基于评分预测的协同过滤推荐算法

传统的基于评分预测的协同过滤算法在计算用户之间相似性时只针对用户共同评过分的物品计算评分差异,然而由于不同用户共同评分的物品数目不同,使得计算标准不统一,从而导致推荐质量不理想。本文在传统算法的基础上进行改进,新算法在计算相似性的时候一方面考虑了用户共同评分的物品数,另一方面还考虑了物品的热门程度对用户相似性计算的影响。实验结果表明,新算法在推荐准确率和召回率上都比传统算法提高了1倍以上。研究还发现在算法中使用Pearson相关系 数明显好于使用欧氏距离作相似性度量标准得到的推荐效果。     

基于情感分析和LDA主题模型的协同过滤推荐算法

协同过滤推荐算法通常基于物品或用户的相似度来实现个性化推荐,但是数据的稀疏性往往导致推荐精度不理想。大多数传统推荐算法仅考虑用户对物品的总体评分,而忽略了评论文本中用户对物品各个属性面的偏好。该文提出一种基于情感分析的推荐算法SACF(reviews sentiment analysis for collaborative filtering),该算法在经典的协同过滤推荐算法的基础上,考虑评论文本对相似度计算的影响。SACF算法利用LDA主题模型挖掘物品潜在的K个属性面,通过用户在各个属性面上的情感偏好计算用户相似度,从而构建推荐模型。基于京东网上评论数据集的实验结果表明,SACF算法不但可以有效地改善传统协同过滤推荐算法中数据稀疏性的问题,而且提高了推荐系统的精度。     

大数据中基于混合协同过滤的动态用户个性化推荐

为了提高大数据中动态用户个性化推荐的准确性和效率,采用基于混合协同过滤的方法来完成用户感兴趣数据的筛选,从而实现个性化推荐。先将用户数据及项目数据通过协同过滤算法来完成建模并评分,然后结合XGBoost模型的树形结构和正则学习的特点进行预测评分,接着将两种算法混合来求解最优目标函数,得到候选的推荐数据集合。最后通过实例仿真,混合算法精确度高,在大数据平台有较强的适用性。     

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。     

基于协同过滤技术的音乐推荐系统的研究

推荐系统中,协同过滤技术的使用是推荐系统当中最好的技术,使得推荐系统的推荐质量得到很大的提高。本文主要介绍了当前比较流行的几种推荐算法,并主要讨论了在音乐推荐系统中,对协同过滤技术的使用,并分析了这几种推荐技术在使用中所存在的优缺点,以及协同过滤的发展方向。     

基于协同过滤的水果推荐系统设计与实现

随着大数据技术的飞速发展,从大量的信息中如何让用户发现和挖掘出有价值的信息,一直是人们研究的热点问题。推荐系统的发展起到了关键作用,主要是发现用户和商品之间的信息,一方面为用户找到有价值的信息,另一方面为用户推荐感兴趣的商品,从而实现了用户和信息生成者的共赢。基于协同过滤的水果推荐系统通过分析用户的历史行为了解用户的喜好,在为用户提供其感兴趣的信息的同时,也能够实现个性化的推荐。     

基于马尔可夫聚类和混合协同过滤的电视节目推荐

针对家庭用户的电视节目个性化推荐问题,提出一种基于马尔可夫聚类和混合协同过滤(MCL-HCF)算法的混合推荐方法。采用马尔可夫聚类对各个时间段的电视用户进行聚类,产生不同的群组,最小化每个群组里的个体成员和群组整体的偏好差异,再以群组为单位进行电视节目推荐;使用基于物品的协同过滤和基于用户的协同过滤算法分别产生推荐列表;采用基于加权融合的混合推荐算法对两个推荐列表进行处理,得到最终的混合推荐结果。在公开数据集上的实验结果表明,该算法在平衡推荐惊喜度和相关性的同时能够获得令人满意的推荐准确率。     

LDA-CF: 一种混合协同过滤方法

推荐系统是一种克服信息过载的重要工具,其中最流行的方法是协同过滤。该文提出一种结合潜在因素模型和邻域方法的混合协同过滤方法LDA-CF。我们首先将评分矩阵转换成伪文档集合,使用LDA(Latent Dirichlet Allocation)主题模型发现用户和物品潜在因素向量;然后在低维潜在因素空间计算用户和物品相似度;最后采用邻域方法预测未知评分。在MovieLens 100k数据集上的实验表明: 在评分预测任务中,LDA-CF取得的MAE性能指标优于传统的邻域方法。因此,LDA可以有效地从评分矩阵中发现对计算相似度十分有用的用户和物品低维特征表示,在一定程度上缓解了数据稀疏问题。     

