基于信任和矩阵分解的协同过滤推荐算法

针对传统协同过滤算法普遍存在的稀疏性和冷启动问题,提出一种基于信任和矩阵分解的协同过滤推荐算法。提出一种基于用户评分值的隐式信任计算方法,该方法综合考虑用户的相似性和交互经验,运用信任传播方法使不存在直接信任的用户获得间接信任;通过动态因子将显式信任和隐式信任融入到SVD++算法当中。FilmTrust数据集下的实验表明,与其他矩阵分解推荐算法相比,该方法具有更好的预测效果,在冷启动用户的评分预测上也有很好的表现。     

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.     

基于图嵌入模型的协同过滤推荐算法

传统协同过滤算法存在严重的数据稀疏和冷启动问题。利用社交网络中的丰富信息为解决传统协同过滤算法的数据稀疏和冷启动带来了契机。然而,传统基于社交网络的协同过滤算法仅利用粗粒度、稀疏的用户信任关系来改进传统协同过滤算法,即用0或1表示用户之间信任程度。另外,传统基于社交网络推荐算法仅仅集成用户之间显式信任关系,而忽略用户之间隐式的信任关系。本文提出一种基于图嵌入模型的协同过滤推荐算法,即利用图嵌入模型技术学习社交网络中用户的低维特征表示,并根据用户的低维特征表示推导用户之间细粒度的信任关系。最后,根据信任用户和相似用户对目标物品的评分权重预测用户对目标物品的评分。在真实数据集上的实验结果表明,基于图嵌入模型的协同过滤算法的性能优于传统的协同过滤算法。     

基于用户模糊聚类的综合信任推荐算法

针对传统协同过滤推荐算法通常存在的数据稀疏和冷启动问题,根据用户间的信任关系,提出基于模糊C均值聚类的综合信任推荐算法。采用评分数据和信任数据计算用户间的隐式信任值和显式信任值,利用显隐式信任得到综合直接信任值,基于信任的传递特性获得Jaccard全局信任值,最终通过动态结合综合直接信任与Jaccard全局信任获取综合信任值,同时将信任机制融入模糊C均值聚类算法实现对目标用户的精准推荐。在FilmTrust真实数据集上的实验结果表明,该算法有效缓解了数据稀疏和冷启动问题,并且相比传统协同过滤推荐算法具有更高的推荐质量。     

社交网络下非结构化数据协同过滤推荐算法改进

现代社交网络中存在着数量巨大且无序的非结构化数据,针对非结构化数据采取协同过滤十分必要。传统的基于用户的协同过滤推荐算法由于其本身原理,其相似性计算的时间复杂度极高,本文通过引入粗集,高速分割用户和用户项目,直接计算分割后各组质心与初始用户的相似性来解决该问题。但数据易稀疏以及冷启动的问题仍未解决,对此在引入粗集的基础上加入信任概念,根据用户信任度以及信任的传递性缓解以上问题。在增强精确度的基础上还提高推荐速度。该模型还可以方便的扩展。     

基于社交用户标签的混合top-N推荐方法

针对协同过滤方法的冷启动问题,提出一种将社交用户标签与协同过滤相结合的混合top-N推荐方法。通过社交用户关系获得可信用户集,然后根据个性化标签采用结构上下文相似性算法(SimRank)计算社交用户相似近邻集并进行预测推荐,最后结合传统协同过滤方法进行推荐。实验结果表明,该方法能够提高在一般数据集及冷启动用户数据集下的推荐精度。     

基于用户特征的协同过滤推荐算法

协同过滤算法是目前在电商系统中应用最广的推荐技术.为了缓解传统基于用户的协同过滤算法在冷启动、推荐准确性和数据稀疏性方面的缺点,本文提出基于用户特征的协同过滤推荐算法.此算法利用注册信息提取属性特征,并对已有的评分信息提取兴趣特征和信任度,综合以上各特征融合特征相似性进一步产生推荐.实验结果表明,与传统的基于用户的协同过滤算法做对比,基于用户特征的协同过滤算法对推荐的精度有大幅的提高.     

基于多重信任的协同过滤推荐算法

针对评分数据稀疏性和用户冷启动所导致的协同过滤推荐系统的准确度与覆盖率较低的问题,文中融合显性信任和隐性信任因素,提出了一种基于多重信任的协同过滤推荐算法。首先,依据用户间推荐评分的准确性与可依赖度因子,提出一种改进的均方差(Mean Squared Difference,MSD)信任度量方法,并在此基础上提出基于隐性信任信息的评分模型;其次,以最大信任传播距离为约束,提出一种显性信任信息的关系模型;最后,依据评分相似性与显性信任关系,利用0-1背包组合优化策略选择出目标用户的最优近邻集合,从而进行评分预测。在Epinions数据集上与多种主流算法的对比仿真实验结果表明,该算法通过引入有效评分和显性信任关系,极大地缓解了数据稀疏性和冷启动问题,并且在不牺牲覆盖率的条件下显著提升了推荐准确度。     

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。     

协同过滤算法中冷启动问题研究

为了解决传统协同过滤算法的冷启动问题,提高算法的推荐质量,本文针对协同过滤算法中的冷启动问题进行研究,提出了两种改进的算法.新用户冷启动：融合用户信息模型的基于用户的协同过滤算法;新项目冷启动：采用层次聚类的基于项目的协同过滤算法.将新算法在网络开源数据集MovieLens上进行实验验证,比较改进算法和传统算法在查全率和查准率上的差异,结果表明改进算法能够有效地提高算法的推荐质量,缓解新用户和新项目的冷启动问题.     

