基于用户兴趣评分填充的改进混合推荐方法

针对传统协同过滤推荐方法中的用户项目评分数据稀疏和推荐准确度不高的问题,提出了一种基于用户兴趣评分填充的改进混合推荐方法。首先,分析用户对项目类型的偏好,计算用户兴趣评分并进行矩阵填充;然后,考虑用户主观评分差异化及项目自身质量的影响,对传统皮尔逊相关系数进行改进,并基于已填充评分矩阵进行用户相似性及项目相似性计算;在此基础上分别基于用户和项目两个方面进行评分预测,并将两者的预测评分进行加权求和,进而进行混合推荐;最后,以Movielens100k为数据集进行实验,先分析了用户兴趣评分矩阵的填充效果,再将文中方法和传统协同过滤混合推荐方法以及文献中提出方法进行了对比分析。实验结果表明;提出的评分矩阵填充方法能有效缓解数据稀疏的影响,填充效果优于传统评分矩阵填充方法;提出的改进混合推荐方法（IHRIRF）比传统的混合协同过滤推荐方法HCFR及WPCC方法具有更好地推荐效果。     

用户与项目语义相似性填充的协同过滤推荐方法

为解决协同过滤推荐方法中矩阵的稀疏性导致推荐精度下降的问题,文中提出一种结合用户属性及项目特征的矩阵填充协同过滤推荐方法。通过用户属性特征计算用户间语义相似性,构建项目领域本体以计算项目间语义相似性,加权用户语义相似性和项目语义相似性预测出的评分值填充评分矩阵,并获取近邻用户进行推荐。在MovieLens数据集上利用平均绝对误差和接收者工作特性(ROC)曲线两个评价标准进行实验验证,结果表明:相较于传统的协同过滤方法(TCF)、基于缺省值填充的协同过滤方法(CFBDF)和基于均值填充的协同过滤方法(CFBAF)三种方法,本文方法的平均绝对误差(MAE)值更低,ROC曲线下方的面积(AUC)值更大,这说明文中方法可以有效缓解矩阵的稀疏性,进而提高推荐的准确性。     

利用项目属性和偏好改进协同过滤推荐

协同过滤(CF)推荐系统可以通过了解用户过去的行为向用户推荐项目. 针对现有的CF推荐系统没有利用潜在的项目偏好信息,提出了一种利用项目偏好改进CF的推荐方法. 该方法首先采用K-means算法对用户进行聚类,然后利用用户聚类和效用矩阵构建项目偏好矩阵,最后在基于项目的CF方法中,综合项目评分相似度、项目属性及其偏好特征相似度产生推荐. 实验结果表明,该方法获得了较好的推荐精度,在一定程度上缓解了稀疏问题.     

基于项目语义相似度的协同过滤推荐算法

协同过滤是个性化推荐系统中最广泛使用的推荐技术.在用户评分矩阵极度稀疏情况下,传统的协同过滤推荐算法中用户相似度的计算建立在用户评分项目交集之上,并且没有考虑不同项目之间存在的语义关系,从而导致推荐准确率低.针对上述问题,文章提出一种新的基于项目语义相似度的协同过滤算法(CFSSI,collaborative filtering basedon semantic similarity between Items):首先利用领域本体计算项目之间的相似性,填充评分矩阵缺失值,而后根据修正的余弦相似度计算用户相似性.实验结果表明:算法可以在用户评分数据极端稀疏的情况下,仍能取得较高的推荐质量.     

基于用户特征的酒店推荐模型研究

针对现有酒店推荐精度不高的问题,提出了一种基于用户特征的酒店推荐模型.首先,构建酒店和用户的特征矩阵,从而获得候选集;然后,利用基于用户的协同过滤预测用户评分,进而产生酒店推荐的top-N列表;最后,以酒店管理营运博弈沙盘实验平台爬取的数据为基础对用户进行推荐.结果表明,该推荐模型的召回率、F1值均高于传统的基于特征参...     

一种改进的协同过滤推荐算法

针对User-based协同过滤推荐和Item-based协同过滤推荐算法的不足,提出了一种改进的推荐算法。该算法融合User-based协同过滤推荐和Item-based协同过滤推荐算法思想,通过形成项目相似集来填充用户评分矩阵,并利用高评分阈值来计算用户相似性,有效改善了传统协同过滤推荐算法的数据稀疏性和实时性。实验结果表明,该算法可以显著提高推荐系统的推荐质量。     

基于Tukey怀疑度模型旅游线路M估计协同推荐

为提高旅游线路推荐结果的有效性,降低干扰数据对推荐结果的影响,提出一种基于图基(Tukey)检验的M估计游客怀疑度模型的旅游线路协同推荐方法。首先,基于游客兴趣偏好构建旅游景点路线推荐算法框架,并基于k-距离的游客怀疑度构建可靠邻居模型;其次,针对提出的模型,提出一种基于图基检验M估计的鲁棒矩阵分解算法,构建游客特征矩阵和项目特征矩阵,通过调整游客间的相似性,减少干扰配置项目对特征矩阵鲁棒估计的影响;最后,在网爬数据集上进行仿真测试。测试结果显示,所提算法具有更高的游客整体满意度、更低的游客痛苦度,并且旅游景点路线多样化效果更好。     

MFWT:一种推荐学术论文的混合模型

为了改善概率矩阵分解模型进行学术论文推荐时存在的数据稀疏性和冷启动问题,提出了一种混合推荐模型--主题矩阵分解模型. 通过提出的作者-会议-时间-主题模型和传统的潜在狄利克雷分布主题模型分别构建用户和论文的主题特征,并通过这2类特征分别增强概率矩阵分解模型的用户潜在因子特征向量和项目潜在因子特征向量. 实验结果表明,该模型较好地解决了概率矩阵分解模型的数据稀疏性问题和冷启动问题,有效提升了学术论文的推荐效果.     

基于选择性预测策略的协同过滤推荐算法

针对传统协同过滤推荐算法在用户评分数据极端稀疏情况下无法取得令人满意的推荐质量问题,结合User-based 和Item-based 协同过滤算法思想,提出了一种基于选择性预测策略的协同过滤推荐算法,算法利用高相似度阈值来计算用户相似性和项目相似性,并通过形成用户最近邻居集和项目最近邻居集来预测填充评分矩阵。基于Movielens数据集的实验表明,改进的算法有效改善了传统协同过滤推荐算法的数据稀疏性和扩展性问题,明显提高了系统的推荐质量。     

初始聚类中心优化的K-均值项目聚类推荐算法

针对协同过滤推荐系统存在的数据稀疏性和扩展性差问题,提出了初始聚类中心优化的K-均值项目聚类推荐算法。该算法首先采用SlopeOne方法对评分矩阵预测填充来缓解数据稀疏性,然后采用初始聚类中心优化的K-均值算法对项目进行聚类,将相似度高的项目聚到同一个类中,最后根据目标项目所在的聚类搜索其最近邻并产生推荐。实验结果表明,该算法有效改善了数据的稀疏性和扩展性,提高了推荐质量。