一种改进的 LSH／MinHash 协同过滤算法

近年来很多基于协同过滤的推荐系统得到了成功应用,但随着系统中用户和项目数量的不断增加,相似度计算量剧增,使得协同过滤推荐系统的扩展性问题变得日益突出。本文提出改进的基于近似最近邻的LSH/MinHash算法,并运用到图书馆资源聚类中,以解决在合理时间复杂度下的高维大数据量聚类问题,降低相似度计算量,提高算法的可扩展性。实验表明此算法有较高的效率与精度。     

基于LDA的隐式标签协同过滤推荐算法

固定标签协同过滤推荐算法,未充分考虑标签因子的多样化,主要依靠人工标记,扩展性不强,主观因素多。本文从用户的喜好特征因素角度出发,在固定标签协同过滤推荐算法的基础上,提出一种隐式标签协同过滤推荐算法。该算法利用LDA主题模型生成项目文本的隐式标签,得到项目-标签特征权重,根据算法性能优化的要求选择标签数量,将项目-标签矩阵与用户评分矩阵结合得到用户对标签的偏好矩阵,最后通过协同过滤算法产生推荐。实验结果表明,本文提出的基于LDA的隐式标签协同过滤推荐算法缓解了数据稀疏性问题,项目推荐的召回率、准确度和F1值有较大提升。     

基于SVD与模糊聚类的协同过滤推荐算法

协同过滤为个性化推荐解决信息过载问题提供了方案,然而也存在着数据的稀疏性、可扩展性等影响推荐质量的关键问题.我们提出了一种基于奇异值分解（SVD）与模糊聚类的协同过滤推荐算法,通过引用物理学上狭义相对论中能量守恒的方法以保留总体特征值的数目,较为准确地确定降维维度,实现对原始数据的降维及其数据填充.另外,再运用模糊聚类的方法将相似用户进行聚类,从而达到减少邻居用户搜索范围的目的.在MovieLens与2013年百度电影推荐系统比赛等不同数据集上的实验结果表明,该算法能够提高推荐质量.     

基于用户和项目组合的协同过滤推荐算法

协同过滤算法是电子商务系统中一种重要的个性化推荐技术之一。但是随着电子商务规模的扩大,评分矩阵的稀疏性问题严重的影响了协同过滤算法的推荐效果。该文通过分析并研究了传统的协同过滤算法的不足,提出了一种新的基于用户和项目组合的协同过滤算法,在对稀疏矩阵进行填充时,不仅考虑到了项目之间的相关性,还考虑到了用户之间的相关性,然后在此基础上,构造虚拟的评分矩阵,最后再进行综合推荐。实验结果表明,在评分矩阵极其稀疏的情况下,该算法能有效的提高预测精度。     

一种基于多元社交信任的协同过滤推荐算法

协同过滤推荐是当前最成功的个性化推荐技术之一,但是传统的协同过滤推荐算法普遍存在推荐性能低和抗攻击能力弱的问题.针对以上问题,提出了一种基于多元化社交信任的协同过滤推荐算法CF-CRIS (collaborative filtering based on credibility, reliability, intimacy and self-orientation).1)借鉴社会心理学中的信任产生原理,提出基于多个信任要素(可信度、可靠度、亲密度、自我意识导向)的信任度计算方法;2)深入研究社交网络环境中各信任要素的识别、提取和量化方法;3)基于用户间的综合信任度选取可信邻居,完成对目标用户的个性化推荐.基于通用测试数据集的实验研究结果表明:该算法不但可以极大地提高推荐系统的精确度和召回率,而且表现出良好的抗攻击能力.     

基于核方法的User-Based协同过滤推荐算法

作为在实际系统中运用最为广泛和成功的推荐技术,协同过滤算法得到了研究者们的广泛关注.传统的协同过滤算法面临着数据稀疏和冷启动等问题的挑战,在计算用户之间相似度时只能考虑有限的数据,因此难以对用户之间的相似度进行准确的估计.提出了一种基于核密度估计的用户兴趣估计模型,并基于此模型,提出了一种基于核方法的user-based协同过滤推荐算法.通过挖掘用户在有限的评分数据上表现出来的潜在兴趣,该算法能更好地描述用户兴趣在项目空间上的分布,进而可以更好地估计用户之间的兴趣相似度.实验表明,该算法可以有效地提高推荐系统的性能,尤其在数据稀疏的情况下能显著地提高推荐结果的质量.     

基于多核学习的协同滤波算法

协同滤波是当前推荐系统中一种主流的个性化推荐算法,通过近似用户对商品的评价进行推荐。核函数是解决非线性模式问题的一种方法。协同滤波通常会选用不同的核函数来分析用户之间的影响关系。由于单核函数无法适应于复杂多变场景。因此,结合多个核函数成为一种解决方法。多核学习能够针对场景来组合各个核函数以获取更好的结果。本文提出了一种基于多核学习的协同滤波算法。该算法在现有核函数的基础上,优化各个核函数的权重以匹配数据的分布。在大众点评数据集和Foursquare数据集上的实验结果表明：基于多核学习的协同滤波算法比经验给定的相似函数的性能要高,具有更好的普适性。