分步填充缓解数据稀疏性的协同过滤算法

为解决传统协同过滤算法中用户评分数据稀疏性所带来的用户最近邻寻找不准确问题,提出了一种结合条件概率和传统协同过滤算法的非固定k近邻算法。该算法在基于分步填充评分矩阵的思想上,第一步只接受相似度和共同评分项目数量达到阈值的邻居用户作为目标用户邻居,然后计算并填充未评分项目,第二步使用第一阶段部分填充后的矩阵计算剩余未评分项目的评分。实验表明,该算法寻找的邻居用户更准确,能明显地缓解数据稀疏问题,提高评分预测准确性。     

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。     

一种有效缓解数据稀疏性的混合协同过滤算法

目前协同过滤技术已经被成功运用到各种推荐系统中,但是随着资源种类的不断膨胀与用户日益的增加,用来评判的数据矩阵越来越稀疏,严重影响了推荐质量。为此设计了一种混合新算法,对基于项目的协同过滤算法提出两个改进方法：首先根据网站的层次结构信息改进了传统的相似度计算方法;其次增加了预测缺失兴趣值的算法,使用户的交叉兴趣点增多,有效缓解了稀疏性的问题。实验结果证明了新算法具有较高的推荐精度,能够找到用户潜在的兴趣页面。     

协同过滤数据稀疏性问题研究

本文简要介绍了协同过滤推荐技术的核心思想以及优缺点,重点描述了协同过滤推荐系统的数据稀疏性问题,并总结了四种解决数据稀疏性问题的方法,分别是简单填值、聚类、降维和结合内容的过滤方法。     

基于填充和相似性信任因子的协同过滤推荐算法

为了提高推荐系统在数据稀疏情况下的推荐质量,提出一种改进的协同过滤算法。该方法使用一种数据挖掘算法对稀疏评分矩阵进行填充; 在完整的填充矩阵上计算用户相似性,并引入相似性信任因子; 最终做出推荐预测。典型数据集上的对比实验结果表明,即使在评分数据极为稀疏的情况下,该算法仍能取得较好的结果。     

协同过滤推荐系统中数据稀疏问题的解决

介绍了现有协同过滤推荐的几种主要算法.它们对数据稀疏性问题都有一定的缓和作用.通过在数据集MovieLens上的实验,分析了各个算法在不同稀疏度下的推荐质量,为针对不同数据稀疏度的系统实现提供了可靠依据.     

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.     

基于slope one算法改进评分矩阵填充的协同过滤算法研究

为解决协同过滤算法中的数据稀疏性问题,提出了一种改进的协同过滤算法。该算法使用slope one算法计算出来的评分预测值来填充评分矩阵中的未评分项目,然后在填充后的用户-项目评分矩阵上通过基于用户的协同过滤方法给出推荐。利用slope one算法计算出来的评分预测值作为回填值,既能降低评分矩阵的稀疏性,也保证了回填值的多样性,从而减少均值、中值等单一填充值造成的推荐误差。在MovieLens-1M数据集上对本文改进算法和协同过滤算法及均值中心化处理的算法作五折交叉实验,结果表明,基于评分预测值填充数据后的协同过滤算法有效的缓解了数据稀疏性问题,并且有更好的推荐效果。     

一种改进的缺失数据协同过滤推荐算法

协同过滤推荐算法是推荐系统研究的热点,近年来,在亚马逊、淘宝等商业系统中获得应用。在实际应用过程中,协同过滤推荐面临数据稀疏和准确性低的问题。作为推荐基础的用户-产品(项目)矩阵通常非常稀疏(存在大量缺失数据),从而导致推荐结果不准确。文章试图在缺失数据情况下提高协同过滤推荐的准确性,聚焦以下两个方面:(1)用户相似度、产品(项目)相似度计算;(2)缺失数据预测。首先,用增强的皮尔森相关系数算法,通过增加参数,对相似度进行修正,提高用户、产品(项目)相似度计算的准确率。接着,提出一种同时考虑了用户和产品(项目)特征的缺失数据预测算法。算法中,对用户和产品(项目)分别设置相似度阈值,只有当用户或产品(项目)相似度达到阈值时,才进行缺失数据预测。预测过程中,同时使用用户和产品(项目)相似度信息,以提高准确度。在模型基础上,用淘宝移动客户端的数据集进行了验证,实验结果表明所提算法比其他推荐算法要优异,对数据稀疏性的鲁棒性要高。     

改进的基于内容的协同过滤电影推荐算法

推荐系统包括两种主要方法,即协同过滤算法和基于内容的过滤算法,有助于提供有意义的建议。笔者使用了混合方法,即利用内容和协作过滤算法,讨论了算法与此领域之前工作的不同,同时,结合一种的分析方法,证明新方法的合理性,如何提供实用建议。上述方法在现有用户和对象数据上进行测试,与其他两种最受欢迎的方法——纯协同过滤和奇异值分解相比,具有改进效果。     

融合社交网络信息的协同过滤推荐算法*

在推荐系统中,协同过滤推荐算法往往面临数据集的高度稀疏性和推荐精度有限的问题.为了解决上述问题,在基于物品的协同过滤推荐框架下,分别在物品相似度的计算和用户对物品的评分预测阶段,利用社交网络中朋友关系信息选择性地填充评分矩阵中的缺失值,最大化利用评分矩阵中的已有信息,提出融合社交网络信息的协同过滤推荐算法.最后,在Epinions数据集上的实验表明,文中算法在一定程度上缓解数据稀疏性问题,同时在评分误差和分类准确率两个指标上优于其它协同过滤算法.     

