一种融合项目特征和移动用户信任关系的推荐算法

协同过滤推荐系统中普遍存在评分数据稀疏问题.传统的协同过滤推荐系统中的余弦、Pearson 等方法都是基于共同评分项目来计算用户间的相似度;而在稀疏的评分数据中,用户间共同评分的项目所占比重较小,不能准确地找到偏好相似的用户,从而影响协同过滤推荐的准确度.为了改变基于共同评分项目的用户相似度计算,使用推土机距离（earth mover's distance,简称EMD）实现跨项目的移动用户相似度计算,提出了一种融合项目特征和移动用户信任关系的协同过滤推荐算法.实验结果表明：与余弦、Pearson 方法相比,融合项目特征的用户相似度计算方法能够缓解评分数据稀疏对协同过滤算法的影响.所提出的推荐算法能够提高移动推荐的准确度.     

复杂网络环境下基于信任传递的推荐模型研究

针对推荐系统中普遍存在的数据稀疏和冷启动等问题,本文结合用户自身评分与用户的社会信任关系构建推荐模型,提出了一种基于信任关系传递的社会网络推荐算法（Trust transition recommendation model,TTRM）.该方法首先通过计算信任网络中节点的声望值与偏见值来发现信任网络中的不可信节点,并通过对其评分权重进行弱化来减轻其对信任网络产生的负面影响.其次,算法又利用朋友的信任矩阵对用户自身的特征向量进行修正,解决了用户特征向量的精准构建及信任传递问题.同时为了实现修正误差的最小化,算法利用推荐特性进行用户相似度计算并通过带有社会正则化约束的矩阵分解技术实现社会网络推荐.实验结果表明,TTRM算法较传统的社会网络推荐算法在性能上具有显著提高.     

基于协同过滤和隐语义模型的混合推荐算法

协同过滤算法一般根据用户的评价信息来推测用户的喜好,但受到数据稀疏问题的影响,很多时候无法得到较为理想的推荐结果;除此之外,一般协同推荐算法忽略了用户兴趣的动态变化;文中提出的算法主要融合了相似度传递、用户兴趣迁移、隐语义模型等用以解决上述问题。首先提出了基于项目相似度的协同推荐算法。该算法深入研究了改进的余弦相似度方法,在执行过程中首先需要对项目进行信任关系建模,基于此来传递相似度,然后将这两部分相似度关系进行加权得到新的项目相似关系,可以将其应用到项目的评分中。其次,提出了基于用户兴趣迁移的隐语义模型推荐算法。该算法引入时间函数,重构用户的兴趣模型,实现对传统模型的修正,然后再使用梯度下降法来求解。最后,采用线性融合的办法,将以上两种算法进行融合。实验对比结果表明,混合推荐算法的推荐准确率较原先的算法有了较大的提高,因为它可以对丢失的信息进行补充,对于用户兴趣的变化能够较好的适应,同时大大弱化了数据的稀疏导致的一系列负面影响。     

融合时间加权信任与用户偏好的协同过滤算法

针对现有的协同过滤推荐算法中存在评分数据稀疏和用户兴趣动态变化的问题,提出了融合时间加权信任与用户偏好的协同过滤算法.考虑到用户评分时间的不均匀,对时间权重进行改进,并将其融入到直接信任计算中,缓解用户兴趣动态变化的问题.通过信任传递得到的间接信任以及建立用户对项目标签的偏好矩阵得到用户之间的偏好相似度来缓解数据的稀疏...     

融合用户信任模型的协同过滤推荐算法

协同过滤推荐是电子商务系统中最为重要的技术之一.随着电子商务系统中用户数目和商品数目的增加,用户-项目评分数据稀疏性问题日益显著.传统的相似度度量方法是基于用户共同评分项目计算的,而过于稀疏的评分使得不能准确预测用户偏好,导致推荐质量急剧下降.针对上述问题,本文考虑用户评分相似性和用户之间信任关系对推荐结果的影响,利用层次分析法实现用户信任模型的构建,提出一种融合用户信任模型的协同过滤推荐算法.实验结果表明： 该算法能够有效反映用户认知变化,缓解评分数据稀疏性对协同过滤推荐算法的影响,提高推荐结果的准确度.     

