基于社交用户标签的混合top-N推荐方法

针对协同过滤方法的冷启动问题,提出一种将社交用户标签与协同过滤相结合的混合top-N推荐方法。通过社交用户关系获得可信用户集,然后根据个性化标签采用结构上下文相似性算法(SimRank)计算社交用户相似近邻集并进行预测推荐,最后结合传统协同过滤方法进行推荐。实验结果表明,该方法能够提高在一般数据集及冷启动用户数据集下的推荐精度。     

基于标签和协同过滤的个性化资源推荐

传统的协同过滤算法以用户评分体现用户兴趣偏好及资源相似度,忽视了用户、资源自身的特征,并且对稀疏数据和新资源的推荐质量明显下降。在Web2.0时代下,标签可被用户依个人偏好进行自由资源标注。因此,提出了基于标签和协同过滤的推荐算法。其基本思想是将标签作为体现用户兴趣偏好和资源特征的信息,依据用户、标签及资源的多维关系生成用户及资源的标签特征向量,并计算用户对资源的偏好程度和资源相似度,然后基于用户的历史行为预测用户对其他资源的偏好值,最后依据预测偏好值排序产生Top-N推荐结果。通过与传统的协同过滤算法的比较,验证了本算法能有效缓解数据的稀疏性,解决推荐的冷启动问题,提升推荐的准确性,获得更好的推荐效果。     

基于用户相似度和信任度的药品推荐算法

为了解决协同过滤算法推荐精度低的问题,提出基于用户相似度和信任度的药品推荐算法。该方法通过离线使用DBSCAN算法对药品进行聚类来降低时间复杂度。引入共同评分药品阈值使用户相似度计算更准确,同时设置相似度阈值来限定相似性邻居的选取以克服KNN算法选取邻居的缺陷。根据用户的推荐可信度和评分可信度建立信任计算模型,计算基于相似邻居集的可信邻居集。通过两次邻居选择策略为目标用户产生药品推荐。仿真结果表明,该算法与其他算法相比在平均绝对误差、准确率和召回率上有更好的性能,提高了系统推荐精度。     

基于相似用户好奇心的多样性推荐方法

推荐技术已经成为信息过载时代提供个性化服务的关键技术。由于推荐结果的多样性可以提升推荐效果,多样性推荐方法开始备受关注。针对现有基于朋友好奇心的多样性推荐方法中,诸如朋友、信任关系等难以获取及比较稀疏的问题,提出了基于相似用户好奇心的多样性推荐方法（SUC）。分析用户的真实评分,计算相似用户集;采用协同过滤方法,计算用户的预测评分;分析用户的真实评分和预测评分,计算用户的好奇心评分;融合预测评分和好奇心评分,计算用户的项目推荐列表。SUC方法不需要额外的用户关系信息,更具普适性。在五个真实数据集上的实验表明,与基准方法相比,SUC方法不仅提高了推荐多样性,同时也提升了推荐准确率、召回率和覆盖率。     

融合“用户-项目-用户兴趣标签图”的协同好友推荐算法

随着社交网络的用户数量呈爆炸式增长,如何为用户推荐具有相同兴趣爱好的好友已成为当前研究的焦点。为此,提出了一种基于"用户-项目-用户兴趣标签图"的协同好友推荐算法。该算法首先利用基于"用户-项目-标签"的三部图物质扩散推荐算法来计算用户之间的相似度,并引入"用户-用户兴趣标签图"二元关系,通过用户的兴趣标签图来发掘用户的兴趣主题;然后根据用户主题分布,利用KL距离来计算用户之间的相似度;最后将两组结果采用调和平均数方式融合得到用户间的综合相似度,并进行好友的推荐。通过在Delicious和Last.fm数据集上的实验证明,该算法能有效提高Top-N推荐的准确率和召回率,同时通过在学术社交网站——学者网数据集上进行的学者推荐实验表明,该算法能有效提高核心用户的推荐度。     

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。     

基于协同过滤和用户画像的流媒体推荐系统研究

随着电影、电视剧、综艺节目等产业的飞速发展,近年来新兴的OTT服务(Over-the-top media services)平台给用户提供高清的流媒体播放服务,例如:爱奇艺、腾讯视频、Netflix、Hulu等.事实上,随着新用户数增多、新增流媒体数量不断庞大,用户评分逐渐矩阵成为高维矩阵,而用户评分数又不到总数的1％,传统的流媒体推荐系统因为评分稀疏性逐渐显得乏力.文章介绍了一种基于协同过滤,同时结合用户画像的方法来优化推荐系统.对于新用户,系统利用用户画像进行建模,计算用户间的相似度;对于新的流媒体视频,系统利用平台内已有的应用分类标签来初始化未知评分,然后使用协同推荐算法来反馈用户的偏好.实验结果表明该系统卓有成效,同时也提升了平台的满意度.     

