融合狼群算法和模糊聚类的混合推荐算法

针对传统协同过滤推荐算法普遍存在的数据稀疏性问题以及寻找相似用户时存在局限性,提出一种融合狼群算法和模糊聚类的混合推荐算法.在数据处理过程中,根据基于项目的协同过滤算法充分挖掘项目间的数据关系,填充原始矩阵的零值以降低数据稀疏性;从用户的角度出发,根据模糊聚类隶属度的大小筛选出相关邻居集合,扩大相关用户的寻找范围;将狼...     

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。     

基于用户模糊聚类的两阶段协同过滤推荐

推荐系统中,随着用户数目和商品数目的日益增加,传统的协同过滤技术在生成推荐时的速度已经成为一种瓶颈。针对此问题,本文提出了一种基于用户模糊聚类的两阶段协同过滤推荐。两阶段分为离线和在线两个阶段。离线时,应用模糊聚类技术,对基本用户进行模糊聚类;在线时,利用已有的用户模糊聚类寻找目标用户的最近邻居,并产生推荐。实验表明,基于用户模糊聚类的两阶段协同过滤推荐不仅加快了推荐生成速度,还提高了推荐质量。     

基于马尔可夫聚类和混合协同过滤的电视节目推荐

针对家庭用户的电视节目个性化推荐问题,提出一种基于马尔可夫聚类和混合协同过滤(MCL-HCF)算法的混合推荐方法。采用马尔可夫聚类对各个时间段的电视用户进行聚类,产生不同的群组,最小化每个群组里的个体成员和群组整体的偏好差异,再以群组为单位进行电视节目推荐;使用基于物品的协同过滤和基于用户的协同过滤算法分别产生推荐列表;采用基于加权融合的混合推荐算法对两个推荐列表进行处理,得到最终的混合推荐结果。在公开数据集上的实验结果表明,该算法在平衡推荐惊喜度和相关性的同时能够获得令人满意的推荐准确率。     

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。     

基于模糊聚类的多视图协同过滤推荐算法

传统的协同过滤推荐算法在面对多源异构数据时推荐效果差、执行效率低,且难以挖掘用户的关键行为。针对这种情况,提出基于模糊聚类的多视图协同过滤推荐算法。该算法旨在收集用户的多种行为偏好来构建多视图数据,并通过对每种行为进行加权来挖掘多种行为之间的关联信息,提取关键行为信息,进而提升推荐效果。为提高推荐结果的精确度,利用多个视图的行为权重和偏好值,提出项目的加权相似性度量方法,同时引入项目同现矩阵以进一步提高相似性度量的准确性。为优化相似项目的搜索空间,结合多视图聚类的思想,在传统模糊聚类方法的基础上引入质心约束和最大熵理论,提出一种基于质心约束的多视图熵加权模糊聚类算法。此外,为提高算法对非线性数据的处理能力,引入核映射技术将线性不可分的低维特征映射到高维核空间使其变得线性可分,从而提出一种基于质心约束的多视图加权核模糊聚类算法。在与较先进的基于聚类的协同过滤推荐算法的比较实验中,所提算法的平均绝对误差提升了1.95百分点,召回命中率提升了1.54百分点。实验结果表明,所提算法有效地提升了推荐结果的命中率和准确性。     

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.     

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。     

基于模糊聚类的协同过滤算法

针对传统协同过滤算法普遍存在的稀疏性和扩展性问题,提出一种基于模糊聚类的协同过滤算法。利用模糊聚类的方法对项目进行聚类,通过用户-项目评分矩阵计算用户之间的相似度,从中选出与用户最相似的前k个用户,根据这k个用户对当前用户的未评分项目的打分进行预测,选出前n个推荐。实验结果证明,与基于用户的协同过滤算法相比,该算法能提高冷启动问题下的相似度计算精度。     

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。     

一种改进的混合蛙跳和K均值结合的聚类算法

针对K均值聚类算法存在的对初始值敏感且容易陷入局部最优的缺点,提出一种改进的混合蛙跳算法（SFLA）和K均值相结合的聚类算法。该算法通过混沌搜索优化初始解,变异操作生成新个体,在更新青蛙位置时,设计了一种新的搜索策略,提高了算法寻优能力;根据青蛙群体的适应度方差来确定K均值算法的操作时机,抑制早熟收敛。实验结果表明,改进的算法提高了聚类精度,在全局寻优能力和收敛速度方面具有优势。     

一种基于阈值选择策略的改进混合蛙跳算法

混合蛙跳算法（SFLA）是一种全新的后启发式群体进化算法,具有高效的计算性能和优良的全局搜索能力。对混合蛙跳算法的基本原理进行了阐述,针对算法局部更新策略引起的更新操作前后个体空间位置变化较大,降低收敛速度这一问题,提出一种基于阈值选择策略的改进混合蛙跳算法。通过不满足阈值条件的个体分量不予更新的策略,减小了个体空间差异,从而改善了算法性能。数值实验证明了该改进算法的有效性,并对改进算法的阈值参数进行了率定。     

