基于用户兴趣模型的协同过滤推荐算法

协同过滤推荐算法是目前应用最广泛个性化推荐技术,其中用户相似度的计算方法是影响推荐算法质量的关键因素。针对传统协同过滤算法中稀疏评分数据造成的用户相似度计算不准确问题,提出一种基于用户兴趣模型的协同过滤推荐算法。该算法使用分布估计算法建立用户兴趣模型,并使用用户兴趣模型计算用户间相似度。实验表明,该算法的准确性受数据稀疏性影响较小,同时在收敛速度和推荐准确性方面有明显提高。     

基于Web日志和聚类的协同过滤推荐算法

协同过滤推荐算法是目前应用最为成功的一种电子商务推荐方法,但协同过滤算法也存在数据稀疏性和缺乏个性化等问题,这些问题影响了推荐算法的效率和准确性.针对以上问题,提出了引入Web日志分析的方法,同时利用用户聚类等相关技术,不仅解决了数据稀疏的问题也提高了推荐的准确性.     

一种缓解协同过滤算法数据稀疏性的方法

协同过滤算法是推荐系统中最古老的算法之一,同时也是当今推荐系统中使用最广泛的一种算法。但是在简单,效率高的同时,协同过滤算法还存在数据稀疏性,冷启动等一些问题.本文针对其数据稀疏性的问题,提出了一种根据兴趣度预测用户未评分项目的方法。最后通过基于Netflix数据集的实验结果表明,该方法能够更好的处理稀疏矩阵,能缓解数据稀疏问题,从而提高了协同过滤算法的准确性。     

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。     

嵌入LDA主题模型的协同过滤推荐算法

协同过滤推荐算法由于其推荐的准确性和高效性已经成为推荐领域最流行的推荐算法之一。该算法通过分析用户的历史评分记录来构建用户兴趣模型,进而为用户产生一组推荐。然而,推荐系统中用户的评分记录是极为有限的,导致传统协同过滤算法面临严重的数据稀疏性问题。针对此问题,提出了一种改进的嵌入LDA主题模型的协同过滤推荐算法(ULR-CF算法)。该算法利用LDA主题建模方法在用户项目标签集上挖掘潜在的主题信息,进而结合文档-主题概率分布矩阵和评分矩阵来共同度量用户和项目相似度。实验结果表明,提出的ULR-CF算法可以有效缓解数据稀疏性问题,并能显著提高推荐系统的准确性。     

协同过滤的相似度融合改进算法

针对传统协同过滤推荐在数据稀疏性条件下性能不佳的问题,在相似度计算上做出了优化,提出了一种基于项目类别和用户兴趣相似度融合的协同过滤算法,算法将相似度的计算分解为两个方面进行:用户-项目类别评分相似度和用户-项目类别兴趣相似度,将两者用合适的权值加以融合得到最终相似度,参与最终预测评分的计算.利用MovieLens公用数据集对改进前后的算法进行对比.结果表明,基于项目类别和用户兴趣的协同过滤改进算法有效地缓解了数据稀疏性问题的影响,提高了推荐的准确性.     

基于改进聚类和矩阵分解的协同过滤推荐算法

大数据背景下,对于传统的协同过滤推荐算法在电子商务系统中的数据稀疏性、准确性不高、实时性不足等问题,提出一种改进的协同过滤推荐算法。该算法首先通过矩阵分解实现对原始数据的降维及其数据填充,并引入了时间衰减函数预处理用户评分,用项目的属性向量来表征项目,用用户的兴趣向量来表征用户,通过k-means聚类算法对用户和项目分别进行聚类;然后使用改进相似性度量方法在簇中查找用户的最近邻和项目推荐候选集,产生推荐。实验结果表明,该算法不仅可以有效解决数据稀疏和新项目带来的冷启动问题,而且还可以在多维度下反映用户的兴趣变化,推荐算法的准确度明显提升。     

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.     

基于聚类的协同过滤电子商务个性推荐系统的研究

根据目前电子商务网站中商品个性化推荐的现状,重点分析了比较常用的一种推荐方法——协同过滤推荐方法,发现了目前协同过滤算法在应用中所面临的挑战和问题,主要包括:推荐质量低、推荐效率低、数据稀疏性、冷启动等问题。针对这些问题本文提出了一种基于用户兴趣度的聚类分析协同过滤算法,有效的解决了目前算法中存在的数据稀疏性等问题,通过实验数据的分析对比,证明了算法的合理性和有效性。     

采用Sigmoid函数的Web服务协同过滤推荐算法

协同过滤推荐技术被广泛用于各个推荐系统,但它仍然存在着用户评分数据稀疏性问题,可能导致推荐结果不准确。针对该问题,提出了一种采用Sigmoid函数的协同过滤推荐算法。首先,分析用户兴趣与其调用服务的次数之间的关系,利用TF-IDF算法计算用户对服务内容的兴趣度;其次,定义一个Sigmoid函数,根据服务调用次数计算用户对服务功能的兴趣度;最后,基于内容兴趣度和功能兴趣度计算用户兴趣相似度完成协同过滤算法,实现个性化的服务推荐。实验证明,该方法能有效缓解数据稀疏性问题,提高了推荐质量。     

