基于位置的非对称相似性度量的协同过滤推荐算法

为提升推荐系统的准确率,针对传统协同过滤(CF)推荐算法没有有效使用位置信息的问题,提出了一种基于位置的非对称相似性度量的协同过滤推荐算法(LBASCF)。首先,分别利用用户-商品评分矩阵和用户历史消费位置,计算出用户间的余弦相似性和基于位置的非对称相似性;其次,将余弦相似性与基于位置的相似性融合,得到一个新的非对称用户相似性,融合后的相似性能够同时反映用户在位置上和兴趣上的偏好;最后,根据用户的最近邻居对商品的评分向用户推荐新的商品。用某点评数据集和Foursquare数据集对算法的有效性进行了评估。在某点评数据集实验结果证明,与CF相比,LBASCF的召回率和精确率分别提高了1.64%和0.37%;与位置感知协同过滤推荐系统(LARS)方法比较,LBASCF的召回率和精确率分别提高了1.53%和0.35%。实验结果表明,LBASCF相对于CF和LARS在基于位置服务的应用中能够有效提高系统的推荐质量。     

协同过滤推荐系统分析

本文主要从基本思想、算法步骤等方面对基于用户的协同过滤推荐算法和基于项目的协同过滤推荐算法进行了详细介绍,并对其存在的问题进行了总结。     

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.     

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。     

基于新闻时效性的协同过滤推荐算法

提出一种基于新闻时效性的协同过滤推荐算法. 首先对新闻的时效性进行了特征分析, 建立了新闻时效性模型, 然后结合新闻时效性改进了基于用户的协同过滤算法. 最后进行了仿真实验, 实验结果表明, 该方法可以有效提高推荐算法的性能, 改善新闻推荐准确度和召回率.     

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.     

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。     

基于协同过滤的高考志愿推荐系统

近年来信息过载问题的出现使得个性化推荐技术应运而生,其中协同过滤推荐技术通过在用户和信息之间建立联系,被广泛应用于电子商务各个领域。而在高考志愿填报领域考生也存在无法高效的从诸多高校中选取适合自己的高校这一“信息过载”问题。为此,可以将协同过滤思想应用到高考志愿填报这一新领域,将考生看作是推荐系统中的用户,高校看作是系统中的项目,通过分析历年的考生志愿填报相关数据,从构建用户属性矩阵,查找邻居用户和产生推荐三个过程进行详细描述,并对实验产生的推荐结果进行分析,说明了推荐系统的有效性,也为进一步的研究工作奠定基础。     

基于协同过滤的在线拍卖商品推荐

随着电子商务的发展，基于C2C环境的在线拍卖也迅速发展起来，用户数和拍卖商品数的急剧增加，使得信息过载和如何提高客户忠诚度这一问题凸现出来。而推荐系统则成了解决这一问题的手段之一。但是C2C和B2C环境存在很大的不同，对推荐系统的应用提出了一定的挑战。该文对用户在拍卖网站的行为进行了分析，在此基础上建立了用户的偏好模型，利用协同过滤技术进行拍卖商品的推荐。     

基于重叠度和双重属性的协同过滤推荐算法

协同过滤是现行推荐系统中应用最广泛也是最成功的推荐技术之一,然而传统的协同过滤推荐算法存在着邻居选取片面性和推荐精度低的问题。针对上述问题,提出了一种基于重叠度和双重属性的协同过滤推荐算法。首先基于相似度和重叠度的共同计算结果选取推荐对象集;然后提出了双重属性的概念,分别计算推荐用户的信任度和目标项目的受欢迎度;最后兼顾两个群体,根据用户和项目两方面的评分信息完成对目标用户的推荐。实验结果证明该算法较传统的协同过滤推荐算法在邻居选取和推荐质量方面均有显著的提高。     

一种融合聚类与用户兴趣偏好的协同过滤推荐算法

协同过滤推荐算法可以根据已知用户的偏好预测其可能感兴趣的项目,是现今最为成功、应用最广泛的推荐技术。然而,传统的协同过滤推荐算法受限于数据稀疏性问题,推荐结果较差。目前的协同过滤推荐算法大多只针对用户-项目评分矩阵进行数据分析,忽视了项目属性特征及用户对项目属性特征的偏好。针对上述问题,提出了一种融合聚类和用户兴趣偏好的协同过滤推荐算法。首先根据用户评分矩阵与项目类型信息,构建用户针对项目类型的用户兴趣偏好矩阵;然后利用K-Means算法对项目集进行聚类,并基于用户兴趣偏好矩阵查找待估值项所对应的近邻用户;在此基础上,通过结合项目相似度的加权Slope One算法在每一个项目类簇中对稀疏矩阵进行填充,以缓解数据稀疏性问题;进而基于用户兴趣偏好矩阵对用户进行聚类;最后,面向填充后的评分矩阵,在每一个用户类簇中使用基于用户的协同过滤算法对项目评分进行预测。实验结果表明,所提算法能够有效缓解原始评分矩阵的稀疏性问题,提升算法的推荐质量。     

