基于上下文的分布式协同过滤推荐技术

针对传统协同过滤推荐技术应用于大规模动态数据集时难以兼顾准确度和效率的问题,提出一种基于上下文的分布式协同过滤推荐技术,引入推荐上下文的概念,并在此基础上充分考虑用户的即时兴趣以提高推荐的准确度,采用评分矩阵的分布式存储和计算以提高推荐的效率。实验结果表明,该分布式协同过滤技术能同时保证推荐的准确度和效率,使其在大规模动态数据集上的应用更具优势。     

融合协同过滤与上下文信息的Bandits推荐算法

随着推荐算法在众多领域的广泛应用,冷启动问题得到了越来越多的关注。针对仅可获得老用户对商品文字评价的场景,提出了一套解决用户冷启动问题的方案与算法。首先通过分析发现了文章主题提取与基于商品评价提取特征的相似性,因此引入自然语言处理领域的LDA(latent Dirichlet allocation)生成模型提取商品潜在特征;然后在传统Bandits算法的基础上融入邻居用户的协同作用提出了COLINBA(collaborativefiltering context linear Bandits)算法,该算法通过相似度权重因子控制邻居用户对推荐结果的贡献,使得协同作用更加精确有效,推荐完成后根据用户真实反馈以及所推荐商品的特征更新用户特征。最后采用真实数据集Delicious和Last.fm将该算法与该领域的最新方法进行比较,实验结果表明该算法对推荐效果有提升作用。     

基于协同过滤的个性化微博推荐算法研究

当前,微博已经成长为世界上最有影响力的社交网络服务之一。随着微博的流行,微博上大量的数据也使得用户无法快速获取他感兴趣的信息。推荐系统是通过研究用户已有数据来发掘用户兴趣,从而为用户推荐可能感兴趣的对象,如产品、网页、微博等。本文介绍了一种基于协同过滤推荐技术的微博推荐算法,从影响用户兴趣度的隐性因素,以及微博互联网中的数据采集和预处理等角度对微博推荐进行研究。使用矩阵分解对隐性因素建模,在已有用户与微博、用户与微博发布者影响因素的基础上,提出微博与微博发布者影响因素,提高了原算法的准确度。     

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...     

基于对抗性学习的协同过滤推荐算法

推荐系统能够根据用户的兴趣特点和购买行为,向用户推荐感兴趣的信息和商品.随着用户生成内容UGC逐渐成为当前Web应用的主流,基于UGC的推荐也得到了广泛关注.区别于传统推荐中用户与物品的二元交互,有的UGC推荐采用协同过滤方法,提出了消费者、物品和生产者的三元交互,进而提高了推荐准确度,但大多算法都集中在推荐的性能而忽...     

基于上下文项目评分分裂的协同过滤推荐

上下文感知推荐系统的主要任务是利用上下文信息进一步提高推荐系统的推荐精度和用户满意度。提出了一种基于上下文项目评分分裂的推荐方法。该方法首先依据项目分裂判别标准对多维度上下文信息下的项目进行分裂,然后根据分裂结果并通过上下文维度进行聚类。在此基础上,利用协同过滤推荐算法进行未知评分预测。最后,面向不同的项目分裂标准,在LDOS-CoMoDa数据集上进行仿真对比实验。实验结果表明,相对于其他推荐算法,该方法有效提升了推荐精度,达到了提高推荐质量效果的目的。     

基于时空上下文协同过滤的出租车载客点推荐算法

针对现有出租车载客点推荐算法忽略出租车所处上下文的情况,提出了一种基于时空上下文协同过滤的出租车载客点推荐算法。该算法将载客点信息映射到空间网格,通过在出租车司机驾驶行为相似度的计算中引入时间衰减因子,得到与目标出租车司机驾驶行为最相似的邻居集合,基于地点上下文过滤从相似邻居集合中选取感兴趣程度高的载客点推荐给目标出租车。在基于福州市出租车轨迹数据的实验中,时间衰减因子为0.7时,整体推荐效果最佳,同时该算法在邻居集合的不同大小时推荐准确率均优于传统协同过滤推荐算法。结果表明该算法与传统的协同过滤算法相比有更高的推荐准确度。     

