基于项目语义相似度的协同过滤推荐算法

协同过滤是个性化推荐系统中最广泛使用的推荐技术.在用户评分矩阵极度稀疏情况下,传统的协同过滤推荐算法中用户相似度的计算建立在用户评分项目交集之上,并且没有考虑不同项目之间存在的语义关系,从而导致推荐准确率低.针对上述问题,文章提出一种新的基于项目语义相似度的协同过滤算法(CFSSI,collaborative filtering basedon semantic similarity between Items):首先利用领域本体计算项目之间的相似性,填充评分矩阵缺失值,而后根据修正的余弦相似度计算用户相似性.实验结果表明:算法可以在用户评分数据极端稀疏的情况下,仍能取得较高的推荐质量.     

基于用户兴趣评分填充的改进混合推荐方法

针对传统协同过滤推荐方法中的用户项目评分数据稀疏和推荐准确度不高的问题,提出了一种基于用户兴趣评分填充的改进混合推荐方法。首先,分析用户对项目类型的偏好,计算用户兴趣评分并进行矩阵填充;然后,考虑用户主观评分差异化及项目自身质量的影响,对传统皮尔逊相关系数进行改进,并基于已填充评分矩阵进行用户相似性及项目相似性计算;在此基础上分别基于用户和项目两个方面进行评分预测,并将两者的预测评分进行加权求和,进而进行混合推荐;最后,以Movielens100k为数据集进行实验,先分析了用户兴趣评分矩阵的填充效果,再将文中方法和传统协同过滤混合推荐方法以及文献中提出方法进行了对比分析。实验结果表明;提出的评分矩阵填充方法能有效缓解数据稀疏的影响,填充效果优于传统评分矩阵填充方法;提出的改进混合推荐方法（IHRIRF）比传统的混合协同过滤推荐方法HCFR及WPCC方法具有更好地推荐效果。     

基于选择性预测策略的协同过滤推荐算法

针对传统协同过滤推荐算法在用户评分数据极端稀疏情况下无法取得令人满意的推荐质量问题,结合User-based 和Item-based 协同过滤算法思想,提出了一种基于选择性预测策略的协同过滤推荐算法,算法利用高相似度阈值来计算用户相似性和项目相似性,并通过形成用户最近邻居集和项目最近邻居集来预测填充评分矩阵。基于Movielens数据集的实验表明,改进的算法有效改善了传统协同过滤推荐算法的数据稀疏性和扩展性问题,明显提高了系统的推荐质量。     

一种压缩稀疏用户评分矩阵的协同过滤算法

提出了一种通过降低用户评分矩阵维数来解决数据稀疏问题的协同过滤算法(基于项目多类属概率潜在语义的协同过滤算法)．首先将概率潜在语义分析法中的隐变量集固定为项目的多类属集,明确隐变量的意义,限制隐变量的变化范围; 而后迭代学习隐变量的分布,即用户的兴趣模型,压缩用户评分矩阵; 最后用学到的兴趣模型度量用户的相似度,对目标用户做出推荐． 仿真实验结果表明: 该算法有效解决了数据稀疏问题,平均绝对误差低于基于记忆的协同过滤算法4％; 与通过概率潜在语义分析法降低用户评分矩阵维数来解决数据稀疏问题的协同过滤算法相比,该算法明确了隐变量的意义,提高了对系统的理解,并取得了富有竞争力的推荐性能．     

一种改进的协同过滤推荐算法

针对User-based协同过滤推荐和Item-based协同过滤推荐算法的不足,提出了一种改进的推荐算法。该算法融合User-based协同过滤推荐和Item-based协同过滤推荐算法思想,通过形成项目相似集来填充用户评分矩阵,并利用高评分阈值来计算用户相似性,有效改善了传统协同过滤推荐算法的数据稀疏性和实时性。实验结果表明,该算法可以显著提高推荐系统的推荐质量。     

融合项目属性特征的SVD协同过滤推荐算法研究

针对协同过滤方法中用户-项目评分矩阵的极端稀疏性问题,提出了一种基于层次的混合推荐方法.首先利用TF-IDF提取项目属性特征,并利用余弦相似度对评分矩阵的缺失值进行填充;然后通过对填充的矩阵做SVD,寻找隐性特征,建立隐语义模型;最后将本文的算法分别与众数填充和无填充模型进行对比实验,结果表明本文提出的方法有效提高了推荐的精度.     

