协同过滤推荐算法综述

推荐系统是电子商务系统最重要的技术之一,协同过滤推荐是目前应用最广泛和最成功的推荐系统.介绍协同过滤推荐算法的基本思想和最新研究进展,分析目前出现的代表性算法.总结协同过滤推荐算法中的关键问题和相关解决方案,比如相似性比较,数据稀疏性问题,推荐的实时性,推荐策略,评估方法等,同时也对比分析各种方法的优缺点.最后介绍协同过滤推荐算法需要进一步解决的问题和可能的发展方向.     

协同过滤推荐研究综述

推荐技术是目前在很多领域中广泛使用的技术之一.而协同过滤推荐算法是应用在推荐技术中很成功的算法.主要介绍了协同过滤推荐技术,总结了当前推荐算法的传统方法、改进算法以及性能评测方法.同时,分析了协同过滤推荐算法中的问题以及相应的解决办法.最后阐述了协同过滤推荐系统中仍需解决的问题和未来可能的发展方向.     

结合矩阵补全的宽度协同过滤推荐算法

协同过滤是推荐系统中最经典的方法之一,能够满足人们对个性化推荐任务的需求,但许多协同过滤算法在面对评分数据稀疏性问题时推荐效果不佳。为解决此问题,提出一种结合矩阵补全的宽度协同过滤推荐算法。先使用矩阵补全技术对用户项目评分矩阵进行补全,再利用补全后的矩阵对已评分的用户和项目分别寻找其近邻项,进而构造用户与项目的评分协同向量,最后使用宽度学习系统来构建用户项目与评分之间的复杂的非线性关系。在MovieLens和filmtrust数据集上对所提出算法的有效性进行检验。试验结果表明,与当前最先进的方法相比,该方法能够有效地缓解数据稀疏性问题,具有较低的计算复杂度,在一定程度上提升了推荐系统的性能。     

协同过滤推荐瓶颈问题综述

个性化推荐使得用户从浩瀚信息检索查找中解放出来,成为一种继搜索引擎之后获取信息的重要方式.协同过滤因为其算法简单,能够处理复杂对象,并且推荐效果优异,成为个性化推荐中最成功和应用最广泛的技术.但随着推荐系统规模扩大,协同过滤受到了数据稀疏性、冷启动和可扩展性等瓶颈问题严重挑战.本文总结了传统协同过滤推荐技术流程,重点研究了解决协同过滤瓶颈问题的方案,分析了它们各自的优缺点,便于后续实现协同过滤推荐系统时方案的选择和使用.     

电子商务推荐系统中的协同过滤推荐

电子商务推荐系统中协同过滤已成为目前应用最广泛、最成功的推荐方法。它利用相似用户购买行为也可能相似的特性进行推荐。介绍了与其他方法比较协同过滤方法的优点,然后说明了一些主要的协同过滤实现方法,指出了还需改进和完善的地方以及未来研究的方向。     

电子商务推荐系统中的协同过滤推荐

电子商务推荐系统中协同过滤已成为目前应用最广泛、最成功的推荐方法。它利用相似用户购买行为也可能相似的特性进行推荐。介绍了与其他方法比较协同过滤方法的优点，然后说明了一些主要的协同过滤实现方法，指出了还需改进和完善的地方以及未来研究的方向。     

协同过滤算法在推荐系统中的应用

介绍了协同过滤算法,并对算法进行了改进,解决了用户稀疏的情况下传统算法的不足,同时通过引入评分阈值,显著提高了个性化协同过滤算法的推荐精度。     

协同过滤推荐技术综述

协同过滤是推荐系统中广泛使用的推荐技术,研究人员对如何完善协同过滤推荐技术开展大量工作,但是相应的研究总结较少.文中对协同过滤的相关研究进行全面回顾,首先阐述协同过滤的内涵及其存在的主要问题,包括稀疏性、多内容及可扩展性,然后详细介绍国内外学者针对以上问题的解决方案,最后指出协同过滤下一步的研究重点.文中介绍一个相对完整的协同过滤知识框架,对理清协同过滤的研究脉络,为后续研究提供参考,推进个性化信息服务的发展具有一定意义.     

知识图谱嵌入的高阶协同过滤推荐系统

针对推荐系统存在的数据稀疏问题,传统的协同过滤方法无法捕捉辅助信息之间的相关性,从而降低了推荐的准确度,文中提出KGE-CF模型,引入了知识图谱作为辅助信息,利用知识图谱中多源结构性的数据来缓解数据稀疏问题.KGE-CF结合多层感知机捕获高阶非线性特征的能力,能够学习出用户与项目更深层次的交互信息,从而提升推荐质量.首先,KGE-CF模型将用户的历史交互项目与知识图谱中的实体进行映射,并且利用知识图谱的翻译模型进行训练,得到实体嵌入向量与关系向量,并依据"兴趣迁移"思想进一步学习出更为丰富的用户向量;然后,模型将学习得到的用户向量与项目向量拼接,作为多层感知机的输入,捕捉用户与项目之间的高阶特征信息;最后,通过一个sigmoid函数得到用户对候选项目的偏好程度.通过在真实数据集上的实验,证明了提出的KGE-CF模型在点击率预测和top-k两种推荐场景下均优于其他方法.     

