基于影响集的协作过滤推荐算法

传统的基于用户的协作过滤推荐系统由于使用了基于内存的最近邻查询算法,因此表现出可扩展性差、缺乏稳定性的缺点.针对可扩展性的问题,提出的基于项目的协作过滤算法,仍然不能解决数据稀疏带来的推荐质量下降的问题(稳定性差).从影响集的概念中得到启发,提出一种新的基于项目的协作过滤推荐算法CFBIS(collaborative filtering based on influence sets),利用当前对象的影响集来提高该资源的评价密度,并为这种新的推荐机制定义了计算预测评分的方法.实验结果表明,该算法相对于传统的只基于最近邻产生推荐的项目协作过滤算法而言,可有效缓解由数据集稀疏带来的问题,显著提高推荐系统的推荐质量.     

优化的协作过滤推荐算法

基于用户的协作过滤推荐技术中存在的稀疏问题和冷开始问题,影响推荐系统的性能,使协作过滤的效果得不到充分的发挥,提出了一种优化的协作过滤推荐算法,对用户-项目评价矩阵进行降维预处理,对原始评价矩阵降低了噪音,有效地解决了稀疏问题,验证了使用相关相似度的度量标准所得到的算法要比余弦相似度算法的推荐质量要高,验证了采用中心加权求和的方法能很好地弥补协作过滤算法在冷开始中的新项目问题上的不足,可以提高推荐系统的推荐质量与推荐精度。     

基于项目特征模型的协同过滤推荐算法

提出一种基于项目特征模型的协同过滤推荐算法.首先根据项目特征属性建立项目特征相似模型,在此模型基础上根据特征相似项目和用户评价相似项目,计算项目之间的综合相似度,弥补了以往协同过滤推荐算法在新项目推荐方面的不足.试验结果表明,该方法不但可以有效地改善传统协同过滤算法中新项目的冷启动问题,而且确实提高了推荐系统的推荐精度.     

基于邻居决策的协同过滤推荐算法

协同过滤技术应用于个性化推荐系统中,稀疏性问题和可扩展性问题成为亟需解决的问题。针对传统方法的不足,提出一种凭借邻居数做决策的方法,比较各个待测位置的用户邻居数和项目邻居数,由数量多的一方作预测,同时对预测值判定给出一种合理而有效的度量方法。实验结果表明,该方法能够提高推荐质量。     

基于资源的协作过滤推荐算法研究

协作过滤是当今应用最为普遍的个性化推荐算法,然而数据的稀疏性和算法的可扩展性一直是协作过滤算法所面临的两大问题。提出了一种新的推荐算法——基于资源的协作过滤算法。该算法在对资源项目依内容划分的基础上,将用户—项目评分矩阵转换为用户—资源类别评分矩阵,然后对用户聚类,在目标用户所在的簇中寻找其最近邻居并产生推荐。实验表明,该算法不仅降低了数据的稀疏性和维度,缩小了目标用户最近邻的查找范围,算法的扩展性得到了有效改善,而且提高了最近邻的准确度,推荐精度较以往传统算法有明显提高。     

基于协作过滤算法的电子商务个性化推荐系统的研究

针对目前电子商务个性化推荐研究的不足,提出准确全面地获取用户独特兴趣爱好、满足用户差异化需求的推荐服务,同时构建了具体的个性化推荐系统模型,给出了基于协作过滤算法的电子商务个性化推荐的流程、系统设计和系统实现,从而有利于推动电子商务的发展。     

一种基于领域本体的混合推荐算法

通常,为了构建一个推荐系统,一般都会考虑使用两种最常见的推荐算法:基于内容过滤算法和协同过滤算法[1,2]。然而,这两种推荐算法都有各自的技术缺点。解决特征提取是内容过滤的困难之处,同时预测用户的兴趣趋势也难以很好处理。协同过滤算法则需要面临冷启动问题和矩阵稀疏性问题。本文结合内容推荐,协同推荐,采用本体这一新工具,构建出一种全新的混合推荐算法。新的推荐算法可以解决传统的推荐算法面临的冷启动、数据稀疏性、兴趣趋向预测等一些问题。     

一种基于用户兴趣局部相似性的推荐算法

协作过滤算法作为至今最成功的个性化推荐技术之一,被广泛应用于电子商务、个性化节目推荐等系统中。但传统的基于协作过滤的推荐系统一直受到系统的稀疏性、推荐精确度低等问题的困扰。提出了一种基于用户兴趣局部相似性的改进的协作推荐算法（CFUPS）,针对协作过滤算法中用户近邻的计算和项目评分的预测两关键步骤,基于用户间潜在的局部相似的兴趣,并结合项目资源属性和项目评分矩阵来预测项目评分,进而给用户推荐感兴趣的个性化资源,理论上在提高推荐精度、克服稀疏性问题上均有改善。同时实验表明,在极具稀疏性的数据集上,该算法的推荐精度较以往的协作过滤算法有明显提高。     

推荐系统中推荐池的聚类算法分析

针对个性化推荐系统规模扩大而引起的实时性差、推荐精度较低等问题,提出了改进的k-均值用户聚类算法,实现对推荐系统中推荐池的压缩,将用户在不同项目簇上的评价差异作为用户距离,采用kruskal最小生成树算法生成初始聚类中心,使得初始中心靠近类中心,这样得到的聚类更符合实际.进行了算法改进前后的实验对比,结果表明,改进的聚...     

