基于共同用户和相似标签的好友推荐方法

针对目前的社交网络好友推荐方法用户兴趣不明显、用户之间相关性较差等问题,提出一种基于共同用户和相似标签的协同过滤算法。抽取共同关注用户作为共同项目,加入体现用户兴趣的自定义标签数据,并对标签进行相似度计算处理,以扩充稀疏矩阵,改善协同过滤推荐方法。实验结果表明,与单指标的协同过滤推荐算法相比,基于共同用户和相似标签的好友推荐方法更好地体现了用户兴趣,同时在推荐准确率和平均准确率上都有较大提高。     

基于社交和地理信息的兴趣点推荐

目前基于用户的协同过滤兴趣点推荐模型认为两个用户之间对彼此的影响是相同的；同时，在计算社交用户相似度时仅仅考虑了用户的朋友集合，未考虑用户住所的地理信息。针对上述问题，提出了一种融合用户、社会和地理信息的兴趣点推荐（Fuse Users、Social and Geographic，FUSG）模型。将非对称用户影响和PageRank算法融入到基于用户的协同过滤算法中，挖掘用户偏好对兴趣点推荐系统的影响；结合社交用户之间的居住距离和用户的共同好友计算用户之间的相似度；利用地理信息挖掘用户签到的地理特征；将改进的协同过滤算法、社交信息与地理信息融合成FUSG模型，进行兴趣点推荐。在真实的数据集上的实验结果表明，FUSG模型不仅能够缓解冷启动问题，且与其他模型相比具有更高的推荐结果。     

基于可信联盟的服务推荐方法

随着满足用户需求的候选服务数量的飞速增长,服务选择的难度日益增大,服务推荐已成为服务选择的重要环节之一,受到越来越多的关注.然而,目前基于协同过滤的服务推荐方法较少关注到服务的不同属性特征对相似度计算会产生不同的影响,在寻找邻居用户时也很少考虑推荐用户与目标用户之间的信任关系,难以抵抗推荐用户的恶意推荐,无法保障推荐结果的精确度和可信性.针对以上问题,文中通过引入服务的推荐属性特征,改进传统相似度计算公式并基于Beta信任模型建立用户间信任关系,根据改进的相似度计算方法与服务推荐行为的信任度构建出邻居用户的可信联盟,提出了一种基于可信联盟的服务推荐方法.仿真实验与结果表明:与现有其它诸多方法相比,该方法不仅提高了服务推荐的精确度,还能有效保障服务推荐者的可信性,能较好的抵抗恶意攻击.     

基于协同过滤推荐的社交网络行为推断方法

因当前方法在划分用户行为时参考指标单一,导致推断结果误差较大.为解决上述问题,基于协同过滤推荐,对社交网络行为推断方法展开研究.根据不同形式的社交网络推荐模式,架构用户之间的信任关系,随后将信任值替换为相似度,采用协同过滤算法获取推荐列表,基于社交网络信息的组成部分,利用线性融合方法将其结合,创建用户相似度模型,推导出...     

基于信任社交圈的好友推荐算法

为体现出在线社交网络中好友推荐时的用户倾向性,并且更真实反映现实生活中人与人之间的关系强度,将用户间的好友关系强度定义为信任度引入到相邻边拓扑信息相似性计算中,并结合用户兴趣模型导出用户社交圈,提出一种好友推荐算法。针对用户社交圈中未考虑好友间信任度的情况,将信任度融入到社交圈重叠程度计算中为用户发现其潜在的好友提供建议。实验结果表明,与基于社交圈相似性和公共朋友相似性的好友推荐算法相比,该算法具有更高的好友推荐准确率。     

基于用户-内容主题模型的兴趣点联合推荐算法

目前基于协同过滤的兴趣点推荐算法能够获得较好的推荐效果,但是当用户外出远离其常驻地时,推荐效果急剧下降,主要原因是用户的签到记录主要集中在其常驻地周围,而对其他兴趣点的签到行为较少,此时不能准确计算用户兴趣。因此提出了一种基于主题模型的兴趣点推荐算法,在推荐过程中同时考虑了用户的偏好分布和兴趣点的主题分布,使得当用户在新的兴趣点时,也能获得较好的推荐。实验证明,该方法不仅能够缓解推荐数据的稀疏性问题,而且与其他方法相比有更高的推荐准确率。     

