一种基于聚类和协同过滤的组合推荐算法

协同过滤技术是目前电子商务推荐系统中最为主要的技术之一,但随着系统规模的日益扩大,它面临着算法可扩展性和数据稀疏性两大挑战。针对上述问题,本文提出了一种基于聚类和协同过滤的组合推荐算法。首先利用聚类对项目进行分类,在用户感兴趣的类里进行推荐计算,有效地解决了算法的可扩展性问题;接着在每一类中使用基于项目的协同过滤对未评价的项目进行预测,把较好的预测值填充到原用户-项集合中,有效地缓解了数据稀疏性问题;最后根据协同过滤推荐在相似项目的范围内计算邻居用户,给出最终的预测评分并产生推荐。实验结果表明,本算法有效地解决了上述两个问题,提高了推荐系统的推荐质量。     

自适应人工免疫网络在协同过滤推荐中的应用

为解决协同过滤技术中存在的稀疏性、可扩展性问题,提出了一种基于自适应人工免疫网络的协同过滤算法.该算法将协同过滤推荐技术与自适应人工免疫网络相结合,利用人工免疫网络自身的克隆变异机制产生隐式评价来降低数据稀疏性,利用克隆抑制、网络抑制机制减少数据维度来提高可扩展性.实验结果表明,该算法提高了推荐精度,具有一定的实际意义.     

一种基于分众分类的协同过滤推荐算法

基于内存的协同过滤算法是推荐系统中使用的最成功的技术之一,但它存在着数据稀疏性和可扩展性的问题。分众分类是一种能使用户发现、组织和理解在线事物的强有力的机制。基于这种机制,提出了一种新的协同过滤算法,来解决该算法中的稀疏性和可扩展性的问题。实验表明,该算法在解决这些问题上是有效的。     

协同过滤推荐算法对比分析与优化应用

协同过滤推荐算法分为基于内存和基于模型的推荐算法,协同过滤推荐算法存在数据稀疏性、可扩展性、冷启动等问题。通过基于用户、基于项目协同过滤推荐算法以及SVD、Slope-One、KNN等基于模型协同过滤推荐算法对比分析。提出加入特征向量维度优化的SVD算法,通过降维改善数据稀疏性问题。利用Hadoop分布式平台改善推荐算法可扩展性问题。基于MovieLens数据集实验结果表明,引入基于Boolean相似性计算方法的推荐效果更优,引入数量权重和标准差权重的优化 Slope-One 算法和引入特征向量维度的优化 SVD 算法推荐效果更优。     

基于Web日志和聚类的协同过滤推荐算法

协同过滤推荐算法是目前应用最为成功的一种电子商务推荐方法,但协同过滤算法也存在数据稀疏性和缺乏个性化等问题,这些问题影响了推荐算法的效率和准确性.针对以上问题,提出了引入Web日志分析的方法,同时利用用户聚类等相关技术,不仅解决了数据稀疏的问题也提高了推荐的准确性.     

基于领域本体的协同过滤推荐算法

为了解决协同过滤推荐系统中所存在的可扩展性、稀疏性和冷启动等问题带来的推荐性能底下,提出新的基于领域本体的协同过滤推荐算法,该算法综合考虑了项目的语义相似性和评分相似性的影响,改善基于项目的协同过滤算法性能。实验结果表明,基于领域本体的协同过滤算法不仅能很好的解决基于项目的协同过滤算法带来的问题,而且还提高了推荐系统的推荐质量。     

基于矩阵分解的协同过滤算法

协同过滤推荐算法是电子商务推荐系统中运用最成功的一种推荐技术。针对目前大多数协同过滤算法普遍存在的可扩展性和抗稀疏性问题,在传统的矩阵分解模型（SVD）的基础上提出了一种带正则化的基于迭代最小二乘法的协同过滤算法。通过对传统的矩阵分解模型进行正则化约束来防止模型过度拟合训练数据,并通过迭代最小二乘法来训练分解模型。在真实的实验数据集上实验验证,该算法无论是在可扩展性,还是在抗稀疏性方面均优于几个经典的协同过滤推荐算法。     