推荐系统中的冷启动问题研究综述

推荐系统能够快捷、准确地定位用户真正需要的信息,解决网络信息过载问题。其中协同过滤推荐技术是推荐系统应用最广泛和成功的技术,但该技术面临冷启动问题的挑战。本文分析冷启动问题的产生原因,阐述研究冷启动问题的意义,重点总结解决冷启动问题的算法现状,分析比较它们的性能差异和各自存在的优缺点,从而便于使用者在解决冷启动问题时对算法的选择和使用。     

一种基于协同过滤技术的在线交友推荐系统的设计与实现

为了满足年轻人在交友择偶方面需求,越来越多的征友网站应运而生.随着网站用户不断增加,根据用户提交的交友要求来进行推荐,往往结果数以千计或万计,要从这里面发现用户感兴趣的对象变得非常困难,我们将协同过滤算法引入交友推荐系统,并设计了一个个性化相似项目的协同过滤算法,根据用户的兴趣进行项目最近邻居查找,大大提高了用户对搜索结果的满意度.     

一种基于协同过滤技术的在线交友推荐系统的设计与实现

为了满足年轻人在交友择偶方面需求,越来越多的征友网站应运而生。随着网站用户不断增加,根据用户提交的交友要求来进行推荐,往往结果数以千计或万计,要从这里面发现用户感兴趣的对象变得非常困难,我们将协同过滤算法引入交友推荐系统,并设计了一个个性化相似项目的协同过滤算法,根据用户的兴趣进行项目最近邻居查找,大大提高了用户对搜索结果的满意度。     

基于栈式降噪自编码器的协同过滤算法*

针对协同过滤推荐准确性的现状进行了研究,提出一种基于栈式降噪自编码器的协同过滤算法。栈式降噪自编码器是一种典型的深度学习网络模型,具有强大的特征提取能力。用户对项目的评分作为输入,训练网络,学习出项目的隐含特征编码,用PCA对项目属性降维并计算属性相似性,结合隐性编码计算的相似性作为最终结果,根据最终的项目相似性产生TOP-N推荐列表。Movielens数据集的实验表明,新算法能够有效提升推荐结果的召回率,一定程度上解决了评分矩阵稀疏和项目之间没有共同用户评分就不能计算相似性的问题。     

Novel Positive Multi-Layer Graph Based Method for Collaborative Filtering Recommender Systems

Recommender systems play an increasingly important role in a wide variety of applications to help users find favorite products. Collaborative filtering has remarkable success in terms of accuracy and becomes one of the most popular recommendation methods. However, these methods have shown unpretentious performance in terms of novelty, diversity, and coverage. We propose a novel graph-based collaborative filtering method, namely Positive Multi-Layer Graph-Based Recommender System (PMLG-RS). PMLG-RS involves a positive multi-layer graph and a path search algorithm to generate recommendations. The positive multi-layer graph consists of two connected layers: the user and item layers. PMLG-RS requires developing a new path search method that finds the shortest path with the highest cost from a source node to every other node. A set of experiments are conducted to compare the PMLG-RS with well-known recommendation methods based on three benchmark datasets, MovieLens-100K, MovieLens-Last, and Film Trust. The results demonstrate the superiority of PMLG-RS and its high capability in making relevant, novel, and diverse recommendations for users.

     

基于AntStream用户聚类的协同过滤推荐系统

系统规模的逐步扩大和用户兴趣的发展变化给传统协同过滤推荐系统带来了实时性减弱和准确性降低的问题。基于K—Means用户聚类的协同过滤技术虽然能在一定程度上解决这两个问题,算法本身却带有局部最优的缺陷。在保证实时性的前提下,为克服K—Means算法的缺陷,提出使用AntClass蚁群算法对用户聚类。同时提出将用户评分看作数据流,利用金字搭时间框架预处理数据,从而体现用户兴趣随时间的变化。于是,将AntClass蚁群算法和利用金字塔时间框架预处理过的数据流相结合,最终形成文中的AntStream算法。实验表明,AntStream算法不仅改善了传统协同过滤推荐系统的实时性问题,而且更大程度提高了推荐质量。     

Hybrid Recommender Systems: Survey and Experiments

Recommender systems represent user preferences for the purpose of suggesting items to purchase or examine. They have become fundamental applications in electronic commerce and information access, providing suggestions that effectively prune large information spaces so that users are directed toward those items that best meet their needs and preferences. A variety of techniques have been proposed for performing recommendation, including content-based, collaborative, knowledge-based and other techniques. To improve performance, these methods have sometimes been combined in hybrid recommenders. This paper surveys the landscape of actual and possible hybrid recommenders, and introduces a novel hybrid, EntreeC, a system that combines knowledge-based recommendation and collaborative filtering to recommend restaurants. Further, we show that semantic ratings obtained from the knowledge-based part of the system enhance the effectiveness of collaborative filtering.     

一种基于分众分类的协同过滤推荐算法

基于内存的协同过滤算法是推荐系统中使用的最成功的技术之一,但它存在着数据稀疏性和可扩展性的问题。分众分类是一种能使用户发现、组织和理解在线事物的强有力的机制。基于这种机制,提出了一种新的协同过滤算法,来解决该算法中的稀疏性和可扩展性的问题。实验表明,该算法在解决这些问题上是有效的。     

基于图神经网络的协同过滤推荐算法综述

推荐系统因可有效解决信息过载问题而受到学术界与工业界的广泛关注。基于图神经网络的协同过滤推荐算法可有效表征用户和项目特征,并可学习用户和项目间的复杂关系,成为近年来推荐系统中广泛使用的一种技术。作者首先根据拟解决问题的不同对算法进行分类,然后对每个类别下的代表性算法进行比较与分析;其次,对实验中常用的数据集进行分类汇总,并对常用的评价指标进行简要介绍;最后,给出该领域面临的挑战和未来可能的研究方向。