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。     

基于改进用户属性评分的协同过滤算法

为解决在基于用户的推荐算法中,用户相似度计算精度较低、缺乏个性化等问题,提出一种基于改进用户属性评分的协同过滤算法(IUAS-CF)。针对个性用户、偏执用户等在评分矩阵上存在的评价值范围差异,基于现有的相似度计算公式设计一种适应于计算个性化用户相似度的距离度量公式;针对用户自身存在影响用户抉择的用户属性,设法将用户属性评分量化,将其引入相似度计算公式中。实验结果表明,IUAS-CF算法能更真实地反映用户评分偏好,提高了推荐系统的推荐精度,更好地满足了用户对系统的个性化需求。     

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.     

Hadoop下基于聚类协同过滤推荐算法优化的研究

作为重要的个性化推荐算法之一,协同过滤推荐算法有其独特的优势,但同时存在数据稀疏性、冷启动和扩展性问题。针对数据稀疏性问题,对项目相似度进行改进,利用基于项目的协同过滤对原始评分矩阵进行填充,以此降低数据稀疏性对推荐质量的影响。针对冷启动问题,采用基于用户和项目属性分别进行聚类的方法,通过聚类模型建立新用户和新项目与现有用户和现有项目之间的联系,根据对现有用户和现有项目的推荐预测新用户和新项目的推荐。针对扩展性问题,利用云平台Hadoop的MapReduce框架完成相关算法的并行化,以此解决传统协同过滤推荐算法面临的严重扩展性问题。实验表明,改进后的算法较好地解决了以上问题。     

基于免疫算法的个性化推荐系统

针对个性化推荐系统中用户的多个不同需求,提出一种基于免疫算法的求解方法。该算法将要求解的个性化 推荐列表建模成一个最大化推荐准确性和多样性的多目标优化问题,采用基于用户的协同过滤技术对用户进行分类,设计了 适合推荐问题求解的抗体编码方式、克隆、变异算子。仿真实验结果表明,所提算法能够有效求得个性化推荐的最佳解,达到 可以同时为多个用户提供多个不同推荐的需求。     

用户显意识下的多重态度个性化推荐算法

个性化推荐技术在电子商务系统中得到了广泛的应用。针对现有商品特征算法不能反映出用户对商品特征认识的差异问题,提出了一种用户显意识下的多重态度个性化推荐算法,引入显意识及多重态度的权值,从不同角度去描述消费者心理特征,使推荐结果更符合用户的需求。实验对比结果表明,用户显意识下的多重态度个性化推荐算法能够提高商品特征推荐算法的推荐精度。     

一种融合多种用户行为的协同过滤推荐算法

协同过滤作为目前应用最成功的个性化推荐技术,在电子商务、社交网络等领域得到了广泛应用。然而,当此类算法应用到个性化医疗推荐领域时,由于个人医疗行为本身的复杂性和多样性,出现了推荐准确率下降的问题。针对这一问题,提出一种融合多种用户行为的协同过滤推荐算法,使用权重因子来综合衡量不同用户行为对推荐质量的影响,并引入重合依赖度的概念来修正传统的相似度度量方法。在收集的Top-md数据集上的实验结果表明,该算法能够全方位表达用户的就医偏好和意愿,有效提高个性化医疗推荐系统的推荐质量。     

个性化新闻推荐系统研究综述及探讨

随着新闻媒体技术的快速发展,网络新闻数量呈指数级增长。为了解决网络信息过载的问题,个性化新闻推荐扮演着极其关键的角色。它通过学习用户的浏览行为、兴趣爱好等信息,主动为用户提供感兴趣的新闻,从而提高用户的阅读体验。个性化新闻推荐逐渐成为新闻领域及计算机科学领域的研究热点和实践难题,业界专家已提出多种推荐算法用于提高推荐系统的性能。本文系统阐述个性化新闻推荐的国内外最新研究现状和进展,首先,简要介绍新闻推荐系统的架构,并对新闻推荐系统中核心推荐算法和常用评价指标进行研究。虽然个性化新闻推荐给用户带来很好的体验,但是潜移默化中也给用户带来很多未知的影响。跟其他新闻推荐综述不同的是,本文还结合新闻媒体专业研究了当前新闻推荐系统对用户行为产生的影响及面临的问题。最后,根据当前遇到的问题提出个性化新闻推荐的研究方向及未来工作重点。     

