融合本体语义与用户属性的协同过滤算法

传统协同过滤推荐算法在处理海量数据时存在数据稀疏性和项目长尾效应,导致推荐精度较低。针对该问题,结合本体语义和用户属性,提出一种改进的协同过滤算法。利用本体计算项目之间的语义相似度,构建项目相似度矩阵,同时引入用户属性计算用户相似度矩阵。通过融合本体语义和用户属性形成用户-项目评分矩阵,并对该矩阵的预测评分进行加权处理,生成TOP-N推荐结果。实验结果表明,相比传统皮尔逊相似度计算协同过滤算法、基于本体语义的协同过滤算法和基于评分矩阵填充与用户兴趣的协同过滤算法,该算法的平均绝对误差较低,准确率较高,综合性能及新颖度较优。     

基于用户多属性与兴趣的协同过滤算法*

传统的协同过滤算法广泛应用于推荐系统领域,但该算法仍存在用户冷启动和数据稀疏性问题,造成算法的推荐质量较差。对此,提出一种基于用户多属性与兴趣的协同过滤算法AICF(Attributes and Interests Collaborative Filtering)。首先通过对多种用户属性分配权重计算出用户多属性相似度。其次利用改进的Slope One算法填充用户-项目评分矩阵,然后计算基于隐性标签的用户兴趣相似度。最后基于两种相似度的组合进行推荐。实验结果表明,AICF算法不仅明显提高了推荐结果的准确性,同时也解决了用户冷启动和数据稀疏性问题。     

一种融合用户与项目属性的协同过滤算法的设计与实现

针对传统的协同过滤算法存在数据稀疏、冷启动、推荐精度低等问题,提出一种充分融合用户与项目属性的协同过滤算法。利用项目属性和用户属性分别对用户相似度和项目相似度计算方法进行改进,并将用户和项目协同过滤进行组合加权,提高预测兴趣度的准确度。引入用户属性-项目类型偏好权重因子,利用天牛须搜索方法对兴趣度计算方法进行改进。实验结果表明:该算法能有效地缓解冷启动、数据稀疏对推荐系统的影响,且推荐精度有一定的提高。与传统的项目和用户协同过滤算法相比,召回率分别提高了8.65%和3.39%。     

融入用户和项目特征的概率矩阵分解推荐算法

与传统的协同过滤推荐算法相比,概率矩阵分解(PMF)模型在大型、稀疏的数据集上表现良好,但其仅利用了用户对项目的评分信息,没有充分考虑用户和项目的特征,因此在推荐准确度等方面仍具有很大的提升空间.基于概率矩阵分解模型,融合用户属性特征、用户偏好特征和项目标签特征,提出一种新的推荐算法UFIF-PMF.首先,根据用户属性信息计算用户属性相似度,利用项目标签信息和用户评分信息计算用户偏好相似度,并通过加权构建用户相似度矩阵;然后,构建基于项目标签信息的项目相似度矩阵;接着,将用户相似度矩阵和项目相似度矩阵融入到概率矩阵分解模型中;最后,在电影公开数据集Movielens上进行模型训练和对比实验.实验结果表明,在训练集比例为90％、隐性特征维度为10的情况下,与PMF、基于用户偏好的概率矩阵分解推荐算法(USPMF)和融合物品相似度的概率矩阵分解推荐算法(ISPMF)相比,UFIF-PMF算法的均方根误差(RMSE)分别下降6.27％、3.65％和3.49％,平均绝对误差(MAE)分别下降8.46％、4.8％和4.67％,同时有效缓解了推荐系统的冷启动和数据稀疏问题,有较强的可扩展性.     

基于项目分类和用户群体兴趣的协同过滤算法

由于用户评分数据在极端稀疏的情况下会导致传统协同过滤算法的推荐质量下降,针对该问题,提出一种基于项目分类和用户群体兴趣的协同过滤算法。该算法根据项目类别信息对项目进行分类,相同分类的项目具有较高的相似性;利用评分数据计算各个项目分类上的用户相似性矩阵,并计算用户群体在各个分类上的兴趣,通过二者构造加权的用户相似性矩阵;利用用户加权相似性矩阵寻找用户的最近邻以获得最佳的推荐效果。实验结果表明,该算法能有效提高推荐质量。     

融合用户偏好和多交互网络的协同过滤算法

推荐系统中的辅助信息可以为推荐提供有用的帮助,而传统的协同过滤算法在计算用户相似度时对辅助信息的利用率低,数据稀疏性大,导致推荐的精度偏低.针对这一问题,本文提出了一种融合用户偏好和多交互网络的协同过滤算法(NIAP-CF).该算法首先根据评分矩阵和项目属性特征矩阵挖掘出用户的项目属性偏好信息,然后使用SBM方法计算用户间的项目属性偏好相似度,并用其改进用户相似度计算公式.在进行评分预测时,构建融合用户-项目属性偏好信息的多交互神经网络预测模型,使用动态权衡参数综合由用户相似度计算出的预测评分和模型的预测评分来进行项目推荐.本文使用MovieLens数据集进行实验验证,实验结果表明改进算法能够提高推荐的精度,降低评分预测的MAE和RMSE值.     