基于多数据源和联合聚类的智能推荐

随着Internet的普及和电子商务的盛行,智能推荐系统也应运而生.协同推荐是目前公认为最好的一种推荐技术,但其存在着一些不足之处,如:稀疏性、可扩展性和冷启动问题.本文提出一种混合推荐技术来克服协同过滤的不足.首先,通过引入多个数据源对评价矩阵进行平滑填充来解决数据的稀疏性问题.其次,采用从用户和项目两方面进行联合聚类来提高系统的可扩展性和精度.实验结果证明,该方法在很大程度上较传统的协同过滤方法推荐精度高,且在线推荐的速度快.     

Web日志在协同过滤推荐算法中的应用

协同过滤算法近年来在电子商务推荐系统中得到了广泛的应用,但该算法也存在数据稀疏性和缺乏个性化等问题,这些问题影响了推荐算法的效率和准确性。主要针对以上问题,提出引入Web日志分析的协同过滤算法,将用户对商品的隐性兴趣转化为显性兴趣,同时利用用户聚类等相关技术,不仅解决数据稀疏的问题也提高推荐的准确性。     

应用WUM和RBFN补值的协同过滤推荐研究

协同过滤是目前推荐系统中最为成功的一种方法,但面临稀疏数据特征时存在冷启动、稀疏性、可扩展性等问题。提出利用Web数据挖掘（WUM）获取隐性数据对显性用户评价矩阵进行补值,应用径向基函数（RBFN）对补值后的评价矩阵进一步进行平滑处理,得到消除稀疏性后的完全评价矩阵,基于完全评价矩阵利用协同过滤技术对相似用户进行聚类并实施推荐。实验评价结果表明该方法与传统协同过滤推荐方法相比,无论在推荐精度还是推荐相关性上都更为有效。     

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。     

BC-AW协同过滤推荐算法研究

针对现有协同过滤算法普遍存在数据稀疏、可扩展性低、计算量大的缺点,提出一种基于BC-AW的协同过滤推荐算法,引入联合聚类（BlockClust,BC）和正则化迭代最小二乘法（Alternating least squares with Weighted regularization,AW）,首先对原评分矩阵进行用户—项目双维度的联合聚类,接着产生具有相同模式评分块的多个子矩阵,通过分析得出这些子矩阵规模远小于原评分矩阵,从而有效降低预测阶段的计算量.然后分别对每个子矩阵应用正则化迭代最小二乘法来预测子矩阵的未知评分,进而实现推荐.经仿真实验表明,本文算法与传统的协同过滤算法比较,能有效改善稀疏性、可扩展性和计算量的问题.     

基于改进LSH的协同过滤推荐算法

协同过滤是个性化推荐系统中应用较为成功与广泛的技术之一,影响协同过滤推荐质量的关键在于获取目标用户的k近邻用户,然后基于k近邻对其未评价的项目进行评分预测与推荐。针对用户评分数据的规模大、维度高、高度稀疏以及直接进行相似性度量的实时性差等对推荐性能的影响,提出一种基于LSH的协同过滤推荐算法,并对其进行改进。该算法基于p稳态分布的局部敏感哈希对用户评分数据进行降维与索引,并采用多探寻的机制对其进行改进,缓解多个哈希表对内存的压力,快速获取目标用户的近邻用户集合,然后采用加权方法来预测用户评分并产生推荐。标准数据集上的实验结果表明,该方法能有效克服评分数据的高维稀疏,并在保证一定推荐精度的前提下,大幅度提高推荐效率和降低内存消耗。     

结合似然关系模型和用户等级的协同过滤推荐算法

针对传统协同过滤推荐算法的稀疏性、扩展性问题,提出了结合似然关系模型和用户等级的协同过滤推荐算法.首先,定义了用户等级函数,采用基于用户等级的协同过滤方法,在不影响推荐质量的前提下有效提高了推荐效率,从而解决扩展性问题;然后,将其与似然关系模型相结合,使之能够综合利用用户信息、项目信息、用户对项目的评分数据,对不同用户给出不同的推荐策略,从而解决稀疏性问题,提高推荐质量.在MovieLens数据集上的实验结果表明,该算法比单纯使用基于似然关系模型或传统协同过滤技术的推荐算法,不仅推荐质量有所提高,推荐速度比传统协同过滤算法明显加快.     