融合时间综合影响的轮盘赌游走个性化推荐算法

传统的基于图的推荐算法忽略了时间综合信息影响从而导致推荐质量不高。针对这一问题,提出一种融合时间综合影响的轮盘赌游走个性化推荐算法。该算法以用户项目二分图为基础,引入衰减函数,将时间综合信息对推荐的影响量化成图节点的关联概率;然后采用轮盘赌模型根据关联概率选择游走目标;最终对每个用户做出top-N推荐。实验结果表明:该算法比传统基于图的随机游走PersonalRank算法在推荐的准确度、召回率以及覆盖率指标上都有明显提高。     

基于标签的强化学习推荐算法研究与应用*

针对协同过滤推荐算法性能稳定性往往受到数据稀疏性影响的问题,在强化学习的框架下提出一种基于标签的协同过滤推荐算法,利用标签模拟用户兴趣来构造非稀疏的个性化数据,并将模拟数据与历史用户访问数据相结合进行协同过滤推荐。实验结果表明,引入基于标签的个性化数据可以有效提升协同过滤算法的性能,且对两种数据的有效结合可以获得最好的效果。     

基于关联规则算法的推荐方法研究综述

目前传统推荐算法已经被广泛应用于各类推荐系统,然而在推荐过程中仍然存在着无法处理非结构化数据、数据潜在关系发现困难、数据稀疏和冷启动等问题。关联规则技术的出现有效缓解了这些问题,推荐效率也因此得到提高。将关联规则技术的特殊属性与推荐算法进行高质量的结合成为推荐领域的研究热点。通过综述关联规则技术与数据的不同关联规则类别在传统推荐算法中的应用,对传统算法在推荐过程中的优缺点进行了归纳阐述。针对基于关联规则推荐算法的研究进行总结,并对其未来的发展趋势进行展望。     

商品搭配大数据推荐方法研究综述

随着电子商务的不断发展,推荐系统面临着数据来源多样、结构复杂、推荐多样性差、冷启动等问题。商品搭配大数据推荐方法不仅可以有效解决以上问题,还具有给予消费者搭配建议并帮助商家促进销售的重要意义。首先,通过对国内外相关文献进行梳理,阐述了搭配推荐方法的基本概念和形式,分析其与传统推荐方法的区别以及优势。然后,探讨了搭配推荐方法的分类,包括基于商品内容的搭配推荐、基于协同过滤的搭配推荐和混合搭配推荐。最后,在这些研究和分析的基础上,指出了未来的研究热点将聚焦于多个商品的搭配推荐、基于多源异构数据融合的搭配推荐和基于知识图谱的搭配推荐。特别是将知识图谱应用于搭配推荐领域,将是未来非常有前景的研究工作。     

面向个性化推荐系统的二分网络协同过滤算法研究

为提高个性化推荐系统的推荐效率和准确性, 提出了个性化推荐系统的二分网络协同过滤算法。协同过滤算法引入二分网络描述个性化推荐系统, 使用灰色关联度来度量用户相似性和项目相似性, 对灰色关联相似度加权求和预测用户对项目的预测打分值, 从而提供给用户排序后的项目列表。实验结果表明, 协同过滤算法有效提高了过滤推荐的精准度和可靠性, 具有良好的推荐效果。     