一种改进相似度的协同过滤算法

传统的相似度计算方法通过评分信息得出用户之间的相关关系,这些方法仅仅从用户评价信息考虑用户之间的相似度,使计算结果过于片面,在稀疏数据集中受较大影响,导致推荐结果的准确性有所降低。针对一般的协同过滤推荐算法中存在的数据稀疏性问题,通过引入用户相似度权重系数,将Pearson相关系数进行加权处理后与Jaccard相似性方法相结合,提出一种新的计算方案,改进算法考虑了用户对共同评分项目所占的比率和用户对项目的评分取值大小,优化了协同过滤算法中相似度量的关键性能。在MovieLens和Book-Crossing两个公共数据集中进行试验,结果表明,改进算法使平均绝对误差值最大程度上降低了5. 2%,从而有效降低稀疏数据集对推荐结果的影响,显著提升了推荐系统的准确度。     

基于用户角色与行为的协同过滤推荐算法

针对传统协同过滤推荐算法中存在评分数据稀疏性问题,以稀疏的用户打分来确定用户间的相似性可能并不准确.为此,提出了以用户行为对应一定分值代替空缺评分的方法来修正用户I-U评分矩阵,并基于用户角色以权重系数K来约束最近邻的计算.实验表明,改进的算法具有更优的推荐质量.     

基于大数据集的混合动态协同过滤算法研究

协同过滤已在推荐系统中广泛使用,但传统算法存在一定的局限性,如不能较好地适应用户-项目评分矩阵数据集的稀疏性、计算项目相似性时未考虑项目的分类及用户对项目评分和兴趣的时变性等因素。针对这些局限性在传统协同过滤算法基础上提出一种基于大数据集的混合动态协同过滤算法。该算法在计算项目的相似性时引入了时间衰减函数,并综合考虑项目评分的相似性和项目分类的相似性,两者在项目综合相似性中所占权重可以自适应动态调节。算法还在相似性计算和近邻项目选取上做了一些改进。实验表明该算法比传统推荐算法质量有所提高。     

基于加权信息熵相似性的协同过滤算法

协同过滤算法是推荐系统中最为成功的技术之一,相似性计算是协同过滤算法的核心.针对传统的相似度计算方法在数据稀疏的情况下推荐不准确问题,提出了基于项目间差异信息熵的相似度计算方法,先通过差异值和共同评价数目对信息熵进行加权,再归一化处理来计算项目间的相似度.用基于项目(Item-based)相似性的协同过滤算法进行了实验验证,实验结果表明,该算法提高了个性化推荐精度.     

语义相似性与协同过滤集成推荐算法研究

基于项目协同过滤算法能提高基于用户协同过滤方法的扩展性问题,并考虑项目之间的关系避免计算用户之间关系的瓶颈,但基于项目协同过滤算法依然存在稀疏性和新项目预测等问题。为了解决这些问题,该文采用了一种基于项目的结构化语义信息的集成相似性算法。为了抽取项目的语义信息,通过本体学习建立特定领域本体并利用包装器代理从网站中抽取本体类的实例和项目属性。实验结果证明了此方法不仅能很好的解决基于项目协同过滤算法带来的问题,而且还提高了推荐精度。     

基于多方面评分的景点协同推荐算法

针对传统的协同过滤(collaborative filtering, CF)推荐模型中利用单一的总体评分进行相似性计算,但总体评分不能准确反映用户对物品喜好的问题,提出基于多方面评分的景点协同推荐算法。该算法综合利用用户对景点在景色、趣味性、性价比三个方面的评分计算用户或景点之间的相似性,进而计算目标用户对目标景点的总体评分。试验结果表明:在相似性计算中引入景点在这三个方面的评分信息后,推荐结果的均方根误差、平均绝对误差、覆盖率、准确率和F-度量指标都得到了改善。     

利用项目属性和偏好改进协同过滤推荐

协同过滤(CF)推荐系统可以通过了解用户过去的行为向用户推荐项目. 针对现有的CF推荐系统没有利用潜在的项目偏好信息,提出了一种利用项目偏好改进CF的推荐方法. 该方法首先采用K-means算法对用户进行聚类,然后利用用户聚类和效用矩阵构建项目偏好矩阵,最后在基于项目的CF方法中,综合项目评分相似度、项目属性及其偏好特征相似度产生推荐. 实验结果表明,该方法获得了较好的推荐精度,在一定程度上缓解了稀疏问题.     