基于LBSN好友关系的个性化景点推荐方法

基于位置的社交网络（LBSN）中照片带有丰富时间空间位置信息,为发掘用户偏好信息、进行景点推荐提供了条件。现有推荐方法存在推荐条件单一、难以准确估算用户偏好、推荐结果准确性不高的问题。改进传统协同过滤中相似用户计算和推荐方法,提出PTLR方法。通过用户景点照片矩阵计算用户偏好,结合好友亲密度信任关系计算相似邻居。利用多条件如兴趣偏好、景点时间适宜程度及候选周边关联景点产生推荐。实验结果表明PTLR能有效提高推荐准确性。     

基于认知度与兴趣度的好友推荐反馈算法

针对现有的好友推荐算法在好友关系刻画上丢失重要信息的现状,受用户对物品认知行为的启发,文中提出基于认知度与兴趣度的好友推荐反馈算法,使用混合相似度研究网络好友关系,探索在线社交网络中的交友问题.针对好友推荐过程中"开环"的问题,提出基于历史推荐信息的正负反馈优化调整策略,使用用户相似度修正公式研究好友反馈动态推荐,证明...     

基于学习兴趣的个性化推荐算法研究

根据高职学校目前选修课的现状,在学生进行选修课选择时,提出一种基于隐式和显式兴趣相结合的学生兴趣个性化推荐算法模型,结合相关推荐技术进行个性化推荐,从而将盲目的选课变得有指导性、有针对性,大大提高了学习效果以及选修课开设的意义,对今后教学改革有一定的指导意义。     

基于用户兴趣度和特征的优化协同过滤推荐

协同过滤技术目前被广泛应用于个性化推荐系统中。为了使用户的最近邻居集合更加精确有效,提出了基于用户兴趣度和用户特征的优化协同过滤推荐算法。首先通过计算用户对项目的兴趣度来对用户进行分组;然后采用贝叶斯算法分析出用户具有不同特征时对项目的喜好程度;最后采用一种新的相似度度量方法计算出目标用户的最近邻居集合。实验表明该算法提高了最近邻居集合的有效性和准确度,推荐质量较以往算法有明显提高。     

基于项目兴趣度的协同过滤新算法

针对评分数据稀疏和单一评分相似性计算不准确导致推荐质量不高的问题, 提出一种基于项目兴趣度的协同过滤新算法。该算法先预测未评分项的值, 在此基础上基于项目的分类、评分值及次数引入项目—项目类别兴趣度特征向量计算同组项目的相似性, 提高了项目间相似性计算的准确度和推荐质量, 避免了大量无用计算, 提高了算法的效率。实验结果表明, 该算法对目标项目预测评分的准确性、推荐质量及效率更高。     

基于MMTD和兴趣偏向系数的协同过滤推荐算法

针对传统基于用户的协同过滤推荐算法存在的相似性度量不准确和缺乏对用户评分合理应用的问题,提出了一种结合中介真值程度度量（MMTD）和兴趣偏向系数的推荐算法。首先采用MMTD度量用户评分的相似性;然后利用用户评分相似性改进余弦相似性公式和Jaccard公式,得到新的基于MMTD的用户相似性度量方法;最后结合兴趣偏向系数输出推荐结果。在MovieLens-100k数据集上的实验结果表明,该方法可以在一定程度上提高用户间相似性度量的准确性,提高推荐结果的准确率和召回率。     

基于改进协同过滤算法的用户页面兴趣度预测研究

根据大数据稀疏性特征,把奇异值分解方法引入协作过滤算法中进行互联网站点用户的页面兴趣度的计算和验证,提出了一种基于改进协作过滤算法的用户页面兴趣度预测算法。该算法可通过在网络日志文件中提取显性用户评分数据存在的虚假评分,发现用户页面兴趣度和其影响因素。MATLAB仿真结果显示：提出的基于改进协同过滤算法的用户页面兴趣度测量方法可有效克服海量数据的稀疏性,在预测准确性、测量速度方面都有很大提高。     

