基于个性化特征的协同过滤推荐算法

针对相似度特征点推荐方法对用户个性化需求匹配度不高的问题,提出基于个性化特征的协同过滤推荐算法。以社会网络为结构模型构建用户信息的评分模型和项目属性模型,采用信任度条件概率分析方法构建可靠性推荐模型,进行个性化特征分析和提取,实现个性化特征需求与项目兴趣点的合理匹配,实现协同过滤推荐,最后通过仿真实验进行测试分析。结果表明,采用该方法进行社会网络项目协同过滤推荐的用户评分高,平均绝对误差和均方根误差小,提升了推荐质量。     

基于个性化图书推荐的协同过滤算法

本文对基于个性化图书推荐的协同过滤算法的设计方案进行实验,目的是为证实在真实用户的多标准评估过程中怎样产生数据集,从而找到一种科学的算法。并通过图书推荐的应用案例来说明算法,以验证其是否有效。     

基于协同过滤算法的MOOC个性化推荐系统

MOOC(慕课,Massive Open Online Course)大规模在线开放课程是一个在线课堂,旨在通过网络让用户随时无限制学习。为了让用户发现感兴趣且高质量的课程,文中设计了一种基于协同过滤技术的MOOC个性化课程推荐系统,为用户提供个性化的课程选择,以提升用户体验。同时对协同过滤算法存在的缺陷提出了改进思路,并对推荐技术以及MOOC未来的发展进行了展望。     

基于协同过滤的电子商务个性化推荐算法研究

采用基于使用者的协同过滤推荐算法进行电子商务个性化推荐,将获取的评价数据作为推荐算法的输入,根据使用者行为的相似性获取"最近邻居"集,统计其中各邻居对项目商品的评价分数,并以使用者对项目商品的评分形式和使用者关注度最高的多个项目商品推荐列表形式进行项目商品推荐。在获取"最近邻居"集的过程中,通过使用者特征集提升电子商务推荐系统推荐最近邻居的准确度,利用兴趣度随时间变化函数修正使用者评价矩阵,从使用者特性和兴趣两方面对协同过滤推荐算法进行个性化改进。研究结果表明,所提算法推荐项目商品所需时间始终低于对比算法,且采用该推荐算法后电子商务平台交易成功率由38.4%提升至87.2%。     

基于协同过滤算法的电影个性化推荐系统设计与实现

当前,随着我国经济发展速度的不断加快,以及人们生活水平的显著提升,使得人们的个性化需求增多.同时,由于计算机技术与网络技术的发展,也致使众多娱乐与服务形式融入到网络之中,从而形成全新的网络化模式.而利用协同过滤算法所制定的电影个性化推荐系统,即是网络技术与计算机技术在电影服务中的成功应用.对此,本文简要阐述了个性化推荐的概念,并阐述出协同过滤算法的含义,进而,通过协同过滤算法,达成电影个性化推荐系统设计与实现的目标,并进行了运行试验,旨在为通过计算机技术与网络技术能够为人们提供更多的便利与服务,做出自己应有的贡献.     

一种基于规范矩阵因式分解协同过滤推荐模型的并行改进

基于矩阵因式分解的协同过滤推荐模型具有很高的推荐精度和可扩展性,而其中大多数都是基于串行训练过程构造参数的,如能将其训练过程并行化,能进一步提高可扩展性.为解决上述问题,该文提出一种基于规范矩阵因式分解的协同过滤推荐(RMF)模型的并行改进(P-RMF)模型.P-RMF 模型应用交替随机梯度下降法取代随机梯度下降法训练参数,从而消除用户特征和项目特征在训练过程中的相互依赖,实现训练过程的并行化改进.实验表明,对比现有同类模型,P-RMF 模型在求解协同过滤推荐问题时,具有更快的速度和可扩展性.     

