基于Spark的UCSLIM推荐算法研究及实现

稀疏线性( SLIM)推荐算法侧重于通过挖掘物品与物品之间的关系进而产生推荐结果。为了提高推荐质量,借鉴了SLIM算法和协同过滤算法的思想,将用户划分为用户集合,进一步挖掘用户与用户集合之间的隐含关系,并综合考虑用户与用户相关性、用户与用户集合相关性这两个因素,提出了融合用户集合关系的稀疏线性( UCS-LIM)推荐算法。实验结果表明, UCSLIM 算法能够提高推荐结果质量。同时为了提高算法的执行效率,分别在Spark和Hadoop云计算平台上实现了UCSLIM并行推荐算法,并通过实验表明,UCSLIM的Spark版本具有更高的计算效率。     

面向互联网用户行为分析的加权概率融合贝叶斯网络研究

针对依靠单一算法训练互联网用户行为数据构建的贝叶斯网络(Bayesian Network, BN)计算耗时长、结构不稳定等问题,提出加权概率融合并行贝叶斯网络增量学习(WPFPBayes)算法。该算法根据自适应数据切片算法找出最优数据片尺寸,快速进行并行BN模型训练;将数据切片上学习得到的若干子BN结构通过融合加权概率方法合并成一个全局BN模型;通过一种增量评分函数定量表示单位时间内网络模型与数据之间适应程度的变化情况;采用依据特定结点进行BN更新的措施达到新旧数据在网络中的平衡。仿真实验结果表明：WPFPBayes算法下得出的BN模型的效率及其准确率均高于其他常见算法;随着数据量的增加,BN模型数据表达的准确率和稳定性均得到提高,可以更有效检测网络用户的异常行为。     

情境化条件下基于OBN模型的推荐算法研究

随着互联网的发展,用户获取信息精准度提高,个性化服务越来越重要.针对个性化推荐算法中用户相似性计算精度不高,导致算法的推荐精度低的问题,应用面向对象思想和贝叶斯理论、融合推荐对象的情境化因素,提出OBN模型,实现用户之间的相似度计算方法 ,该方法具有时间复杂度低、聚类稳定性强的特点.在此基础上设计个性化推荐算法.通过实验分析,提高个性化推荐的精度.     

基于距离衰减和评分趋势改进的协同推荐算法

针对传统推荐算法忽略了用户到商品的距离因素以及评价标准不一致对推荐系统带来的影响等问题,提出一种基于距离衰减和评分趋势改进的协同推荐算法,引入距离衰减和评分趋势算法对协同推荐进行改进。实验结果表明该推荐方法不仅能够提高商品推荐准确度,同时也减少了推荐系统计算规模并提升算法效率。     

基于Hadoop个性化推荐算法设计与实现

为了提升个性化推荐系统的大数据处理能力,选择基于用户聚类协同过滤的个性化推荐算法,并在Hadoop平台下实现算法的分布式并行化.离线状态下对用户物品矩阵降维,对用户进行聚类得到类别信息列表,对用户在类簇内进行推荐,并在相似度计算内引入物品贡献权重,最后对算法实现并行化得到推荐结果,实现基于用户聚类的分布式协同过滤推荐算法.最后对推荐结果进行测试分析,证明分布式个性化推荐有更好的推荐准确性和实时性.     

融合社交和标签信息的隐语义模型推荐算法

为了提高隐语义模型在数据稀疏情况下推荐结果的质量,提出一种带有社交正则化项和标签正则化项的隐语义模型.根据用户社交网络和物品标签的信息,设计出描述用户和物品概况的正则化项,并利用用户对物品的历史评分计算得到用户评分偏好,将这三项引入矩阵分解目标函数中,进一步约束目标函数,最后通过梯度下降法去优化模型参数,得到推荐结果.为了验证算法的有效性,在Last.fm数据集上进行实验,实验结果表明,本文算法的推荐质量优于其他传统推荐算法.     