CICF: 一种基于上下文信息的协同过滤推荐算法

协同过滤能够满足用户的偏好,为用户提供个性化的指导,是当前互联网推荐引擎中的核心技术。然而,该技术的发展面临着严重的用户评分稀疏性问题。用户评分历史中包含着丰富的上下文信息,因此该文通过利用两种上下文信息对评分稀疏性问题进行了有益的探索: 利用物品之间的层次关联关系挖掘用户的潜在喜好;对用户评分的短期时间段效应进行建模。并提出了基于两种上下文信息的统一模型CICF。通过在Yahoo音乐数据集上的实验表明,CICF相比传统协同过滤算法能够显著提高预测效果;并通过在不同稀疏度的训练集上的实验证实了CICF能够有效地缓解评分稀疏性问题。     

基于协同过滤的图书推荐系统

在商业领域,推荐系统被广泛用于向用户推荐符合其个人偏好的产品、服务或内容。借助这一技术建立图书推荐系统可以有效提高图书馆的服务水平。所提出的图书推荐系统是使用协同过滤技术通过对具有相似阅读习惯读者的借书数据进行偏好评分计算,从而为指定读者推荐符合其偏好的图书列表。为了解决推荐系统中所存在的数据稀疏性、评分的系统偏差以及图书偏好的量化等问题,该研究采用了矩阵分解、在评分中引入偏差值以及使用带时间戳的借阅记录生成偏好量化数值等解决方法。实验结果表明该推荐系统具有较好的准确度。     

基于矩阵分解的单类协同过滤推荐算法

新闻网页和书签的推荐被认为是单类协调过滤问题。通常这类数据是相当稀疏的,仅仅一小部分数据是正例,在非正例数据中负例和没有标记的正例是混合在一起的,难以区分开来,因此,就如何解释非正例数据出现了歧义。为了解决该问题,提出了一种加权的带正则化的基于迭代最小二乘法的单类协同过滤算法。即通过对正例赋予权值1,负例赋予一个较小的正实数权值来反映数据的正负置信度。在两个真实的实验数据集上验证了该算法在性能上均优于几个经典的单类协同过滤推荐算法。     

基于信任网络的协同过滤推荐方法

经典的协同过滤推荐系统存在数据稀疏和冷启动问题。利用信任网络能够有效地解决此问题,但性能有待提高。根据“如果a信任b,则a与b相似度高的概率较大”这一普适规律,提出一种基于信任网络的协同过滤推荐算法。该算法采用惩罚、奖励机制,进一步提高了推荐系统的性能。算法将覆盖率和准确率作为衡量标准,与经典协同过滤算法和已有信任推荐算法进行实验对比,结果表明所提推荐方法的性能更好。     

基于领域知识的个性化推荐算法研究

提出了利用领域知识进行相似度计算的协同过滤算法,使用户在评分的共同项目很少或为零的情况下也能找到最近邻进行协同推荐。实验结果表明,该算法解决了传统协同过滤算法中相似性度量方法“过严”的问题,在过滤初期显著地提高了推荐质量。     

一种基于本体语义相似度的协同过滤推荐方法

协同过滤推荐是一种基于用户偏好的个性化推荐方法,一般包含两个步骤:首先根据用户或项目的标注信息计算出用户或项目的相似度,确定邻居集合;然后根据相似度进行排序推荐,其核心问题在于相似度的计算。为了更好地达到这一目的,近年来关于将用户社交网络信息融入相似度计算的方法受到广泛关注。用户的注册信息、项目评分和社交信息都可以作为用户比较的依据。基于此提出了通过构建用户本体,计算本体之间的语义相似度,从而找到相似用户集合,最终实现目标用户的推荐方法。该方法为本体技术与推荐系统的结合提供了一种思路,实验表明 它能够在一定程度上提高推荐的准确度。     

一种改进的协同过滤推荐算法

协同过滤推荐算法是电子商务推荐系统中应用最成功的推荐技术之一,而影响协同过滤推荐算法准确率的关键因素是用户相似性度量方法。针对传统相似性度量方法没有考虑共同评分项数量对推荐质量的影响,将用户之间的共同评分项数量作为相似性计算的一个重要指标,从而得到一种改进的相似性度量方法。但这仍然不能解决数据稀疏带来的推荐质量下降的问题,鉴于此,在上述改进的基础上,提出了利用复杂网络中的结构相似性来度量用户之间相似性的方法,使计算结果更具实际意义和准确性。实验表明,通过这些改进能够有效避免传统方法带来的弊端,提高系统的推荐质量。     

基于共同评分和相似性权重的协同过滤推荐算法

协同过滤推荐算法是在电子商务推荐系统中应用最成功的推荐技术之一。提出了一种基于共同评分和相似性权重的协同过滤推荐算法。该算法选择用户的共同评分数据计算用户的相似性,选择项目被用户共同评分的数据计算项目的相似性,再分别计算基于用户以及项目算法的预测评分,然后通过相似性权重结合两者得到最终的预测结果,最后再根据预测结果产生推荐。实际数据的实验结果表明,提出的算法显著提高了预测准确度,从而提高了推荐质量。     