基于ALS协同过滤算法的个性化推荐研究与应用

随着大数据和数据挖掘技术的不断发展和成熟,个性化推荐越来越发挥着重要作用。为了能够更有效地向用户推荐其感兴趣的产品,文章研究了在Spark平台架构基础上使用ALS协同过滤算法在个性化推荐系统中的应用,并对该系统作了性能和效果的评估。根据实验表明,基于Spark平台的ALS算法能有效地为用户推荐其所感兴趣的产品,从而达到个性化推荐的目的。     

一种基于NSGA-II的协同过滤推荐算法

为了提升几种基本的协同过滤推荐算法的精确度与召回率,引入了多目标遗传优化算法NSGA-II,并利用模型加权融合的方法实现了新的协同过滤算法。实验证明,该算法相较几种基本的协同过滤算法在精确度与召回率上均有所提升。     

一种基于用户信任机制的个性化协同过滤推荐算法研究

传统的协同过滤推荐算法产生的数据稀疏性和冷启动问题存在潜在安全危机,不利于个性化推荐质量的提高。文章引入基于用户兴趣度和满意度的信任机制,改进传统用户信任度,通过信任度权重因子ωi,j,优化用户综合信任度,以提升预测评分质量。仿真实验分别从算法的推荐准确率和推荐覆盖率展开分析,实验结果表明,当ωi,j取值在0.5时,推荐准确率和覆盖率较RTCR算法、Trust Impact MF算法、A&I-Based算法明显占优。     

一种基于协同过滤的网格门户推荐模型

随着网格技术的不断发展,作为网格资源管理接口的网格门户也迅速发展起来。访问网格门户的用户数和门户管理的资源数也越来越多。为了解决网格门户系统资源管理信息规模过载、服务器大规模查询和处理资源负载较高、用户获取所需资源的满意度较低等问题,该文通过分析网格门户的主要功能和特点,在结合现有协同过滤推荐算法并改进的基础上,提出了基于协同过滤的网格门户推荐模型。推荐模型包括协同过滤交互模型、处理模型和展现模型。在设计模型的基础上提出了二次组合协同推荐算法并且进行了和现有算法的比较工作。实验表明：该文提出的推荐模型可以较好地实现网格门户的个性化协同推荐功能,并且可以保证个性化推荐的准确度和质量。     

一种混合式协作过滤服务推荐算法

随着电子商务的飞速发展,服务推荐系统的重要性越来越得到体现。服务推荐技术作为电子商务的重要应用技术之一,为用户正确的决策提供有力的支持和保证。传统的基于协作过滤的服务推荐算法存在无法进行双向推荐的弊端,同时推荐质量有待提高。针对这些不足,提出了一种基于混合式协作过滤的服务推荐算法,考虑用户和服务之间的相似度,实现了双向推荐。实验结果表明,该算法能有效提高推荐质量。     

基于ALS协同过滤及频繁项挖掘的混合推荐算法

在信息技术日益发展的当下,不同类型的推荐算法在互联网行业的各领域有着广泛的应用。在目前使用较多的推荐算法中,部分侧重于基于评分的预测,也有部分是基于关联排序生成的推荐序列。本文设计一种混合推荐算法,将交替最小二乘法(ALS)计算的具体评分与Fp-growth的置信度相结合,融合两种算法的优势,从而实现推荐结果优化。基于Spark计算框架的实验表明,在选取合适的算法参数的情况下,这种改进的算法与交替最小二乘法(ALS)的原始结果相比,效率有较明显的提高,能够更准确的为用户做出个性化推荐。     

协同过滤中的相似性度量方法的研究

现今,推荐系统越来越受到重视和普及,协同过滤算法是应用最为广泛的个性化推荐技术之一,对基于用户和项的协同过滤推荐算法进行简单的阐述之后,着重对相似性度量方法进行了研究,分别介绍了相关相似性、余弦相似性和调整的余弦相似性,在稀疏数据下对这3种相似性度量方法进行了分析与比较,在最终给出分析结论,并在此基础上提出了改进的相似性计算方法。     

