系统的效果均优于其他预测算法与推荐算法。     

基于频繁主题集偏好的学术论文推荐算法

针对学术论文推荐中项目冷启动问题,提出了一种基于频繁主题集偏好的协同主题回归模型。该算法考虑到用户在选择学术论文时对研究热点的偏好,使用频繁主题集代表研究热点,将用户对研究热点的偏好表示成用户对频繁主题集的偏好。通过潜在狄利克雷分布主题模型挖掘得到论文—主题概率分布矩阵,并筛选出论文中概率较高的主题;然后挖掘出频繁出现的主题集合,并得到论文—频繁主题集矩阵;最后在预测未知评分时融入用户对频繁主题集的偏好。在CiteULike数据集上的实验表明,相比于矩阵分解模型和协同主题回归模型,该算法在召回率、准确率和RMSE三个指标上都有所提升。     

基于社交信任和标签偏好的景点推荐方法

针对现有的景点推荐算法在处理用户关系时忽视了用户隐性信任和信任传递问题,以及当用户处于新城市时由于缺乏用户历史记录无法做出准确推荐的情况,本文提出一种综合用户信任关系和标签偏好的个性化景点推荐方法.在仅仅考虑用户相似度时推荐质量差的情况下引入信任度,通过挖掘用户隐性信任关系解决了现有研究在直接信任难以获取时无法做出推荐的情况,有效缓解了数据稀疏性和冷启动问题.同时在用户兴趣分析过程中将景点和标签的关系扩展到了用户、景点和标签三者的相互关系,把用户的兴趣偏好分解成对不同景点标签的长期偏好,有效地缓解了缺乏用户历史游览记录时推荐质量不佳的问题.通过在Flickr网站上收集的数据进行实验验证,结果表明本文提出的混合推荐算法有效地提高了推荐精度,在一定程度上缓解了冷启动和新城市问题.     

引入评分偏置的二项矩阵分解推荐算法

针对推荐系统中的评分预测问题,在矩阵分解的基础上实现了一种修正的二项矩阵分解算法。假设用户对物品的评分基于二项分布,由于用户的评分习惯存在差异,物品的受欢迎程度也存在差异,导致用户—物品评分矩阵存在偏置量。通过引入偏置量对矩阵分解和评分预测进行修正,采用最大后验估计建模,并通过随机梯度下降算法优化模型。实验结果表明,在MovieLens 100K数据集上,引入评分偏置的二项矩阵分解算法在推荐精度、离线计算时间等方面均优于传统的二项矩阵分解算法。     

基于用户联合相似度的推荐算法

基于用户的协同过滤推荐算法在进行近邻用户的筛选时以用户之间相似度的计算结果作为依据,数据量的增大加剧了数据的稀疏程度,导致了计算结果的准确性较差,影响了推荐准确度.针对该问题本文提出了一种基于用户联合相似度的推荐算法.用户联合相似度的计算分为用户对项目属性偏好的相似度和用户之间人口统计学信息的相似度两个部分.用户的项目属性偏好引入了LDA模型来计算,计算时评分数据仅作为筛选依据,因而避免了对数据的直接使用,减缓了稀疏数据对相似度计算结果的影响;用户之间人口统计学信息的相似度则在数值化人口统计学信息之后通过海明距离进行度量.实验结果表明,本文提出的算法在推荐准确度上优于传统协同过滤推荐算法.