融合上下文信息与核密度估计的协同过滤推荐

随着互联网信息技术的迅速发展,网络数据量快速增长,如何在海量数据中找到用户感兴趣的信息并实现个性化推荐是目前重要的研究方向。协同过滤算法作为推荐系统中的经典方法被广泛应用于不同场景,但是仍然存在数据稀疏,以及在计算相似度时不能考虑到所有数据的问题,只能够利用具有共同评分的数据,严重影响了推荐的精确度。针对上述存在的问题,提出了一种融合上下文信息与核密度估计的协同过滤个性化推荐算法。该算法通过对用户和项目各自的上下文信息和已经存在的用户评分数据进行处理,通过核密度估计构建用户和项目的兴趣模型,充分挖掘了用户和项目的兴趣分布,以获得更准确的用户和项目兴趣相似度,降低预测评分误差。在公开的数据集上验证表明,将该算法对比传统的协同过滤算法,有效提高了推荐的精确度。     

融合用户评分和属性相似度的协同过滤推荐算法

为了提高协同过滤推荐系统的推荐效率和准确性,更好地向用户提供个性化的推荐服务,提出一种用户评分和属性相似度的推荐算法。首先分析当前协同过滤推荐研究的现状,设计评分相似度、兴趣倾向相似度、置信度等作为评分标准,使得用户相似度的计算更加准确、有区分度,然后根据用户属性来衡量用户之间的相似度,最后利用MovieLens数据集和Book-Crossing数据集做对比试验,对比精度、通用性和不同稀疏度及冷启动情况下的性能。实验结果表明,本文算法不仅提高了推荐精度,而且明显优于其它协同过滤推荐算法,具有更高的实际应用价值。     

基于用户实时反馈的协同过滤算法

传统的基于内存的协同过滤算法存在可扩展性不足的问题,而基于模型的协同过滤算法由于模型数据的滞后,造成推荐质量不高。针对以上情况,提出一种基于用户实时反馈的协同过滤算法,该算法在用户提交项目评分之后能实现对推荐模型数据的实时更新,从而更精确地反映用户的兴趣变化。实验结果表明,该算法能够有效地提高推荐精确度并且大幅地缩短了推荐时间。     

基于用户信任和兴趣的概率矩阵分解推荐方法

传统协同过滤推荐算法存在数据稀疏性、冷启动、新用户等问题.随着社交网络和电子商务的迅猛发展,利用用户间的信任关系和用户兴趣提供个性化推荐成为研究的热点.本文提出一种结合用户信任和兴趣的概率矩阵分解（STUIPMF）推荐方法.该方法首先从用户评分角度挖掘用户间的隐性信任关系和潜在兴趣标签,然后利用概率矩阵分解模型对用户评分信息、用户信任关系、用户兴趣标签信息进行矩阵分解,进一步挖掘用户潜在特征,缓解数据稀疏性.在Epinions数据集上进行实验验证,结果表明,该方法能够在一定程度上提高推荐精度,缓解冷启动和新用户问题,同时具有较好的可扩展性.     

结合类别偏好的协同过滤推荐算法

推荐系统是针对如今信息过载现象的一种极为有效的方法,而协同过滤算法自提出以来就在推荐系统中得到了广泛的应用,但是这种方法也存在着推荐精度不高、难以处理稀疏数据等缺点。对此提出一种结合类别偏好的协同过滤推荐算法。在原算法计算用户相似度的基础上,结合用户类别偏好的相似度来计算近邻,从而得到推荐结果。实验结果表明,该方法能较为有效地结合用户的类别偏好,与传统的协同过滤算法相比,有更好的推荐效果。     

基于云模型的用户双重聚类推荐算法

协同过滤是一种应用广泛的推荐算法,但存在着效率低和数据稀疏等问题。为解决这些问题,提出了一种改进的聚类推荐算法。该算法引用云模型,先从项目属性和用户属性两方面计算云模型期望、熵和超熵,并考虑到评分时间、评分高低和评分习惯等因素的影响,建立用户兴趣模型;接着,采用基于云模型的修正相似度量方法进行用户兴趣相似度比较,并使用K-means算法进行聚类;最后,利用参与预测人数的比例对公共项目进行推荐结果合并。在MovieLens上的实验结果表明,该算法不仅可以解决效率低和数据稀疏等问题,还提高了推荐的准确性。     

基于异构信息网络的模糊贴近度推荐算法

针对传统协同过滤算法在用户推荐过程中数据稀疏性、可扩展性、用户兴趣迁移变化等问题,提出一种基于异构信息网络的模糊贴近度推荐算法。在k-means聚类算法基础上构建新的异构信息网络,利用关系抽取的方式构造用户属性权重矩阵;引入模糊贴近度综合分析元路径属性权重的影响,寻找近邻用户;采用Top-N算法排序进而完成推荐,并进行准确性验证。在Epinions数据集上的实验结果表明,在推荐质量和速度上,所提推荐算法较传统推荐算法更优。