改进的协同过滤算法

针对传统的CF（Collaborative Filtering）算法和基于项目评分的CF算法中存在的数据稀疏、扩展性及计算效率低的问题,通过引用评价系数,对其相似性计算和推荐集的选取方法进行了改进,提出了一种改进的基于相关相似性的CF算法,产生更为准确的用户兴趣度预测,从而提高系统推荐的质量与推荐效率。对改进算法进行实验和性能对比与评价的结果表明,改进算法与传统算法相比,能显著提高推荐精度,平均绝对误差（MAE：Mean Absolute Error）为0．53～0．77。     

基于近邻传播聚类的混合推荐系统

协同过滤技术是推荐系统最具价值的核心技术之一,它能够深入地挖掘用户潜在的兴趣爱好并向用户做出比较合理的推荐;但是冷启动、数据稀疏性、可扩展性等问题依然制约该技术在实际推荐系统的应用。针对冷启动和数据稀疏性等问题,文章提出了一个基于近邻传播聚类的混合协同过滤推荐模型。该模型首先基于物品的标签属性进行聚类,挖掘出同类的物品并计算相似物品之间的关联程度,然后基于历史交互数据计算物品的相似度矩阵,最后按照一定权重混合构成一个物品相似度,并以此为用户进行推荐。与传统协同过滤推荐模型相比,该模型不仅提高了推荐精确度,而且改善了物品的召回率,能为用户提供更好的推荐体验。     

基于最短路径信任关系的推荐项目计算方法

针对社交网络中协同过滤推荐算法的推荐速度计算问题, 提出了一种基于最近邻方法的改进计算方法, 并对算法有效性进行了分析. 该算法对用户的相似性度量采用基于最短路径的信任关系, 用分层图和动态规划的方法进行计算, 并在社交网络的应用中对关系链的深度进行限制. 对该算法基于KDD Cup 2012 Track 1的数据进行了仿真, 并与其他方法做了性能比较. 实验表明, 改进算法可以很好地平衡推荐效率和准确并指标.     

多重对级贝叶斯个性化排序算法

为解决隐式反馈推荐问题,贝叶斯个性化排序(BPR)模型已经成为最具有代表性的对级(Pairwise)排序算法之一.在BPR模型中,存在一个严格的偏序假设:相较于未标记的物品而言,用户更喜欢已经有过标记行为的物品.本文提出了一种多重对级贝叶斯个性化排序(MBPR)推荐算法来进一步提升用户对物品的偏好预测能力.首先,基于BPR模型的排序关系设计了一种改进的多重对级偏序假设.具体地,对于每一用户,本文提出将未标记的反馈集细分为潜在的负反馈集和不确定性反馈集,并基于改进的对级偏序假设,提出了一种新的多重对级排序的优化目标来学习用户与物品之间的相关性.为实现MBPR模型的采样任务,本文设计了一种自适应采样策略来为模型更新动态地选取训练样本.最后,在公开数据集上开展了仿真推荐实验,并与基线算法对比.实验结果表明,MBPR算法能够取得更好的推荐效果.     

随机低秩逼近算法在推荐系统中的应用

针对推荐系统中数据量越来越大，其对应的矩阵填充问题算法效率有待提升. 基于随机算法策略以及高效数据访问要求，提出一种新的求解矩阵填充问题的算法，并借助Matlab软件实现该算法. 数值试验结果表明，该算法在效率上可提升30%左右.     