一种基于协作过滤的电子图书推荐系统

推荐系统中最常见信息过滤技术是基于内容的过滤和协作过滤,协作过滤由于有其自身的优点得到迅速发展,并得到广泛应用,但传统的协作过滤算法存在着稀疏性、扩展性和同义性等问题。本文提出一种基于评价矩阵列向量的图书协作过滤算法,并把这个算法应用到了一个数字图书馆的电子图书推荐系统中。此图书协作过滤算法主要计算图书之间的相似度而不是用户之间的相似度,可以大大降低计算量。实验也表明,这个算法比传统的基于用户的协作过滤算法有优势。     

基于协同过滤和标签的混合音乐推荐算法研究

结合音乐这一特定的推荐对象,针对传统单一的推荐算法不能有效解决音乐推荐中的准确度问题,提出一种协同过滤技术和标签相结合的音乐推荐算法。该算法先通过协同过滤技术确定相似用户,再通过相似用户对某一歌手的标签评分预测另一用户对该歌手的偏好程度,从而选择更符合用户喜好的音乐进行推荐,以此提升个性化推荐效率,为优化音乐推荐系统提供参考方法。     

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。     

基于用户和项目因子分析的混合协同推荐算法

为解决协同过滤推荐(CFR)算法中的数据量过大和数据稀疏性的问题,采用因子分析的方法对数据降维,并使用回归分析方法预测待评估值,既减少了数据量又最大限度保留了信息。该算法首先,采用因子分析的方法将用户和项目降维为若干用户因子和若干项目因子;然后,以目标用户为因变量,以用户因子为自变量建立一个回归模型,并且以待评价项目为因变量,以项目因子为自变量建立另一个回归模型,进而得到目标用户在待评项目上的两个预测值;最后,通过两者的加权得到最终的预测值。实验仿真证实了算法的可行性和有效性。实验结果表明,该算法比基于项目的协同过滤推荐算法在精确度上有所提高。     

基于分类的协同过滤图书推荐系统应用研究

随着社会的发展,图书馆图书的总量呈数量级增长,人们面对大量的图书和文献资料变得无从选择,而传统的 图书检索技术并不能向读者提供主动式、个性化的检索结果。推荐系统是一种智能化系统,它把用户对目标对象的选择、评价 等大量信息通过特定的算法进行处理,根据处理结果形成推荐列表向用户进行推荐,以此提供决策参考。文章将就基于分类 的协同过滤图书推荐系统展开研究和探讨。     

基于心理学模型的协同过滤推荐方法

提出一种改进协同过滤推荐的方法。该方法根据心理学中的态度行为关系理论建立用户浏览购买模型,通过分析用户浏览信息,预测用户对项的评分,根据预测的评分,运用协同过滤推荐算法为用户做出推荐。实验验证了用户浏览购买模型的有效性。与传统协同过滤方法进行对比的结果表明,该方法可以有效地改进协同过滤算法的推荐结果。     

一种电影个性化推荐系统的研究与实现

在协作过滤算法研究的基础上,考虑到相似项目之间评分的相似性,将此因素加入过滤算法得到改进的协助过滤算法,提高了算法的准确度。综合内容和协作过滤的优缺点,提出一种具有自适应调节的混合过滤算法,提高了过滤性能和准确度。根据改进的算法,针对电影领域进行实验,证明了其可行性。     

结合用户聚类和评分偏好的推荐算法*

针对推荐算法中用户评分矩阵维度高、计算量大的问题,为更加真实地反映用户本身评分偏好,提出一种结合用户聚类和评分偏好的推荐算法。先利用PCA降维和k-means聚类对用户评分矩阵进行预处理,在最近邻选取方法上,添加用户共同评分数量作为约束,利用用户和相似簇的相似度对相似簇内评分加权求和生成基本预测评分;再综合用户评分偏置和用户项目类型偏好,建立用户评分偏好模型;最后通过多元线性回归确定每部分的权重,生成最终的预测评分。对比实验结果表明,新算法能更真实地反映用户评分,有效减少计算量并提高推荐系统的预测准确率,更好地满足用户对于推荐系统的个性化需求。     

基于Mahout分布式协同过滤推荐算法分析与实现

随着信息技术和互联网的发展,在信息过载的时代,用户面对海量的信息,难以正确选择。协同过滤推荐是个性化推荐中比较成熟的算法,但其稀疏性、冷启动、可扩展性问题仍然存在,尤其是不能应用于分布式推荐。在Hadoop平台上,Mahout实现了分布式基于项目的协同过滤推荐算法,该算法能够有效解决传统算法的海量数据处理的效率问题和可扩展性问题。实验结果表明,Mahout上基于项目的协同过滤推荐算法具有较好的计算高效性和可扩展性。     

基于信任模型的协同过滤推荐算法

提出一种基于信任机制的协同过滤推荐算法,其中,直接信任度基于共同评价项目得出,推荐信任度通过对项目的预测得出。借鉴社会网络中人与人之间的信任评价方法,使用户之间的相似度计算更加准确,从而为目标用户提供更好的推荐结果。实验结果表明,该模型提高了信任度预测的准确性及系统的推荐质量。     

基于Web客户因子分析的协同推荐算法*

为解决协同过滤推荐算法中的数据量过大和数据稀疏性的问题,提出了基于客户因子分析的协同推荐算法。该算法利用因子分析将客户向量进行降维处理,得到几个具有代表性的客户因子,然后用这些客户因子对目标客户进行回归分析,进而预测目标客户对待评项目的评分值。最后通过实验证明了该算法的有效性,为以后研究推荐算法提供了一种新的途径。