垂直学习社区基于学习兴趣与风格的社会化推荐算法

垂直学习社区包含了海量的学习资源,出现了信息过载现象,个性化推荐是解决这个难题的方法之一.但垂直学习社区中评分数据稀疏而文本、社交信息丰富,传统的协同过滤推荐算法不完全适用.基于用户产生的文本和行为信息,利用作者主题模型构建新的用户学习兴趣相似度衡量模型;根据用户交互行为信息综合考虑信任与不信任因素构建用户全面信任关系计算全面信任度;通过分析用户多维度学习行为模式,自动识别用户学习风格;最后提出融合兴趣相似度、全面信任度及学习风格的社会化推荐算法.用垂直学习社区网站CSDN实际数据集进行了实验分析.结果表明本文提出的推荐方法能更好向用户推荐其感兴趣的学习资源,有效地提高了推荐精度,进而提高用户学习效果.     

融合相似度和预筛选模式的协同过滤算法

基于邻域的协同过滤算法中,用户（项目）相似度的计算对预测和推荐结果有重要影响。传统相似度基于共同评分项目,能快速计算出相似度结果,但在稀疏数据下,推荐准确性较低。目前大多数改进的协同过滤算法通过制定较复杂的相似度公式,提高推荐准确性,但往往忽略了模型的计算时间。为达到在降低时间成本的同时执行有效的推荐,提出融合相似度和预筛选模式的协同过滤算法。首先在相似度模型中定义相对评分差异,并列举应满足的定性条件得到优化的相似度,同时考虑基于信息熵改进的评分偏好和用户全局评分的数量信息作为权重因子,更好地区分用户间差异,缓解稀疏数据下相似度计算不准确的问题。其次通过分析相似度模型和评分预测公式的隐式约束,提出预筛选模式,过滤掉大量无效的用户及对应的评分数据,进一步提高计算效率。最终通过融合相似度和预筛选模式得到协同过滤算法。在基准数据集上的实验表明,与其余8种算法相比,提出的算法具有良好的推荐质量和较高的时间效率。     

基于用户偏好的信任网络随机游走推荐模型

为了提高推荐算法评分预测的准确度,解决冷启动用户推荐问题,在TrustWalker模型基础上提出一种基于用户偏好的随机游走模型——PtTrustWalker。首先,利用矩阵分解法对社会网络中的用户、项目相似度进行计算;其次,将项目进行聚类,通过用户评分计算用户对项目类的偏好和不同项目类下的用户相似度;最后,利用权威度和用户偏好将信任细化为不同类别下用户的信任,并在游走过程中利用信任用户最高偏好类中与目标物品相似的项目评分进行评分预测。该模型降低了噪声数据的影响,从而提高了推荐结果的稳定性。实验结果表明,PtTrustWalker模型在推荐质量和推荐速度方面相比现有随机游走模型有所提高。     

采用信任网络增强的协同过滤算法

由于数据稀疏性问题的普遍存在,不仅传统的协同过滤系统中使用单一相似度进行的推荐不具备较高的可信度,而且共同评分项过于稀疏也会导致其推荐性能大打折扣。针对以上问题,提出了一种采用信任网络增强的协同过滤算法(记为ECFATN)。通过引入社会网络中常用的信任关系,即在原始的“用户-项目”评分矩阵上,通过信任计算建立用户间的信任关系,并使用传播规则传递信任关系,构建一个用户信任网络。最终使用用户间的信任度与相似度线性加权作为新的权重进行推荐。在真实的数据集上进行测试,实验结果表明,ECFATN算法不仅在一定程度上缓解了数据稀疏性问题并提高了推荐精度,而且由于信任关系的引入,对于用户冷启动问题也有较大的提升。     