一种融合聚类与用户兴趣偏好的协同过滤推荐算法

协同过滤推荐算法可以根据已知用户的偏好预测其可能感兴趣的项目,是现今最为成功、应用最广泛的推荐技术。然而,传统的协同过滤推荐算法受限于数据稀疏性问题,推荐结果较差。目前的协同过滤推荐算法大多只针对用户-项目评分矩阵进行数据分析,忽视了项目属性特征及用户对项目属性特征的偏好。针对上述问题,提出了一种融合聚类和用户兴趣偏好的协同过滤推荐算法。首先根据用户评分矩阵与项目类型信息,构建用户针对项目类型的用户兴趣偏好矩阵;然后利用K-Means算法对项目集进行聚类,并基于用户兴趣偏好矩阵查找待估值项所对应的近邻用户;在此基础上,通过结合项目相似度的加权Slope One算法在每一个项目类簇中对稀疏矩阵进行填充,以缓解数据稀疏性问题;进而基于用户兴趣偏好矩阵对用户进行聚类;最后,面向填充后的评分矩阵,在每一个用户类簇中使用基于用户的协同过滤算法对项目评分进行预测。实验结果表明,所提算法能够有效缓解原始评分矩阵的稀疏性问题,提升算法的推荐质量。     

结合评分比例因子及项目属性的协同过滤算法

针对传统的协同过滤算法存在用户评分矩阵稀疏及未考虑项目属性之间关系的问题,提出了结合评分比例因子及项目属性的协同过滤算法。首先利用评分矩阵得出项目之间的共同与非共同评分用户数量比矩阵,以此增加项目共同评分用户的影响度,减少用户—项目评分矩阵的稀疏性对项目相似度计算带来的误差;然后对项目属性量化得出其对项目相似度的影响权重,提高项目相似度计算的准确性,根据以上两点提出了一种结合评分比例因子及项目属性权重作为项目相似度权重的算法。实验结果表明,该算法在召回率和准确率上相比现有的方法分别提高了5.1%和4.7%,适用于电商类网站的个性化推荐。     

基于用户兴趣和项目属性的协同过滤算法

针对传统协同过滤算法不能及时反应用户的兴趣变化、时效性不足而导致推荐精度不高的问题,提出一种基于用户兴趣和项目属性的协同过滤算法。在传统协同过滤基础上综合考虑评分时间、相似度以及项目属性等因素,首先在计算相似度过程中加入基于时间的用户兴趣度权重函数,然后再与项目属性相似度进行融合,最后进行项目预测与推荐。在Movielens数据集上的实验结果表明,所提出的算法与已有的经典算法相比,平均绝对误差降低了3%~6%,有效提高了推荐的准确性。     

一种结合基于项目和用户的个性化推荐算法

推荐系统是电子商务系统中最重要的技术之一.协同过滤技术是当今应用最普遍的个性化推荐算法.针对用户评分数据的极端稀疏性和算法的可扩展性,首先利用云模型计算项目间相似度来预测用户对未评分项目的评分,来增加用户评分数据,再根据项目分类信息将用户-项目评分矩阵转换为用户-类别矩阵,降低了评分矩阵的维度,最后利用云模型计算用户间相似度,得到目标用户的最近邻居.实验结果表明,该方法具有较小的MAE,提高了推荐系统的推荐质量.     

基于LDA的隐式标签协同过滤推荐算法

固定标签协同过滤推荐算法,未充分考虑标签因子的多样化,主要依靠人工标记,扩展性不强,主观因素多。本文从用户的喜好特征因素角度出发,在固定标签协同过滤推荐算法的基础上,提出一种隐式标签协同过滤推荐算法。该算法利用LDA主题模型生成项目文本的隐式标签,得到项目-标签特征权重,根据算法性能优化的要求选择标签数量,将项目-标签矩阵与用户评分矩阵结合得到用户对标签的偏好矩阵,最后通过协同过滤算法产生推荐。实验结果表明,本文提出的基于LDA的隐式标签协同过滤推荐算法缓解了数据稀疏性问题,项目推荐的召回率、准确度和F1值有较大提升。     

基于商品属性值和用户特征的协同过滤推荐算法

为了提高用户相似度计算精度和推荐准确性,缓解数据稀疏性,提出一种基于商品属性值和用户特征的协同过滤推荐算法。该算法首先从用户对商品属性值的偏好出发,计算用户对商品属性值的评分分布和评分期望值,得到用户-属性值评分矩阵;同时利用数据相似性度量方法寻找用户特征邻居,填充用户-属性值评分稀疏矩阵,进而得出目标用户偏好的最近邻居集;计算用户对未评属性值的评分,将目标用户对商品所有属性值评分的均值进行排序,形成该用户的Top-N推荐列表。采用Movie Lens和Book Crossing数据集进行实验,结果表明该算法在缓解数据稀疏性问题上效果较好,推荐精度显著提高。     