基于信任网络随机游走模型的协同过滤推荐

协同过滤是目前应用最广泛和最成功的推荐技术之一。然而,目前该技术的发展面临着严重的冷启动和稀疏性问题,降低了其推荐质量,因此提出了一种基于信任网络随机游走模型的协同过滤推荐方法。该方法融合了基于信任和项目的协同过滤推荐方法,并引入了信任因子作为引导推荐的重要因素。随机游走模型不仅考虑了信任用户对目标项目的评分,也考虑了他们对与目标项目相似的项目的评分。随着随机游走深度的增加,以相似项目的评分信息来代替目标项目的评分信息的概率也逐渐增大。在Epinions真实数据集上的验证结果表明,该方法在推荐评价指标上比其他算法具有更好的推荐结果。     

基于人口统计学的改进聚类模型协同过滤算法

针对传统基于用户的协同过滤推荐算法在大数据环境下存在评分高维稀疏性、推荐精度低的问题,提出一种基于人口统计学数据与改进聚类模型相结合的协同过滤推荐算法,以提高推荐系统精度和泛化能力。该方法首先通过用户人口统计学数据属性,结合用户-项目评分矩阵计算各个用户间的相似度;然后对用户、项目进行分层近邻传播聚类,根据用户对项目的评分数据计算用户或项目之间的相似性,产生目标用户或项目的兴趣近邻;最后根据兴趣最近邻进行推荐。对Epinions,MovieLents等数据集进行仿真实验,仿真的结果表明, 与传统的协同过滤算法相比, 提出的算法提高了推荐精度,为传统的协同过滤推荐算法提供了参考。     

基于模糊聚类的协同过滤推荐方法

推荐系统是利用用户的历史偏好信息实现个性化服务的系统,它已经成为电子商务和信息获取领域中的重要应用。文中提出了一种通过模糊聚类的方法将项目属性特征的相似性与基于项目的协同过滤推荐技术相结合的推荐方法,首先应用模糊聚类技术对项目聚类,得到项目在属性特征上的相似关系群,然后与用户一项目评分矩阵中的协同相似关系群组合得到综合相似关系群,最后,利用综合相似关系群为目标用户推荐项目。实验结果表明,该方法不仅可有效改善基于项目的协同过滤推荐算法面临的“冷启动”问题,而且确实提高了推荐系统的推荐精度。     

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。     

基于用户共现矩阵乘子的分布式协同过滤推荐

随着大数据时代的到来,应用数据量剧增,个性化推荐技术日趋重要。传统的推荐技术直接应用于大数据环境时会面临推荐精度低、推荐时延长以及网络开销大等问题,导致推荐性能急剧下降。针对上述问题,提出用户共现矩阵乘子推荐策略,将用户相似度矩阵与项目评分矩阵相乘得到用户对项目的预测评分矩阵,从而生成对每个用户的候选推荐项目集;在此基础上,根据分布式处理架构的特点对传统协同过滤算法进行并行化扩展,设计了基于用户的分布式协同过滤算法;最后通过重定义序列组合的MapReduce模式将多个子任务串联起来,自动地完成顺序化的执行。实验结果表明,该算法在分布式计算环境下具有良好的推荐精度和推荐效率。     

基于标签信息特征相似性的协同过滤个性化推荐

标签推荐系统旨在利用标签数据为用户提供个性化推荐。已有的基于标签的推荐方法往往忽视了用户和资源本身的特征,而且在相似性度量时仅针对项目相似性或用户相似性进行计算,并未充分考虑二者之间的有效融合,推荐结果的准确性较低。为了解决上述问题,将标签信息融入到结合用户相似性和项目相似性的协同过滤中,提出融合标签特征与相似性的协同过滤个性化推荐方法。该方法在充分考虑用户、项目以及标签信息的基础上,利用二维矩阵来定义用户-标签以及标签-项目之间的行为。构建用户和项目的标签特征表示,通过基于标签特征的相似性度量方法计算用户相似性和项目相似性。基于用户标签行为和用户与项目的相似性线性组合来预测用户对项目的偏好值,并根据预测偏好值排序,生成最终的推荐列表。在Last.fm数据集上的实验结果表明,该方法能够提高推荐的准确度,满足用户的个性化需求。