融合关系挖掘与协同过滤的物品冷启动推荐算法

针对新物品缺乏(非完全冷启动)或没有(完全冷启动)评分信息,协同过滤无法为新物品进行个性化推荐的问题,文中提出融合关系挖掘与协同过滤的推荐算法.首先,利用关系挖掘提取物品关系特征,根据属性之间的多种二元关系构建关系属性,丰富可用属性信息.然后,提出基于关系挖掘的近邻选取方法,增加邻近物品的多样性.最后,融合协同过滤方法,同时解决完全和非完全新物品冷启动问题,实现新物品的个性化推荐.在两个真实数据集上的实验表明,文中方法可以系统解决推荐系统中新物品的冷启动问题.     

基于社交网络能量扩散的协同过滤推荐算法

针对数据稀疏导致推荐系统精确度较低的问题,结合社交网络中丰富的社会化信息及能量扩散在数据稀疏问题上的优良表现,文中提出基于社交网络能量扩散的协同过滤推荐算法.首先利用用户-物品评分矩阵和信任关系具有的传递性计算用户之间信任强度值.再利用社交网络结合用户-物品二分网络,得到物品资源值.最后利用协同过滤方法进行预测评分.在真实数据集上的实验表明,文中算法缓解数据稀疏性,可解决推荐精确度较低的问题.     

一种混合模式的协同过滤算法

当今是一个数据爆炸时期,促进信息过滤技术发展,个性化推荐系统作为其中一种重要的应用方式,已经成为很多网站一种个性化信息服务方式,但传统的协同过滤算法存在扩展性和稀疏性的问题。提出一种基于项目聚类、项目语义相似度和奇异值分解的混合推荐模型,来应对传统的协同过滤推荐系统面临的算法的伸缩性问题、数据稀疏性问题和推荐的精准度问题,进行推荐。结果表明,与传统的算法相比,使用该改进算法能显著地提高推荐系统的推荐质量。     

基于覆盖约简的个性化协同过滤推荐方法

协同过滤(CF)无法同时提供高精度和多样化的个性化推荐.基于此情况,文中提出基于覆盖约简的协同过滤方法(CRCF).结合覆盖粗糙集中的覆盖约简算法与CF中的用户约简,匹配覆盖中的冗余元素与邻近用户中的冗余用户,利用覆盖约简算法将冗余用户从目标用户的邻近用户中移除,保证CF中邻近用户的高效性.在公开数据集上的实验表明,在稀疏数据环境下,CRCF可以同时为目标用户提供高精度和多样化的个性化推荐.     

协同过滤中一种有效的最近邻选择方法

协同过滤中的评分数据稀疏性使得最近邻搜寻不够准确,导致推荐质量较差。基于此,文中提出一种有效的针对稀疏评分的最近邻选择方法--两阶段最近邻选择算法(TPNS)。TPNS分为两个步骤,首先计算用户间的近邻倾向性,选择近邻倾向性较高的用户组成初始近邻集合;然后根据初始近邻集合计算目标用户与其他用户间的等价关系相似性,使用等价关系相似性对目标用户的初始近邻集合进行修正,得到最近邻集合。在MovieLens数据集上对比常用的推荐算法,实验结果表明文中方法在协同过滤推荐的应用中具有更高的准确性。     

基于异构邻域聚合的协同过滤推荐算法

传统的协同过滤算法使用one-hot编码生成的特征向量信息量稀少,对异构行为数据仅挖掘不同行为间的联系而忽略用户间行为的联系.针对上述问题,文中提出基于异构邻域聚合的协同过滤推荐算法.首先,使用图对用户和项目的异构交互进行建模,并利用图的连通特性构建邻域.然后,使用轻量级图卷积方法整合邻域信息,融入目标用户和目标项目的特征向量.最后,将融合邻域信息的用户与项目的特征向量输入多任务异构网络进行训练,通过丰富特征向量信息的方法缓解数据稀疏问题.在数据集上的实验证实文中算法的性能较优.     

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。     

在协同过滤中结合奇异值分解与最近邻方法

协同过滤是一种减小信息过载的常用方法,但是它有三方面的限制,即准确性、数据稀疏性和可扩展性。提出一种新的协同过滤算法来解决数据稀疏性的问题,利用奇异值分解法的结果来进行邻居选择,然后采用最近邻方法来得到未打分项目的预测值。在EachMovie 数据库集上的试验结果表明该算法在数据稀疏时算法的准确性超过普通的Pearson算法和奇异值分解算法。     

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。