基于项目因子分析的Web 客户需求协同推荐算法

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,提出了基于项目因子分析的协同推荐算法。该算法通过采用因子分析将项目向量降维为几个具有代表性的项目因子,然后用这些项目因子对目标项目进行回归分析,进而预测目标客户对待评项目的评分。最后通过实验证明了算法的有效性,为以后研究推荐算法提供了一种新的途径。     

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。     

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。     

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.     

基于时间因子改进个性化推荐模型

传统推荐系统算法模型主要集中研究用户偏好与物品的关联性,根据用户主观意见进行推荐,未充分考虑用户与物品所处的客观环境,造成推荐时的实际偏差.本文基于传统推荐算法引入时间因子,提高模型推荐效果.实现方法主要是通过比较引入与未引入时间因子,使用UserCF算法和ItemCF算法观察MAE值的大小变化情况.时间因子的引入,改...     

考虑项目属性的协同过滤推荐模型

针对传统的基于用户的协同过滤(UCF)模型在相似性度量过程中没有充分考虑项目属性的问题,提出了两种考虑项目属性的协同过滤推荐模型。模型首先对用户评分相似性进行优化;然后从项目属性的角度统计用户关于不同项目的评价次数,获得优化的基于项目属性的用户相似性;最后通过自适应平衡因子协调处理两方面的相似性结果进行项目预测与推荐。实验结果表明,在不同的数据集中,新提出的模型不仅时间花费较为合理,而且评分预测准确性明显提高,平均提高了5%,从而证明了模型在改进用户相似性度量精度方面的有效性。     

一种结合评分时间特性的协同过滤推荐算法

用户评分是协同推荐算法实现未知评分预测的主要依据,传统协同推荐算法一般只利用评分的数值,而忽视评分产生时间对推荐的作用,但是评分时间特性对推荐系统准确性的影响不容小觑。本文针对这个问题,以传统协同过滤推荐算法为基础,从评分时间角度对推荐算法的相似度计算和评分预测过程进行改进,提出了一种结合评分时间特性的协同过滤推荐算法。算法依据用户对项目的评分及时间计算出一个时间因子,并将时间因子融入到相似度的计算中,使推荐给目标用户的项目更加合理。通过实验进行该算法与现有协同推荐算法的对比,验证了该算法在提高推荐准确性方面的有效性。     

考虑年度日程表事件的协同过滤推荐

协同过滤是个性化推荐系统中应用最广泛的推荐技术,现有的协同过滤算法不能反映出每年特定的事件与用户购买行为的关联性。针对这个问题,提出了一种考虑年度日程表事件的协同过滤算法,引入了时间权值函数,使得同一时期的越接近当前用户访问时间的近邻用户购买商品的推荐度越高,提高了协同过滤算法的推荐精度。     

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。     

融合用户信任模型的协同过滤推荐算法

协同过滤推荐是电子商务系统中最为重要的技术之一.随着电子商务系统中用户数目和商品数目的增加,用户-项目评分数据稀疏性问题日益显著.传统的相似度度量方法是基于用户共同评分项目计算的,而过于稀疏的评分使得不能准确预测用户偏好,导致推荐质量急剧下降.针对上述问题,本文考虑用户评分相似性和用户之间信任关系对推荐结果的影响,利用层次分析法实现用户信任模型的构建,提出一种融合用户信任模型的协同过滤推荐算法.实验结果表明： 该算法能够有效反映用户认知变化,缓解评分数据稀疏性对协同过滤推荐算法的影响,提高推荐结果的准确度.     

基于供求关系及协同过滤技术的推荐模型研究

推荐系统已经成功地应用于电子商务、数字图书馆等方面。但随着近年来公共服务平台的发展,现存的推荐系统不能有效处理公共服务平台中不同类型企业之间供求关系的推荐问题,不能针对供求关系产业链做出准确、迅速的推荐。因此,根据公共服务平台的供求关系产业链并结合协同过滤技术,提出了一种新的个性化推荐模型,它基于网络平台中的企业分类、供求关系等来建立模型,并通过建立企业类用户群来缩小协同过滤时用户群体的数量,降低计算时属性空间的维度,从而提高推荐的效率。使用该模型进行推荐可以更好地帮助企业建立沟通渠道、获得服务信息,满足企业个性化的要求。     

基于供求关系及协同过滤技术的推荐模型研究

推荐系统已经成功地应用于电子商务、数字图书馆等方面。但随着近年来公共服务平台的发展,现存的推荐系统不能有效处理公共服务平台中不同类型企业之间供求关系的推荐问题,不能针对供求关系产业链做出准确、迅速的推荐。因此,根据公共服务平台的供求关系产业链并结合协同过滤技术,提出了一种新的个性化推荐模型,它基于网络平台中的企业分类、供求关系等来建立模型,并通过建立企业类用户群来缩小协同过滤时用户群体的数量,降低计算时属性空间的维度,从而提高推荐的效率。使用该模型进行推荐可以更好地帮助企业建立沟通渠道、获得服务信息,满足企业个性化的要求。     

结合CFDP与时间因子的协同过滤推荐算法

在这个网络数据呈现爆炸式增长的时代,如何利用用户行为数据,对每位目标用户进行精准的项目推荐是一个极有价值的研究方向。协同过滤推荐算法作为最常见的推荐算法之一,如何对传统的协同过滤算法进行优化,便是该文的研究内容。针对传统协同过滤算法存在的数据稀疏、冷启动以及实时性问题。采用CFDP算法对项目集合进行聚类,并对采用Slope-One算法进行数据填充,有效地缓解了数据稀疏以及冷启动的问题。针对传统算法的实时性问题,引入了时间因子,对每一项预测评分都乘以时间权重,使得预测评分更加科学准确,解决了推荐系统的实时性问题。采用MovieLens 1M数据集分别对传统协同过滤算法以及改进协同过滤算法进行对比实验,得出新算法的平均绝对偏差MAE要小于传统的协同过滤推荐算法,表明改进算法有效地优化了传统算法。     

一种优化的协同过滤推荐算法

协同过滤技术被成功地应用于个性化推荐系统中．随着电子商务系统用户数目和商品数目的日益增加,整个项目空间上用户评分数据极端稀疏,传统的相似性度量方法存在一定的不足．在引入项目评分预测思想的基础上,考虑到数据稀疏性带来的影响,采用修正的条件概率方法计算项目相似性,提出一种优化的协同过滤推荐算法,计算结果更具有实际意义和准确性．实验表明,该算法能够有效避免传统方法带来的弊端,提高系统的推荐质量．     

基于云模型的协同过滤推荐算法

协同过滤系统是电子商务系统中最重要的技术之一,用户相似性度量方法是影响推荐算法准确率高低的关键因素.针对传统相似性度量方法存在的不足,利用云模型在定性知识表示以及定性、定量知识转换时的桥梁作用,提出一种在知识层面比较用户相似度的方法,克服了传统基于向量的相似度比较方法严格匹配对象属性的不足.以该方法为核心,在全面分析传统方法的基础上,提出一种新的协同过滤推荐算法.实验结果表明,算法在用户评分数据极端稀疏的情况下,仍能取得较理想的推荐质量.