一种优化的相似度协同过滤推荐算法

传统的协同过滤推荐算法存在推荐准确性不高的问题。在计算相似度时，当得分向量的结果差异性不大时，可能会产生相似的结果向量，从而降低相似度结果的准确性。针对这一问题，提出一种优化的用户相似度协同过滤推荐算法，在传统的余弦相似度计算中加入一个平衡因子，并通过实验验证加入的平衡因子阈值算法的有效性。实验结果表明，优化的用户相似度协同过滤推荐算法能够显著提升用户相似度计算的准确性，从而得到较好的推荐结果。     

基于移动用户上下文相似度的协同过滤推荐算法

该文面向移动通信网络领域的个性化服务推荐问题,通过将移动用户上下文信息引入协同过滤推荐过程,提出一种基于移动用户上下文相似度的改进协同过滤推荐算法。该算法首先计算基于移动用户的上下文相似度,以构造目标用户当前上下文的相似上下文集合,然后采用上下文预过滤推荐方法对移动用户-移动服务-上下文3维模型进行降维得到移动用户-移动服务2维模型,最后结合传统2维协同过滤算法进行偏好预测和推荐。仿真数据集和公开数据集实验表明,该算法能够用于移动网络服务环境下的用户偏好预测,并且与传统协同过滤相比具有更高的推荐精确度。     

个性化推荐中基于用户协同过滤算法的优化

在个性化推荐系统中,基于用户的协同过滤算法,会将目标用户与其他所有用户进行比较,计算量非常大。为此,文中以推荐系统的效率为目标,提出了一种改进算法,通过预先计算用户相似度函数,取出匹配度最高的N个用户的数据生成推荐。实验结果表明,该方法在计算速度上有显著提高。     

基于归一化方法的协同过滤推荐算法

针对传统的协同过滤推荐算法没有考虑用户向量维度以及评价值差异的问题,提出了一种基于归一化方法的协同过滤推荐算法。算法在计算用户或项目相似度之前首先将用户对每一项目的评分值归一化到一个统一的值域范围,然后再计算用户向量空间的相似性并进行预测推荐。实验结果显示该算法能够准确地找到相似的邻居用户或项目,预测及推荐测性能有较大提高。     

基于混合属性相似度的协同过滤推荐算法研究

协同过滤推荐算法是最常用的推荐算法,然而传统的基于项目的协同过滤推荐算法并没有充分利用用户信息,对此本文提出一种改进方案,提出在传统算法的基础上混合基于用户信息的项目属性相似度来改进算法从而进一步提升推荐的准确度。为了解决此方案带来的额外开销,文中同时提出一种分布式计算结构来提升计算效率。实验结果表明,该方法与传统的基于项目的协同过滤推荐算法相比,推荐准确度有明显提高。     

一种改进的混合协同过滤推荐算法

传统协同过滤算法存在着相似度计算差和因数据稀疏而导致推荐信息不准确问题。文中通过改进相似度计算方法,提出新的混合协同过滤算法框架,以提高推荐质量。其中,对相似度计算方法的改进采用加权方式,而新的框架是将基于内存的两种协同过滤算法进行结合,最终得到一种混合协同过滤算法。通过Netflix提供的数据集进行实验,实验结果表明,该算法相比于传统协同过滤算法有更好的效果。     

基于隐语义模型改进的协同过滤推荐算法

为解决传统的协同过滤算法相似度计算不精确而导致的推荐召回率低的问题。通过LFM隐语义模型与协同过滤结合的方法研究了用户不相似度与用户平均兴趣程度对推荐召回率的影响,并且提出依据个人选择能力的个性化推荐策略。结果表明:该算法能够有效优化用户间的相似度,提高推荐结果的召回率。     

一种改进相似度计算方法的协同过滤推荐算法

由于新用户和新项目的不断加入,传统的协同过滤推荐算法存在冷启动问题。针对该问题,提出了一种改进相似度计算方法的协同过滤推荐算法。首先根据项目的属性特征,计算项目的属性相似性,然后根据项目的用户评分,计算项目的得分相似性,按一定的权重比例将两种相似性组合起来作为最终的项目相似性。最后,根据项目相似性计算目标项目的邻居项目集,根据邻居项目集预测目标项目的用户评分。实验结果表明,新算法能提高推荐精度,并能在一定程度上解决冷启动问题。     

基于Spark架构的艺术学慕课资源协同过滤推荐算法研究

传统资源协同过滤推荐算法MAE值偏高,因此提出基于Spark架构的艺术学慕课资源协同过滤推荐算法。采用分级响应形式,建立用户-资源评分关系模型,用户对资源的评分减掉该用户评分平均值,完成资源协同过滤相似度计算的优化,引入集成度高的Spark架构,预测用户对资源的评分并生成推荐列表,实现艺术学慕课资源的精准推荐。经过与两种传统算法的对比实验结果可知,研究的算法在不同比例训练集和测试集的情况下,MAE值均低于两种传统方法,说明基于Spark架构的艺术学慕课资源协同过滤推荐算法推荐精度更高,性能更好。     