采用协同过滤技术进行工作流活动推荐

为解决企事业单位的流程变动问题,利用正常实例和异常实例信息向当前不完整实例推荐下一可能执行的活动.由于每个工作流实例是一个活动名称序列,它们不能直接参与数值运算,需首先将序列中每个活动出现的顺序以数值的形式表示出来,最终将实例库转换成矩阵形式,该矩阵类似于推荐系统中的User-Item矩阵,以便于实例间相似度计算.最后,从实例库中筛选出与当前不完整实例相似性高的完整实例,利用这些实例的信息构造出活动列表,作为推荐结果.实验结果及对比分析表明：我们的活动推荐算法是可行的和有效的.     

一种基于社会化标签的协同过滤推荐算法

为了减少社会化标签的语义模糊和冗余给基于标签的协同过滤算法带来的噪声,利用群体智慧选择流行标签对用户和资源建模,在此基础上设计了基于流行标签的协同过滤算法。实验证明,该算法降低了标签噪声,并提高了传统的基于标签协同过滤算法的准确性。     

基于评分预测与排序预测的协同过滤推荐算法

协同过滤推荐算法在电子商务领域运用广泛.之前的研究要么仅从评分预测的角度来研究,要么仅从排序预测的角度来研究.为了兼顾这两个方面,本文在传统的基于评分预测的PMF（Probabilistic Matrix Factorization）算法和基于排序预测的xCLiMF（Extended Collaborative Less-is-More Filtering）算法的基础上提出了一种基于评分预测与排序预测的协同过滤推荐算法URA（Unified Recommendation Algorithm）,该方法通过在PMF和xCLiMF算法中共享用户和推荐对象的特征空间,利用PMF算法来学习高精度的用户和推荐对象的特征向量,从而进一步增强排序推荐性能.实验验证,该方法在评价指标NDCG和ERR下均优于PMF和xCLiMF算法,且复杂度与评分点个数线性相关.URA算法可运用于互联网信息推荐领域的大数据处理.     

一种改进的混合协同过滤推荐算法

传统协同过滤算法存在着相似度计算差和因数据稀疏而导致推荐信息不准确问题。文中通过改进相似度计算方法,提出新的混合协同过滤算法框架,以提高推荐质量。其中,对相似度计算方法的改进采用加权方式,而新的框架是将基于内存的两种协同过滤算法进行结合,最终得到一种混合协同过滤算法。通过Netflix提供的数据集进行实验,实验结果表明,该算法相比于传统协同过滤算法有更好的效果。     

SBHCF:基于奇异值分解的混合协同过滤推荐算法

针对传统协同过滤中的最近邻查找不够合理导致推荐的准确率较低的困境。提出一个基于矩阵分解的混合相似度算法。该方法融合了基于模型的奇异值矩阵分解算法和基于近邻的协同过滤算法皮尔逊相关系数,并引入阈值和杰卡德系数对相似度进行修正。在公共有效数据集上的实验表明,所提出算法的平均绝对误差比传统的推荐算法至少降低了7.7%,有效提高了推荐准确率。     

A Robust Collaborative Recommendation Algorithm Based on k-distance and Tukey M-estimator

The existing collaborative recommendation algorithms have lower robustness against shilling attacks. With this problem in mind, in this paper we propose a robust collaborative recommendation algorithm based on k-distance and Tukey M-estimator. Firstly, we propose a k-distance- based method to compute user suspicion degree （USD）. The reliable neighbor model can be constructed through incorporating the user suspicion degree into user neighbor model. The influence of attack profiles on the recommendation results is reduced through adjusting similarities among users. Then, Tukey M-estimator is introduced to construct robust matrix factorization model, which can realize the robust estimation of user feature matrix and item feature matrix and reduce the influence of attack profiles on item feature matrix. Finally, a robust collaborative recommendation algorithm is devised by combining the reliable neighbor model and robust matrix factorization model. Experimental results show that the proposed algorithm outperforms the existing methods in terms of both recommendation accuracy and robustness.