基于Mahout分布式协同过滤推荐算法分析与实现

随着信息技术和互联网的发展,在信息过载的时代,用户面对海量的信息,难以正确选择。协同过滤推荐是个性化推荐中比较成熟的算法,但其稀疏性、冷启动、可扩展性问题仍然存在,尤其是不能应用于分布式推荐。在Hadoop平台上,Mahout实现了分布式基于项目的协同过滤推荐算法,该算法能够有效解决传统算法的海量数据处理的效率问题和可扩展性问题。实验结果表明,Mahout上基于项目的协同过滤推荐算法具有较好的计算高效性和可扩展性。     

基于资源类的时间加权协作过滤算法*

当前eLearning作为一种重要的教学方式,对其个性化的要求正在日益提高。针对协作过滤推荐是当今应用最为普遍的个性化推荐算法,而数据的稀疏性和算法的可扩展性一直是协作过滤算法所面临的两大问题,提出基于资源类的时间加权协作过滤算法。该算法不仅降低了数据的稀疏性和维度,缩小了目标用户最近邻的查找范围;而且避免了传统推荐算法中推荐值与用户相似度不密切相关的弊端,提高了最近邻的准确度,推荐精度较以往传统算法有明显提高。     

一种混合模式的协同过滤算法

当今是一个数据爆炸时期,促进信息过滤技术发展,个性化推荐系统作为其中一种重要的应用方式,已经成为很多网站一种个性化信息服务方式,但传统的协同过滤算法存在扩展性和稀疏性的问题。提出一种基于项目聚类、项目语义相似度和奇异值分解的混合推荐模型,来应对传统的协同过滤推荐系统面临的算法的伸缩性问题、数据稀疏性问题和推荐的精准度问题,进行推荐。结果表明,与传统的算法相比,使用该改进算法能显著地提高推荐系统的推荐质量。     

融合用户特征优化聚类的协同过滤算法

针对推荐系统领域中应用最广泛的协同过滤推荐算法仍伴随着数据稀疏性、冷启动和扩展性问题,基于用户冷启动和扩展性问题,提出了基于改进聚类的PCEDS(pearson correlation coefficient and euclidean distance similarity)协同过滤推荐算法。首先针对用户属性特征,采用优化的K-means聚类算法对其聚类,然后结合基于信任度的用户属性特征相似度模型和用户偏好相似度模型,形成一种新颖的PCEDS相似度模型,对聚类结果建立预测模型。实验结果表明:提出的PCEDS算法比传统的协同过滤推荐算法在均方根误差(RMSE)上降低5%左右,并且推荐准确率(precision)和召回率(recall)均有明显提高,缓解了冷启动问题,同时聚类技术可以节省系统内存计算空间,从而提高了推荐效率。     

基于Hadoop分布式改进聚类协同过滤推荐算法研究

为了改善协同过滤推荐算法在大数据下的稀疏性和可扩展性问题,提出一种基于Hadoop平台的分布式改进聚类协同过滤推荐算法。在分布式平台下,离线对高维稀疏数据采用矩阵分解算法预处理,改善数据稀疏性后通过改进项目聚类算法构建聚类模型,根据聚类模型和相似性计算形成推荐候选空间,在线完成推荐。实验验证该算法能够有效改善推荐系统的推荐质量并大大提高推荐效率,同时在云环境中具有良好可扩展性。