基于受限信任关系和概率分解矩阵的推荐

现有的推荐算法很难对没有任何记录的冷启动用户或者历史记录稀疏的用户给出准确的推荐,即用户的冷启动问题.本文提出一种基于受限信任关系和概率分解矩阵的推荐方法,由不信任关系约束信任关系的传播,得到准确且覆盖全面的用户信任关系矩阵,并通过对用户信任关系矩阵和用户商品矩阵的概率分解联合用户信任关系和用户商品矩阵信息,为用户给出推荐.实验表明该方法对冷启动用户和历史记录稀疏的用户的推荐效果有较大幅度的提升,有效地解决了用户的冷启动问题.     

融合多权重因素的低秩概率矩阵分解推荐模型

针对个性化推荐精度较低、对冷启动敏感等问题,该文提出一种融合多权重因素的低秩概率矩阵分解推荐模型MWFPMF.模型利用给定的社交网络构建信任网络,借助Page rank算法和信任传递机制求取用户间信任度;基于Page rank计算用户社会地位,利用活动评分和评分时间修正用户间关系权重;引入词频-逆文本频率技术(TF-I...     

基于协同矩阵分解的评分与信任联合预测

信息评分预测和信任预测是社交评价网络中的两大基本问题.为应对在提高两类基本问题预测准确性过程中遇到的评分数据与信任关系数据稀疏问题,本文提出了一种基于协同矩阵分解的信息评分与信任预测联合模型.该模型在将评分矩阵与信任关系矩阵进行协同分解时,既能保证被分解的两个矩阵分解过程共享用户潜在变量,又能兼顾两个矩阵分解过程中能够各自获得反映本领域知识相关性的表达.使用分解得到的多个相关低维潜在变量矩阵乘积即可做出评分与信任两个问题的预测.两个真实网络数据集上的实验验证了提出模型有效性和先进性.     

融合地理影响的个性化位置推荐

位置推荐是近年来的研究热点,矩阵分解由于其在推荐算法中的良好表现而得到普遍应用。但是,传统的矩阵分解算法由于是直接对评分矩阵进行分解,没有考虑其他影响因素,因而容易造成推荐准确性偏低。本文研究了地理位置对于签到行为的影响,提出了结合地理因素的协同过滤推荐方法。实验结果表明,本文提出的方法能够有效地预测用户评分,提升推荐精度。     

一种融合云模型和信任的推荐算法

针对传统的协同过滤推荐系统推荐精度低的问题,从用户相似度和用户信任度两个角度出发,提出了一种融合云模型和信任的推荐算法。采用云模型的相似度方法计算用户间的相似度,再采用信任推导来计算用户间的信任值,在此基础之上根据用户相似度和信任度两个因素分别确定邻居用户,得到预测评分。再将二者的预测评分结合的混合值作为最终的预测评分,从而产生推荐。实验结果表明,该算法与基于信任关系的推荐算法相比有更好的推荐效果。     

一种基于RFM模型的新型协同过滤个性化推荐算法

摘要：为了提高个性化推荐效果及预测准确度,特别是针对传统算法中评分矩阵过于稀疏等问题提出一种新颖的协同过滤算法。该算法首先利用RFM模型合理地筛选用户信息,其次通过黏性客户的消费记录稠密化用户—项目评分矩阵,并改进了传统相似度计算公式。通过仿真实验证实了算法的准确性,最后将其应用于一套具有个性化商品推荐功能的系统原型中,证明了该推荐算法的有效性及实用性。     

基于Logistic函数的贝叶斯概率矩阵分解算法

在协同过滤推荐系统中,矩阵分解是一种非常有效的工具。贝叶斯概率矩阵分解模型具有预测精度高的优点,但不能表示潜在因子之间的非线性关系。针对该问题,该文提出一种基于Logistic函数的改进贝叶斯概率矩阵分解模型,并使用马尔科夫链蒙特卡罗方法进行训练。在两组真实数据集合上的实验表明,基于Logistic函数的贝叶斯概率矩阵分解算法能够明显提高预测准确性,有效缓解数据稀疏性问题。     

基于信任社区的电子商务推荐模型

针对电子商务平台中出现的信息＂超载＂问题,通过采用用户聚类划分和节点信任值计算分析的方法建立电子商务信任社区,并结合商品自身评价信息,构建电子商务推荐模型。该模型根据用户最信任的若干邻居对商品的评价信息,预测用户对未购买的商品的评分值,将预测评分值较高的商品推荐给用户,并且在推荐算法设计过程中考虑了推荐的时间效应,为用户提供有效的商品推荐服务。     

基于动态矩阵分解模型的电影推荐系统研究

推荐系统已成为电子商务企业吸引客户、实现盈利的有效技术支持,它能够根据用户的网络点击数据预测其偏好,做出个性化推荐。本文研究了一个基于动态矩阵分解模型的NETFLIX电影推荐系统。该系统通过训练一个来自NETFLIX平台、包含9000部电影历史评分的数据集进行预测评分。核心算法包括运用矩阵分解（Matrix Factorization,简称MF）建立有效的数据处理模型,以及使用随机梯度下降（Stochastic Gradient Descent,简称SGD）算法训练该模型。数据集采用稀疏矩阵存储,以节省空间。在训练过程中,对预测评分增加了特定的偏向值。该系统与市场同类产品相比拥有更高的预测准确度,并向电影观众推荐符合他们喜好的电影,能极大地提高电影观看票房值。     

一种融合用户偏好和社交活跃度的推荐算法

为有效解决传统推荐算法精度低的问题,提出了一种融合用户偏好和社交活跃度的概率矩阵分解推荐算法(Probabilistic Matrix Factorization Recommendation Algorithm Combining User Prefer-ence and Social Activity,UPSA-PMF),通过用户评分数据计算用户间的偏好信任度时,使用了共同项目平衡因子和热门项目惩罚因子进行改进;计算社交网络中的信任度时,考虑了社交活跃度与用户信任度的关系,并将社交活跃度作为惩罚因子,修正用户信任度.将偏好信任度和社交网络中的信任度以动态组合的方式得到最终的信任度,将最终的信任度与概率矩阵模型相结合,实现推荐.实验证明,改进的算法均优于现有的推荐算法,有效提高了推荐质量.