一种改进相似度的协同过滤算法实现

计算相似度时,协同过滤算法会赋予所有用户或物品一致的相似度权重,进而导致相似度计算出现偏差。针对这一问题,文中提出一种改进相似度的协同过滤算法。该算法首先在计算用户间相似度时根据用户活跃量增加活跃用户惩罚因子,然后在计算物品间相似度时根据物品流行度增加热门物品惩罚因子,再对相似度做最大值归一化,最后根据相似度矩阵进行电影评分预测。实验结果表明,改进的相似度算法在评分预测时更加准确,平均绝对误差稳定在0.72左右。     

一种新颖的协同推荐算法研究

为了克服协同推荐系统中的用户评分数据稀疏性和推荐实时性差的问题,提出了一种高效的基于粗集的个性化推荐算法.该算法首先利用维数简化技术对评分矩阵进行优化,然后采用分类近似质量计算用户间的相似性形成最近邻居,从而降低数据稀疏性和提高最近邻寻找准确性.实验结果表明,该算法有效地解决用户评分数据极端稀疏情况下传统相似性度量方法存在的问题,显著地提高推荐系统的推荐质量.     

Improved Collaborative Filtering Recommendation Based on Classification and User Trust

When dealing with the ratings from users, traditional collaborative filtering algorithms do not consider the credibility of rating data, which affects the accuracy of similarity. To address this issue, the paper proposes an improved algorithm based on classification and user trust. It firstly classifies all the ratings by the categories of items. And then, for each category, it evaluates the trustworthy degree of each user on the category and imposes the degree on the ratings of the user. Finally, the algorithm explores the similarities between users, finds the nearest neighbors, and makes recommendations within each category. Simulations show that the improved algorithm outperforms the traditional collaborative filtering algorithms and enhances the accuracy of recommendation.     

POI recommendation by incorporating trust-distrust relationship in LBSN

POI (point of interest) recommendation is an important personalized service in the LBSN (location-based social network) which has wide applications such as popular sights recommendation and travel routes planning.Most existing collaborative filter algorithms make recommendation according to user similarity and location similarity,they don’t consider the trust relationship between users.And trust relationship is helpful to improve recommendation accuracy,robustness and user satisfaction.Firstly,the propagation property of trust and distrust relationship was analyzed.Then,the measurement and computation method of trust were given.Finally,a hybrid recommendation system which combined user similarity,geographical location similarity and trust relationship was proposed.The experiments results show that the hybrid recommendation is obviously superior to the traditional collaborative filtering in terms of results accuracy and user satisfaction.     

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.     

Mining user preferences of new locations on location-based social networks: a multidimensional cloud model approach

In recent years, the prevalent of location-based social networks contributes massive data for location recommendation. Although collaborative filtering (CF) algorithm has been widely employed for location recommendation, it suffers the data sparsity and the high time complexity as it estimates the similarity of users by the common locations. In this paper, we extend the two-dimensional cloud model to the multidimensional cloud model and utilize it to the measure the similarity of user preferences and user behaviors. This method not only considers the multiple attributes of users (e.g., the diversity of user preferences), but also alleviates the sparsity of location recommendation based on CF algorithm to some extent. Then we integrate the similarity of user preferences, social ties and user behaviors into CF algorithm, which is expected to mine user preferences of new locations (MUPNL) more precisely. Furthermore, in order to improve the efficiency of the MUPNL algorithm, we parallelize it with Mapreduce framework. Experimental results on Yelp academic dataset demonstrate the good performance of the distributed MUPNL algorithm in accuracy and efficiency.     

Trust expansion and listwise learning-to-rank based service recommendation method

In view of the problem of trust relationship in traditional trust-based service recommendation algorithm,and the inaccuracy of service recommendation list obtained by sorting the predicted QoS,a trust expansion and listwise learning-to-rank based service recommendation method (TELSR) was proposed.The probabilistic user similarity computation method was proposed after analyzing the importance of service sorting information,in order to further improve the accuracy of similarity computation.The trust expansion model was presented to solve the sparseness of trust relationship,and then the trusted neighbor set construction algorithm was proposed by combining with the user similarity.Based on the trusted neighbor set,the listwise learning-to-rank algorithm was proposed to train an optimal ranking model.Simulation experiments show that TELSR not only has high recommendation accuracy,but also can resist attacks from malicious users.     

基于模糊权重相似性的协同过滤算法研究

在传统协同过滤算法中,相似度直接依据用户评分。但是,用户评分会受各种不确定因素影响。采用数值评分的推荐系统收集到的用户喜好信息是模糊、不精确和不完整的。单一的数值不能包含丰富的信息来表达用户喜好,也会导致推荐结果的不准确性。文中定义了几种模糊集的隶属函数,提出了基于模糊逻辑的相似度计算方法。实验结果表明,基于模糊权重的相似度有效的提高了推荐系统的预测准确度,一定程度上解决了协同过滤算法的可扩展性和数据稀疏性问题。     

协同过滤中的相似性度量方法的研究

现今,推荐系统越来越受到重视和普及,协同过滤算法是应用最为广泛的个性化推荐技术之一,对基于用户和项的协同过滤推荐算法进行简单的阐述之后,着重对相似性度量方法进行了研究,分别介绍了相关相似性、余弦相似性和调整的余弦相似性,在稀疏数据下对这3种相似性度量方法进行了分析与比较,在最终给出分析结论,并在此基础上提出了改进的相似性计算方法。