基于谱聚类群组发现的协同过滤推荐算法

推荐系统中,基于聚类的协同过滤推荐算法利用K-means等算法对用户和物品进行聚类,聚类结果里用户或物品只能属于一个类别,然而在实际应用中,一个用户可以有多种兴趣,一个物品也可以属于多个类别。针对上述问题,提出了一种基于谱聚类群组发现的算法,该算法通过谱聚类和C-means聚类得到用户和物品相似度较高的群组以及用户和物品归属于群组的隶属度矩阵,而且用户或物品可以属于多个群组。通过计算用户在各个群组中对物品的偏好值,并结合用户和物品在群组里相应的隶属度来预测用户对物品最终的偏好值,生成对用户的Top-N推荐结果。实验结果表明,与以往推荐算法相比,本方法在降低了数据稀疏性的同时提高了推荐结果的准确率和召回率。     

基于中心点双阈值模糊子群的混合蛙跳算法

针对基本混合蛙跳算法寻优精度不高和易陷入局部最优的缺陷,提出一种基于中心点双阈值模糊子群的混合蛙跳算法。通过随机方式选择各子群中心点,利用青蛙到各子群中心点的距离度量子群内青蛙的紧密程度。用优化方法计算各子群的绝对阈值和相对阈值,提出中心点双阈值模糊子群划分策略对青蛙群体划分子群。在一次局部搜索中,依据中心点隶属度与绝对阈值、相对阈值之间关系对子群最差个体更新方法进行改进。仿真结果表明,中心点双阈值模糊子群划分策略和子群最差个体更新方法有效可行。固定参数时算法在单峰值和多峰值函数寻优问题上收敛速度和精度均有显著提高,变化参数时算法在高维函数上保持较好的优化性能,在适宜的邻近青蛙个数条件下优化性能最优。     

Improved Shuffled Frog Leaping Algorithm and its multi-phase model for multi-depot vehicle routing problem

In the present work, an improved Shuffled Frog Leaping Algorithm (SFLA) and its multi-phase model are presented to solve the multi-depots vehicle routing problems (MDVRPs). To further improve the local search ability of SFLA and speed up convergence, a Power Law Extremal Optimization Neighborhood Search (PLEONS) is introduced to SFLA. In the multi-phase model, firstly the proposed algorithm generates some clusters randomly to perform the clustering analyses considering the depots as the centroids of the clusters for all the customers of MDVRP. Afterward, it implements the local depth search using the SFLA for every cluster, and then globally re-adjusts the solutions, i.e., rectifies the positions of all frogs by PLEONS. In the next step, a new clustering analyses is performed to generate new clusters according to the best solution achieved by the preceding process. The improved path information is inherited to the new clusters, and the local search using SFLA for every cluster is used again. The processes continue until the convergence criterions are satisfied. The experiment results show that the proposed algorithm possesses outstanding performance to solve the MDVRP and the MDVRP with time windows.     

一种基于改进的层次聚类的协同过滤用户推荐算法研究

为了降低组用户推荐的计算时间,提出了一种改进的层次聚类协同过滤用户推荐算法。由于数据的稀疏性,传统的聚类方法在尝试划分用户群时效果不理想。考虑到传统聚类算法的聚类中心不变组内用户间相关度不高等问题,将用户进行聚类,然后按照分类计算出每个用户的推荐结果,在进行聚类的同时充分利用用户间的信息传递来增强组内用户的信息共享,最后将组内所有的用户的推荐结果进行聚合。最后仿真实验表明,本方法能够有效地提高推荐的准确度,比传统的协同过滤算法具有更高的执行效率。     

基于用户模糊聚类的协同过滤推荐研究

传统的协同过滤算法没有考虑用户的自身信息对评分的影响,存在的数据稀疏性、扩展性差等弊端直接影响了推荐系统的推荐质量。对此提出了一种基于用户情景模糊聚类的协同过滤推荐算法。首先根据用户情景信息利用模糊聚类算法得到情景相似的用户群分类,然后在进行协同过滤前预先通过Slope One算法填充用户一项目评分矩阵,以有效改善数据稀疏性和实时性。实验结果表明,改进后的算法在推荐精度上有较大提高。     

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.     

基于聚类免疫网络的协同过滤推荐算法

针对传统协同过滤推荐算法进行聚类后出现的推荐精度下降问题,提出了一种利用独特型网络模型对基于用户聚类的协同过滤算法加以改进的新思路。通过引入人工免疫中动态调节抗体浓度使免疫网络保持稳定的原理来调整邻居用户的数目,以保证邻居用户的多样性达到提高精度的目的。实验结果表明,该算法相对于传统的基于聚类的协同过滤算法而言,在提高推荐速度的同时保证了推荐的精度。     

带有选择和自适应变异机制的混合蛙跳算法

混合蛙跳算法易陷入局部最优,且收敛速度较慢。为此,提出一种带有选择和自适应变异机制的蛙跳算法。引入线性递减的动态惯性权重修正最差青蛙,按照一定的概率选择适应度值较优的青蛙代替较差青蛙,并对每只青蛙个体以不同概率进行自适应变异。仿真结果表明,该算法可以平衡全局搜索和局部搜索,寻优能力强、迭代次数少,解的精度较高,更适合高维复杂函数的优化。