基于谱聚类群组发现的协同过滤推荐算法

推荐系统中,基于聚类的协同过滤推荐算法利用K-means等算法对用户和物品进行聚类,聚类结果里用户或物品只能属于一个类别,然而在实际应用中,一个用户可以有多种兴趣,一个物品也可以属于多个类别。针对上述问题,提出了一种基于谱聚类群组发现的算法,该算法通过谱聚类和C-means聚类得到用户和物品相似度较高的群组以及用户和物品归属于群组的隶属度矩阵,而且用户或物品可以属于多个群组。通过计算用户在各个群组中对物品的偏好值,并结合用户和物品在群组里相应的隶属度来预测用户对物品最终的偏好值,生成对用户的Top-N推荐结果。实验结果表明,与以往推荐算法相比,本方法在降低了数据稀疏性的同时提高了推荐结果的准确率和召回率。     

基于改进LSH的协同过滤推荐算法

协同过滤是个性化推荐系统中应用较为成功与广泛的技术之一,影响协同过滤推荐质量的关键在于获取目标用户的k近邻用户,然后基于k近邻对其未评价的项目进行评分预测与推荐。针对用户评分数据的规模大、维度高、高度稀疏以及直接进行相似性度量的实时性差等对推荐性能的影响,提出一种基于LSH的协同过滤推荐算法,并对其进行改进。该算法基于p稳态分布的局部敏感哈希对用户评分数据进行降维与索引,并采用多探寻的机制对其进行改进,缓解多个哈希表对内存的压力,快速获取目标用户的近邻用户集合,然后采用加权方法来预测用户评分并产生推荐。标准数据集上的实验结果表明,该方法能有效克服评分数据的高维稀疏,并在保证一定推荐精度的前提下,大幅度提高推荐效率和降低内存消耗。     

一种基于改进的层次聚类的协同过滤用户推荐算法研究

为了降低组用户推荐的计算时间,提出了一种改进的层次聚类协同过滤用户推荐算法。由于数据的稀疏性,传统的聚类方法在尝试划分用户群时效果不理想。考虑到传统聚类算法的聚类中心不变组内用户间相关度不高等问题,将用户进行聚类,然后按照分类计算出每个用户的推荐结果,在进行聚类的同时充分利用用户间的信息传递来增强组内用户的信息共享,最后将组内所有的用户的推荐结果进行聚合。最后仿真实验表明,本方法能够有效地提高推荐的准确度,比传统的协同过滤算法具有更高的执行效率。     

融合类别信息和用户兴趣度的协同过滤推荐算法

协同过滤直接根据用户的行为记录去预测其可能感兴趣的项目,是现今最成功、应用最广泛的推荐技术。推荐的准确度受相似性度量方法效果的影响。传统的相似性度量方法主要关注用户共同评分项之间的相似度,忽视了评分项目中的类别信息,在面对数据稀疏性问题时存在一定的不足。针对上述问题,提出基于分类信息 的评分矩阵填充方法,结合用户兴趣相似度计算方法并充分考虑到评分项目的类别信息,使得兴趣度的度量更加符合推荐系统应用的实际情况。实验结果表明,该算法可以弥补传统相似性度量方法的不足,缓解评分数据稀疏对协同过滤算法的影响,能够提高推荐的准确性、多样性和新颖性。     

基于情境相似度和二次聚类的协同过滤推荐算法

随着移动互联网规模的不断扩大,传统推荐系统因较少考虑多种情境因素和用户置信度对用户偏好预测的综合影响,造成了推荐算法预测结果的偏差。针对此问题,将情境信息引入个性化推荐的过程中,提出一种基于情境相似度和二次聚类的协同过滤算法。该算法首先根据用户情境的相似度对用户进行初始聚类,再基于评分矩阵计算用户评分置信度,将用户分为核心用户和非核心用户;然后根据核心用户评分对初始聚类的簇心进行调整,并对簇中非核心用户进行重聚类,形成新的聚簇;最终根据情境相似度对用户偏好进行预测。该算法可以在一定程度上降低评分矩阵中的噪点对聚类结果的影响,提高了推荐结果的准确性。基于实际数据集的仿真实验表明,该算法与传统协同过滤算法相比能够有效提高用户偏好预测的准确性,增加协同过滤推荐算法的精确度。