基于Web挖掘的电子商务推荐系统研究

Web挖掘作为数据挖掘在Web上的一种应用形式,是电子商务推荐系统的核心。根据Web挖掘理论,文章构建了包含离线部分和在线部分的电子商务推荐系统的体系结构模型。重点分析了基于关联无规则的推荐算法和基于协同过滤的推荐算法。     

基于Map/Reduce的时间序列相似性搜索算法

将并行计算的策略引入到时间序列处理中,提出基于Map/Reduce的时间序列相似性搜索算法,充分利用云计算可进行大规模计算和数据处理的特点,有效降低了时间序列相似性搜索中运算量,简化了计算过程。该算法在心电图数据集上进行相似性搜索,分别进行PAA下界过滤和DTW距离的计算,验证运算时间和并行加速比随节点变化的情况,与传统的单机运算相比,有效地提高了时间序列挖掘效率。     

基于大数据集的混合动态协同过滤算法研究

协同过滤已在推荐系统中广泛使用,但传统算法存在一定的局限性,如不能较好地适应用户-项目评分矩阵数据集的稀疏性、计算项目相似性时未考虑项目的分类及用户对项目评分和兴趣的时变性等因素。针对这些局限性在传统协同过滤算法基础上提出一种基于大数据集的混合动态协同过滤算法。该算法在计算项目的相似性时引入了时间衰减函数,并综合考虑项目评分的相似性和项目分类的相似性,两者在项目综合相似性中所占权重可以自适应动态调节。算法还在相似性计算和近邻项目选取上做了一些改进。实验表明该算法比传统推荐算法质量有所提高。     

基于用户兴趣变化的协同过滤推荐算法

协同过滤算法是在众多应用领域中最成功的个性化推荐技术之一,但传统协同过滤算法不能及时反映用户的兴趣变化,致使预测结果不准确。针对这个不足,提出一种基于用户兴趣变化的改进协同过滤算法。改进算法提出一种基于时间的权重函数,用于研究用户在不同时间段的兴趣变化,通过用户兴趣之间的相似性,最后生成推荐结果。实验结果验证了改进算法在推荐的准确性方面得到显著提高。     

融合项目聚类和时间权重的动态协同过滤算法

传统基于项目的协同过滤算法离线计算项目间的相似度,提高了向用户推荐的速度,但极大的数据稀疏度影响了推荐质量,且该算法也忽略了用户兴趣随时间变化这一现象. 针对上述问题,提出了一种融合项目聚类和时间权重的动态协同过滤算法,根据用户偏好对项目进行聚类,找出类别偏好相似的候选邻居,再在候选邻居中搜寻最近邻,排除与目标项目共同评分较少的项目干扰,提高了搜寻相似项目的准确性. 同时,引入时间权重来反映用户兴趣随时间的变化,从整体上提高推荐质量. 在MovieLens数据集上进行实验,实验结果表明,本文所提出算法的推荐质量较传统的协同过滤算法有显著提高.     

面向推荐多样性改进的概率传播模型

针对基于二部图的概率传播( ProbS)模型以优化推荐列表的精确度为目标,而忽略了推荐多样性的问题,提出了改进的概率传播( iProbS)模型。 iProbS将项目得分预测过程分解为资源的3步传播过程,每步传播包含传播概率和传播损耗。设计传播概率时,考虑的因素是用户评分;设计传播损耗时,则分别考虑了项目的度、用户熵和邻居项目。通过在2个常用数据集MovieLens和Netflix上的大量不同实验,证明了iProbS算法在推荐准确率、推荐整体多样性、推荐个体多样性以及销售平衡4个方面均比ProbS模型性能更好。最后按不同的推荐步骤分析了iProbS算法的计算复杂度。     

适合RM逻辑实现的逻辑搜索和拆分算法

针对以往算法在搜索适合Reed-Muller(RM)逻辑实现的逻辑子覆盖中存在的不足,提出基于不相交乘积项的搜索方法.该方法通过将逻辑函数转化为不相交乘积项的集合,并搜索符合约束条件的不相交乘积项的多数覆盖以及根据乘积项之间的位操作结果,将逻辑函数拆分成二部分,使之分别适合RM逻辑实现和传统布尔逻辑实现.提出的算法用C编程实现,并用MCNC电路测试.实验结果表明,相比于以往的方法,提出的算法能够有效扩大搜索范围,并且具有运行速度快且对逻辑函数的输入变量数量不敏感等特点.