基于项目之间相似性的兴趣点推荐方法*

针对评分数据稀疏的情况下传统相似性计算的不足,提出了一种基于项目之间相似性的协同过滤算法。该算法结合用户对项目的评分和项目之间的兴趣度进行项目之间的相似性计算,在一定程度上减小了评分数据稀疏的负面影响。实验结果表明,该算法在评分数据稀疏的情况下,能使推荐系统的推荐质量明显提高。     

协同过滤中基于用户兴趣度的相似性度量方法

在个性化推荐算法中,相似性计算方法是决定算法推荐效率的关键。通过分析传统的相似性度量方法在推荐系统中存在的不足,提出了一种基于用户兴趣度的相似性计算方法。该方法利用用户对不同项目类别的兴趣程度与用户评分相结合进行用户之间的相似性计算,克服了传统相似性计算方法仅仅依据用户评分进行相似性计算的不足,并在一定程度上减少了评价数据稀疏的负面影响。实验结果表明,该方法可以有效地克服传统相似性方法中存在的不足,使推荐系统的推荐质量有明显提高。     

用户兴趣变化和类别关联度的混合推荐算法

协同过滤算法是目前推荐系统中最普遍的个性化推荐技术。针对传统算法相似性度量方法不足的问题,提出了融合用户兴趣变化和类别关联度的混合推荐算法。算法根据用户的评分项目信息来对项目进行类别划分,挖掘出用户对不同类别项目的喜爱关注程度;同时将基于时间的兴趣度权重函数引入项目相似度计算之中来进一步提高计算的精确度,最后将改进后的相似度计算方法融入到用户聚类方法中,用户聚类之后,其所在的类别将对用户推荐准确度产生极大的作用。实验结果表明,在Movielens-1k数据集上运行该算法,该算法在运行效率和精确度上都有所提高。     

一种改进Minhash的分布式协同过滤推荐算法

协同过滤推荐算法通过研究用户的喜好,实现从海量数据资源中为用户推荐其感兴趣的内容。衡量用户（资源）的相似性是协同过滤算法的核心内容,在数据量大的系统中,用户（资源）的相似性度量会面临准确性和计算复杂性等问题,影响到推荐效果。提出一种改进的协同过滤推荐算法,提取用户兴趣偏好的多值信息,运用改进Minhash算法度量用户相似性,并结合Mapreduce分布式计算,合理、高效地产生用户邻居,实现对用户的评分推荐。实验结果表明：改进算法能有效改善大数据集的推荐准确性并提高推荐效率,降低了推荐耗时。     

基于用户特征的分步协同推荐算法*

协同过滤是解决信息过载问题的一种有效技术。然而基于内存的推荐面临着可扩展性问题,基于模型的推荐需要训练大量的参数。本文提出了基于用户特征的K-means用户聚类算法,然后用分步协同过滤框架融合基于项目和基于用户的协同过滤给每一个聚簇训练一个模型。实验结果表明本文提出的算法能极大的提高推荐精度,同时在一定程度上解决了基于模型和基于内存的推荐存在的不足。     

基于多层次混合相似度的协同过滤推荐算法

针对传统协同过滤推荐算法在数据稀疏的情况下存在的性能缺陷和相似性度量方法的不足,为了提高推荐精度,改进原算法得到了一种基于多层次混合相似度的协同过滤推荐算法。该算法主要分为三个不同的层次：首先采用模糊集的概念将用户评分模糊化,计算用户的模糊偏好,并结合用户评分的修正余弦相似度和用户评分的Jarccad相似度总体作为用户评分相似度;再对用户评分进行分类来预测用户对项目类别的兴趣程度,从而计算出用户兴趣相似度;然后利用用户的特征属性来预测用户之间的特征相似度;其次根据用户评分数量来动态地融合用户兴趣相似度及用户特征相似度;最后融合三个层次的相似度作为用户混合相似度的结果。利用MovieLens公用数据集对改进前后的算法进行对比实验,结果表明：当在邻居集合数量较少时,改进的混合算法相对修正余弦相似度算法的平均绝对偏差（MAE）下降了5%左右;较改进的修正的Jaccard相似性系数的协同过滤（MKJCF）算法也存在略微的优势,随着邻居集合数的增加MAE也平均下降了1%左右。该算法采用多层次的推荐策略提高了用户的推荐精度,有效地缓解了数据稀疏性问题和单一度量方法的影响。