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。     

基于蜂群K-means聚类模型的协同过滤推荐算法

针对目前协同过滤推荐算法的推荐质量和推荐效率低的问题,提出了一种基于改进蜂群K-means聚类模型的协同过滤推荐算法。首先,根据用户属性信息,采用改进蜂群K-means算法对用户进行聚类,建立用户聚类模型;然后,计算目标用户与用户聚类模型中各聚类中心的距离,其中距离最近的类为目标用户的检索空间;最后,从检索空间中依据用户-项目评分矩阵通过相似度计算搜索目标用户的最近邻居,由最近邻居的信息产生推荐列表。实验结果表明,该算法降低了平均绝对误差值,缩短了运行时间,提高了推荐质量和推荐效率。     

一种优化聚类的协同过滤推荐算法

针对传统的协同过滤推荐算法存在评分数据稀疏和推荐准确率偏低的问题,提出了一种优化聚类的协同过滤推荐算法。根据用户的评分差异对原始评分矩阵进行预处理,再将得到的用户项目评分矩阵以及项目类型矩阵构造用户类别偏好矩阵,更好反映用户的兴趣偏好,缓解数据的稀疏性。在该矩阵上利用花朵授粉优化的模糊聚类算法对用户聚类,增强用户的聚类效果,并将项目偏好信息的相似度与项目评分矩阵的相似度进行加权求和,得到多个最近邻居。融合时间因素对目标用户进行项目评分预测,改善用户兴趣变化对推荐效果的影响。通过在MovieLens 100k数据集上实验结果表明,提出的算法缓解了数据的稀疏性问题,提高了推荐的准确性。     

基于用户聚类与项目划分的优化推荐算法

针对传统协同过滤推荐算法没有充分考虑用户属性及项目类别划分等因素对相似度计算产生的影响,存在数据稀疏性,从而导致推荐准确度不高的问题.提出一种基于用户属性聚类与项目划分的协同过滤推荐算法,算法对推荐准确度有重要影响的相似度计算进行了充分考虑.先对用户采用聚类算法以用户身份属性聚类,进而再对项目进行类别划分,在相似度计算中增加类别相似度,考虑共同评分用户数通过加权系数进行综合相似度计算,最后结合平均相似度,采用阈值法综合得出最近邻.实验结果表明,所提算法能够有效提高推荐精度,为用户提供更准确的推荐项目.     

基于评分填充和时间的加权Slope One算法

针对数据稀疏性,常用的评分矩阵填充方法主要是通过平均数、中位数等进行填充,该文提出一种新的评分矩阵填充方法。利用项目-属性矩阵计算用户对项目属性偏好,由于每个项目都有各自属性,从而可以获得用户对项目的偏好值,以用户平均评分为基准,实现对评分矩阵填充。基于填充后的评分矩阵,又考虑到用户兴趣爱好随时间会发生改变,因此引入时间因子,提出一种基于评分矩阵填充和时间因子的加权slope one算法(FTWSOA)。通过时间函数修正评分矩阵,优化的评分数据可以更好地体现用户兴趣爱好随时间变化的情况。在时间加权的评分矩阵下,计算出属性兴趣偏好,在共同评分很少甚至没有时,利用属性兴趣偏好可以较为准确地计算用户相似度。由于在共同很少或者没有时,原始评分矩阵中用户没有交集,而在属性兴趣矩阵下用户会存在交集,因此,使用参数λ将填充矩阵下的用户相似度和属性兴趣偏好矩阵下的用户相似度相结合得到最终的用户相似度,可以缓解在稀疏数据下相似度计算性能差的问题,最后使用加权slope one预测评分时,将时间衰减函数加入到预测公式中来优化预测评分公式。通过在MovieLens100k数据集上的实验表明,相比于其他算法,FTWSOA算法准确度有所提高。     

一种结合时间因子聚类的群组兴趣点推荐模型

推荐系统本质上是一种信息检索工具,它检索出有用信息并推荐给特定的用户.组推荐系统通过不同的融合策略融合群组偏好,支持群组用户访问当前的热门兴趣点.传统组推荐模型没有将时间因子对用户选择兴趣点的影响计算在内,且传统协同过滤推荐算法往往对数据的稀疏性较为敏感.本文提出一个混合推荐模型(AGRT),综合K-均值聚类算法和隐语义模型(LFM)技术,将其应用于群组兴趣点.考虑到用户在不同时间点的不同兴趣偏好,AGRT利用K-means算法对用户数据集合基于时间点聚类,划分为不同的簇,在与当前推荐时间最为接近的用户数据簇上进行兴趣点推荐,采用LFM隐语义模型对用户数据进行矩阵分解,通过将分解矩阵再次相乘获得用户对未评分地点的评分数据,解决用户数据稀疏性的问题.实验结果表明,AGRT模型在低相似度(随机)群组和高相似度群组评测条件下下较文献[3]中提出的HAaB提高了5. 19%和2. 06%,具有有效的改进.