结合专家信任的协同过滤推荐算法研究

针对协同过滤推荐算法存在的邻居用户的相似度计算不精确、冷启动等问题,提出一种结合专家信任的协同过滤推荐算法,该算法从相似度、专家信任度和缓解冷启动3个方面进行研究。在相似度方面,将公共评分项蕴含的隐偏好以及项目冷门因子加入到相似度的计算公式中,实现对相似度的改进;在专家信任度方面,提出时间跨度因子,将专家的阅历值考虑到信任度计算中,实现对专家信任度的改进;在冷启动方面,通过联合专家用户和属性相似用户共同为目标用户产生推荐,有效地缓解了冷启动问题。应用MoviesLens数据集进行验证,实验结果表明,改进算法的平均绝对误差、准确率均优于传统算法。     

融合专家信任的协同过滤推荐算法

针对目前协同过滤推荐算法存在的数据稀疏性和冷启动等问题,对融合专家信任的协同过滤推荐算法进行了研究和改进.改进算法结合DBSCAN初始聚类中心优化的思想,将用户划分到不同的社区簇中.考虑到用户活跃度偏差对相似度计算的影响,加入用户活跃度惩罚权重对相似度进行了改进.在选取了专家用户后,考虑到专家评估过的不同项目的专家信任度值不是一成不变的,引入项目平衡因子来处理项目之间的差异,使专家对其评价过的每个项目都有独立的专家信任度值.MovieLens数据集上的实验结果显示,该算法可有效缓解数据稀疏性及冷启动问题,提高了推荐精度.     

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。     

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...     

结合用户聚类与改进用户相似性的协同过滤推荐

协同过滤算法作为一种信息筛选的重要方式,在大数据时代下受到越来越多的关注。但传统的协同过滤算法由于面临着严重的数据稀疏性以及只考虑用户间的评分相似性,导致推荐准确率较低。对此,提出了一种改进的协同过滤算法。利用[K]-means++算法对用户属性进行聚类,从而降低数据的稀疏性;考虑到用户兴趣会随时间发生动态变化,在传统的评分相似性中引入时间因素;将信任误差引入到用户间的信任关系中,从而改善用户信任度;将基于时间因素的评分相似性与改进的用户信任度进行融合,从而提高用户相似性的计算精度。在MovieLens数据集上进行仿真实验,结果表明,该算法能有效地提高推荐的预测准确性。     

协同过滤推荐系统综述

随着互联网和信息计算的飞速发展,衍生了海量数据,我们已经进入信息爆炸的时代。网络中各种信息量的指数型增长导致用户想要从大量信息中找到自己需要的信息变得越来越困难,信息过载问题日益突出。推荐系统在缓解信息过载问题中起着非常重要的作用,该方法通过研究用户的兴趣偏好进行个性化计算,由系统发现用户兴趣进而引导用户发现自己的信息需求。目前,推荐系统已经成为产业界和学术界关注、研究的热点问题,应用领域十分广泛。在电子商务、会话推荐、文章推荐、智慧医疗等多个领域都有所应用。传统的推荐算法主要包括基于内容的推荐、协同过滤推荐以及混合推荐。其中,协同过滤推荐是推荐系统中应用最广泛最成功的技术之一。该方法利用用户或物品间的相似度以及历史行为数据对目标用户进行推荐,因此存在用户冷启动和项目冷启动问题。此外,随着信息量的急剧增长,传统协同过滤推荐系统面对数据的快速增长会遇到严重的数据稀疏性问题以及可扩展性问题。为了缓解甚至解决这些问题,推荐系统研究人员进行了大量的工作。近年来,为了提高推荐效果、提升用户满意度,学者们开始关注推荐系统的多样性问题以及可解释性等问题。由于深度学习方法可以通过发现数据中用户和项目之间的非线性关系从而学习一个有效的特征表示,因此越来越受到推荐系统研究人员的关注。目前的工作主要是利用评分数据、社交网络信息以及其他领域信息等辅助信息,结合深度学习、数据挖掘等技术提高推荐效果、提升用户满意度。对此,本文首先对推荐系统以及传统推荐算法进行概述,然后重点介绍协同过滤推荐算法的相关工作。包括协同过滤推荐算法的任务、评价指标、常用数据集以及学者们在解决协同过滤算法存在的问题时所做的工作以及努力。最后提出未来的几个可研究方向。