融合多元信任关系的新型推荐模型

现有的基于信任关系的推荐模型大多用于预测缺失的“用户-物品”评分,未考虑信任关系自身的多样性。基于此,研究了考虑多元信任关系的物品序列推荐的矩阵分解模型。首先,针对社交网络中目标用户可分别作为信任者和受信任者2种情形,提出相应的信任者相似度因子模型(truster factored similarity model,TrusterFSM)和受信任者相似度因子模型(trustee factored similarity model, TrusteeFSM);然后,通过融合两者获得最终的信任相似度因子模型(trust factored similarity model, TrustFSM),TrustFSM引入了物品偏置、用户偏置、物品相似度、用户相似度和社交相似度的影响。最后,基于真实数据集的实验结果表明,TrustFSM获得了最优的推荐效果,所提3种模型的性能优于现有模型（有/无引入信任者信息）。     

融合信任用户的协同过滤推荐算法

推荐系统中普遍存在的数据稀疏性问题使得协同过滤算法所要求的近邻搜索准确性降低,以及搜索到的最近邻用户过少,这对整个推荐系统的推荐质量和推荐的准确性产生重要影响,而这个问题对于传统的协同过滤推荐是难以解决的.针对这个问题,通过将用户之间的信任关系与对项目的评分相似性相融合,提出一种融合信任用户的协同过滤推荐算法,利用有向网络图构建的用户之间的信任关系,弥补了仅仅依靠计算用户间相似性不能准确衡量用户之间关系的缺陷.实验结果证明,该算法能够提高系统的推荐质量和准确性.     

社交网络环境下基于信任的推荐算法

现有的基于信任的推荐算法通常假设用户是单一和同质的,没有充分挖掘信任关系信息,且相似关系和信任关系的融合缺乏高效的模型,极大地影响了推荐的准确性和可靠性。本文提出一种基于信任的推荐算法。首先结合全局信任和局部信任,并利用信任的传播性质对信任关系进行建模,然后设置推荐权重,综合考虑相似度和信任度来构建用户间的偏好关系,筛选出邻居。接着将基于记忆的协同过滤思想和社交网络的信任关系融入概率矩阵分解模型,同时使用自适应权重动态决定各部分的影响程度,形成高效统一的可信推荐模型Trust-PMF。本文的算法在FilmTrust、Epinions这两个数据集上与相关算法做了对比验证,结果证实了此算法的高效性。     

基于社交信任和标签偏好的景点推荐方法

针对现有的景点推荐算法在处理用户关系时忽视了用户隐性信任和信任传递问题,以及当用户处于新城市时由于缺乏用户历史记录无法做出准确推荐的情况,本文提出一种综合用户信任关系和标签偏好的个性化景点推荐方法.在仅仅考虑用户相似度时推荐质量差的情况下引入信任度,通过挖掘用户隐性信任关系解决了现有研究在直接信任难以获取时无法做出推荐的情况,有效缓解了数据稀疏性和冷启动问题.同时在用户兴趣分析过程中将景点和标签的关系扩展到了用户、景点和标签三者的相互关系,把用户的兴趣偏好分解成对不同景点标签的长期偏好,有效地缓解了缺乏用户历史游览记录时推荐质量不佳的问题.通过在Flickr网站上收集的数据进行实验验证,结果表明本文提出的混合推荐算法有效地提高了推荐精度,在一定程度上缓解了冷启动和新城市问题.     

基于用户联合相似度的推荐算法

基于用户的协同过滤推荐算法在进行近邻用户的筛选时以用户之间相似度的计算结果作为依据,数据量的增大加剧了数据的稀疏程度,导致了计算结果的准确性较差,影响了推荐准确度.针对该问题本文提出了一种基于用户联合相似度的推荐算法.用户联合相似度的计算分为用户对项目属性偏好的相似度和用户之间人口统计学信息的相似度两个部分.用户的项目属性偏好引入了LDA模型来计算,计算时评分数据仅作为筛选依据,因而避免了对数据的直接使用,减缓了稀疏数据对相似度计算结果的影响;用户之间人口统计学信息的相似度则在数值化人口统计学信息之后通过海明距离进行度量.实验结果表明,本文提出的算法在推荐准确度上优于传统协同过滤推荐算法.     