一种改进Slope One的学习推荐算法

针对协同过滤算法的推荐精度不足问题,提出一种改进的Slope One算法。以基于用户协同过滤算法为前提,使用皮尔逊相似性计算用户间相似度,利用Top-N方法对相似用户进行筛选,把最相似用户作为邻居集,再结合加权Slope One算法,预测项目评分,实现对用户个性化精准推荐。实验结果表明,在数据稀疏的条件下,改进算法的预测精确度优于基于用户的协同过滤算法和Slope One算法,提高了推荐质量。     

基于协同过滤的多维度电影推荐方法研究

推荐系统作为解决信息过载的办法之一,广泛运用于各个领域,其中基于协同过滤的推荐方法应用最为成熟和广泛,但是由于传统的协同过滤推荐方法只考虑了用户和项目两个维度,忽略了包括环境因素、影片信息、观影感受等在内的多维度影响因素。分析表明以上多维因素对用户在进行影片评分时有着较为重要的影响。通过线性回归方法寻找并确定多维度属性以及各属性的影响程度,进而在传统协同过滤的基础上融入多维度影响因素,最终构建基于协同过滤的多维度推荐方法。实验表明,该方法相比传统协同过滤推荐方法的推荐效果有一定的提升,其中最优平均绝对误差取值下降了约6%,平均绝对误差均值下降了约2%,说明该方法相比于传统的协同过滤推荐方法具有更高的准确性,从而验证了该方法的有效性。     

基于PCA降维协同过滤算法的改进

随着电子商务网站用户与商品数目的增加,使用户一项目评分矩阵成为高维稀疏矩阵,使协同过滤算法的质量降低。为此,采用主成分分析法对用户一项目评分矩阵进行降维处理,改善输入数据的稀疏性。实验结果表明,与几种典型的协同过滤算法比较,改进后的算法推荐质量有明显提高。     

基于改进协同过滤算法的推荐系统设计与实现

随着科技的发展以及信息化时代的到来,网络数据已由单一性向着复杂性、全面性转变,在大量冗余信息中提炼出有用数据,并进行精准推荐,解决信息过载问题是研究的重点。传统的协同过滤算法,通过研究相似用户的兴趣偏好进行相似性计算,忽略了时间因素以及项目属性对用户的影响,进而造成数据的稀疏性;且当引入新项目时无法及时的进行推荐,导致冷启动问题的产生,可扩展性不足。针对这种情况在已有过滤算法的模型上,引入新的相似性度量方法,将项目属性与用户评分信息进行融合并加入自适应平衡因子,对项目的相似性进行综合评判,进而实现精准推荐。通过实验仿真可知,改进算法可以较好地解决传统推荐系统的冷启动以及数据稀疏性等问题,具有一定鲁棒性,且不需要对噪声权重进行设置。     

基于信息熵的协同过滤算法

针对用户评分数据的稀疏性制约着系统的推荐质量的问题,提出了一种基于信息熵的协同过滤算法。首先定义了用户信息熵以反映用户评分分布和倾向程度;然后,利用大间隔的方法计算目标用户与其他用户的间隔距离,结合目标用户的信息熵,得到目标用户的近邻选择范围;最后,同时考虑用户的信息熵和用户间的相似性大小得到目标用户的近邻集合,以降低数据稀疏性对推荐结果的影响。试验结果表明:基于信息熵的协同过滤算法能够有效地提高推荐质量。     

基于属性偏好自学习的推荐方法

推荐系统从海量数据中挖掘出有用信息来学习用户偏好．目前主流研究的推荐算法是在考虑 评分数据和社交数据的基础上执行协同过滤算法．协同过滤方法包括传统的用户、商品协同过滤算 法和经典的矩阵分解方法．用户、商品协同过滤算法具有可解释性但训练速度慢,矩阵分解模型虽 然训练速度快但缺乏解释性．此外,评分数据和社交数据在获取难度上高于属性信息．针对这些问 题,提出一种基于属性偏好的自学习算法．该算法在评分数据和属性信息的基础上,首先利用用户 对属性的初始偏好程度与属性对商品的评分构建预测评分模型,通过预测评分和实际评分的平方 差及正规化项构造损失函数,使用梯度递减方法对损失函数中预测评分模型的属性偏好程度进行 迭代训练,最后使用训练后的属性偏好程度和属性值评分来预测用户评分．实验在两个经典数据集 上证明了该模型运行时间较快,且在评分数据稀疏的情况优于传统的协同过滤方法和基本矩阵分 解模型．     

基于杰卡德相似性的推荐系统研究

协同过滤推荐系统的核心是用户的相似性度量.在杰卡德相似性度量基础上,提出一种修正的杰卡德相似性度量.该方法将用户评分差异的数目融入相似度计算,并综合杰卡德相似度建立神经网络学习模型,选取Movielens数据作为训练集,得到合适的权重.实验结果表明,与pearson相似性度量相比,该方法在用户评价较少时给出相对可靠的推荐,在推荐的精度、平均绝对误差等方面具有一定的优越性.