基于用户关注度的个性化新闻推荐系统

为满足用户需求,以用户为中心,解决用户关注度不断变化、数据稀疏性、优化时间和空间效率等问题,提出基于用户关注度的个性化新闻推荐系统。推荐系统引入个人兴趣和场景兴趣来描述用户关注度,使用雅克比度量用户相似性,对相似度加权求和预测用户关注度,从而提供给用户经过排序的新闻推荐列表。实验结果表明,推荐系统有效地提高了推荐精准度和覆盖度,改善了系统可扩展性和自动更新能力,具有良好的推荐效果。     

标签模糊和冗余在标签推荐中的研究及应用

现有的Folksonomy标签推荐系统使用的推荐算法没有考虑标签模糊和冗余问题,影响了用户建模和对推荐系统评估的准确性,并且降低了系统的推荐质量,增加了用户选择喜好项目时的负担。通过对标签推荐系统的研究,将标签模糊和冗余应用到标签推荐算法当中,有助于提高系统的推荐质量,并且能提供更合理的评价方法。实验结果表明：经过标签模糊和冗余处理的标签推荐算法显著地提高了推荐系统的推荐质量。     

改进图卷积网络的协同过滤推荐模型

图卷积网络（GCN）已应用于各领域并取得巨大成功,其中包括推荐系统。推荐系统的核心目标是推测用户偏好从而主动为用户提供有价值有针对性的消息,协同过滤是经典且广泛应用的一种推荐方法。但基于GCN的推荐方法仍存在诸多问题,如GCN递归地合并来自不同阶邻域的消息,难以区分地混合不同的节点消息导致训练困难,以及过平滑等问题对推荐模型产生了很大的约束。与目前基于GCN的方法不同,针对以上问题,提出使用简单GCN模型分别汇总不同顺序的邻域消息用于协同过滤,然后以分层方式将它们聚合,无需引入其他模型参数。之后,将Dropout思想迁移至模型中,通过在每一层随机丢弃邻居消息来减轻过平滑的影响,很好地防止了过拟合并提升了模型性能。在三个数据集上进行的实验结果证明了所提模型的有效性。     

融合社交关系与地理信息的兴趣点推荐模型

基于LBSN的兴趣点推荐存在用户签到矩阵稀疏、推荐精度不高、上下文信息利用不充分等问题,提出一种融合社交信任的矩阵分解算法TGMF（Trust-Geo?Matrix?Factorization）来缓解以上问题。利用BPR模型优化矩阵分解的过程,改进偏序关系的生成策略。把信任影响和相似度计算相结合,提高推荐精度。融合两种模型得到用户的最终偏好列表。把偏好列表中的top-[k]个兴趣点推荐给用户。实验结果表明,在真实数据集Gowalla和Foursquare上,TGMF算法在准确率和召回率两个指标上均优于传统的兴趣点推荐算法。     

利用知识图谱的推荐系统研究综述

随着互联网的快速发展,如何从海量数据中筛选实际需要的信息变得尤为重要。推荐系统作为一种信息过滤的方法,旨在为用户推荐个性化内容。传统推荐算法中普遍存在数据稀疏和冷启动问题,近年来,研究者利用知识图谱中丰富的实体与关系信息,不仅能够缓解以上问题,同时增强了推荐系统的整体性能。利用知识图谱的推荐系统研究主要包括三方面内容：介绍推荐系统和知识图谱的基本概念,指出现有推荐算法的不足之处;根据不同核心技术详细分析利用知识图谱的推荐系统研究现状,评估不同方法的技术优势与挑战;总结相关应用场景和数据集信息,并展望未来发展前景。     

基于用户实时反馈的协同过滤算法

传统的基于内存的协同过滤算法存在可扩展性不足的问题,而基于模型的协同过滤算法由于模型数据的滞后,造成推荐质量不高。针对以上情况,提出一种基于用户实时反馈的协同过滤算法,该算法在用户提交项目评分之后能实现对推荐模型数据的实时更新,从而更精确地反映用户的兴趣变化。实验结果表明,该算法能够有效地提高推荐精确度并且大幅地缩短了推荐时间。