基于均衡接近度灰关联的增强二部图推荐算法

协同过滤推荐算法的数据稀疏性与冷启动问题影响和制约了推荐的质量,传统用户—项目二部图信任和相似度计算受局部个别点关联因素的消极影响。首先提出一种基于均衡接近度灰关联方法计算项目流行度的二部图信任推荐,在此基础上提出用户偏好的增强二部图直接信任度机制,然后通过JMSD相关系数作为全局信任推荐。在MovieLens数据集下的对比实验表明,与基准算法对比改进的算法模型具有更低的平均绝对误差（MAE）,提高了推荐质量,改善了冷启动问题。     

基于用户空间位置评分云模型的Web服务协同过滤推荐算法

Web服务作为无形的产品,不具备真实环境下的空间地理位置坐标,针对服务推荐中无法衡量用户群体与Web服务之间的距离位置关系,造成用户相似度计算失衡,导致推荐不准确等问题,提出了基于用户空间位置评分云模型的Web服务协同过滤推荐算法.首先基于用户群体的行为数据量化Web服务的热度区域,通过空间位置量化评分描述用户对于Web服务的兴趣偏好;其次利用云模型来描述每个用户空间行为评分的整体特征,设计了云模型间相似贴近度的计算方法,基于该方法提出了一种用户差异程度系数评估算法,并作为调控系数优化了皮尔森相似度量;最后通过协同过滤找出用户感兴趣的Web服务.实验结果表明该算法使得用户行为偏好的区域划分更加精确,在推荐准确率上明显提高,为基于位置的Web服务推荐提供新颖的方案.     

融合动态社交关系的距离度量推荐算法

目前,用户的好友关系及其自身呈现的动态变化趋势,使得基于静态社交关系的推荐算法难以满足现今瞬息万变的世界。为解决准确度较低等问题,提出利用用户购买物品的时序行为挖掘隐式社交关系的方法。首先将隐式社交与相似度算法相融合,其次针对近邻评分的稀疏性,提出改进的近邻评分填补方法,然后使用填补后的近邻评分对模型预测评分进行修正,最后生成预测评分。实验部分采用MovieLens数据集评估提出的方法,并与现存算法作对比分析。结果表明,该算法与传统算法及改进算法相比更稳定,也更有效地预测了目标用户的真实评分。     

融合正态分布函数相似度的协同过滤算法

传统协同过滤推荐算法的相似度量方法仅考虑用户间共同评分,忽略了用户间潜在共同评分项等信息量对推荐结果的影响。针对上述问题,设计了一种正态分布函数相似度量模型,此模型考虑了用户间的共同评分、共同评分项目数、以及用户的评分值,据此提出了融合正态分布函数相似度的协同过滤算法,该算法通过综合多种评分因素利用正态分布函数和修正的余弦相似度共同度量用户间的相似关系。实验结果表明,在两种数据集上与几种不同的推荐算法相比,该算法的相似度量方法提高了目标用户查找邻近用户集合的准确率,提高了系统的推荐质量。     

改进加权Slope one协同过滤推荐算法研究

协同过滤推荐是最成功的推荐技术之一,但数据稀疏性问题导致推荐准确度和推荐效率不高.针对这个问题,提出了一种改进的加权Slope one协同过滤推荐算法.计算用户之间的评分相似度,找出每个用户的最近邻;根据最近邻用户评分,使用基于用户的协同过滤和改进的加权Slope one算法的加权评分预测目标用户的未评分项目;给出推荐.实验过程中采用MovieLens数据集作为测试数据.实验结果表明:与原算法相比,算法提高了预测准确度,有效提高了推荐性能.