基于改进型启发式相似度模型的协同过滤推荐方法

为提高协同过滤推荐方法的准确性和有效性,提出一种基于改进型启发式相似度模型的协同过滤推荐方法PSJ。该方法考虑了用户评分差值、用户全局评分偏好和用户共同评分物品数三个因素。PSJ方法的Proximity因子使用指数函数反映用户评分差值对用户相似度的影响,这样也可避免零除问题;将NHSM方法中的Significance因子和URP因子合并成PSJ方法的Significance因子,这使得PSJ方法的计算复杂度低于NHSM方法;而且为了提高在数据稀疏情况下的推荐效果,PSJ方法同时考虑了用户间的评分差值和用户全局评分两个因素。实验采用Top-k推荐中的查准率和查全率作为衡量标准。实验结果表明,当推荐物品数大于20时,与NHSM、杰卡尔德算法、自适应余弦相似度（ACOS）算法、杰卡尔德均方差（JMSD）算法和皮尔逊相关系数算法（SPCC）相比,PSJ方法的查准率与查全率均有提升。     

基于协同过滤推荐的社交网络行为推断方法

因当前方法在划分用户行为时参考指标单一,导致推断结果误差较大.为解决上述问题,基于协同过滤推荐,对社交网络行为推断方法展开研究.根据不同形式的社交网络推荐模式,架构用户之间的信任关系,随后将信任值替换为相似度,采用协同过滤算法获取推荐列表,基于社交网络信息的组成部分,利用线性融合方法将其结合,创建用户相似度模型,推导出...     

基于商品流行度和用户活跃度的推荐算法研究

用户活跃度和商品流行度对个性化推荐系统性能影响越来越大。而以前的推荐算法很少考虑这两个因素的作用。该文根据商品流行度对计算用户相似度的影响,提出了一种改进的计算用户相似度的方法。同时,又根据用户活跃度对目标用户预测评分的影响,提出了一种改进目标用户计算预测评分的方法。经实验验证,改进后的推荐算法在准确率、召回率和覆盖率等性能指标都优于传统的推荐算法。因此,改进后的算法在提高推荐系统的性能上具有较好的理论研究和应用价值。     

融合社交网络与关键用户的并行协同过滤推荐算法

为解决传统协同过滤推荐算法中存在的数据稀疏、冷启动以及推荐结果缺乏多样性等问题,提出一种融合社交网络与关键用户的协同过滤推荐算法。该算法在用户—项目评分矩阵基础上,融合用户社交网络信息得出社交信任矩阵,融合关键用户信息得出关键用户评分矩阵。利用三大评分矩阵,分配不同的权重比例,共同来预测用户对于目标项目评分。针对海量数据问题,采用Spark分布式集群实现该算法的计算并行化。实验结果表明,该算法能够有效缓解数据稀疏问题,提高处理速度和推荐准确度。     

基于内容与社会过滤的好友推荐算法研究

基于内容算法与社会过滤算法都是迄今为止在社交网络中较为成功的好友推荐算法。结合两者的优点,根据用户已有的好友来给用户推荐新的好友,并与用户的兴趣爱好、地理位置等个人信息相结合的方式来处理好友推荐问题。通过实验验证以及准确率和召回率的评测显示,改进的算法比传统的好友推荐算法在推荐性能上有较为明显的提高。     

协同过滤算法中的相似性度量方法研究

衡量用户的相似性是协同过滤算法的核心内容,用户间相似性的准确率对个性化推荐的结果会有显著影响。通过对用户-项目评分记录的分析,在比较pearson和jaccard相似性的基础上对相似性度量方法进行改进,并将该改进方法应用于MovieLens站点提供的数据集进行实证分析。实证研究表明,改进后的算法可以提高个性化推荐的准确性,并在一定程度上克服数据稀疏性对推荐质量的影响。     

基于用户-内容主题模型的兴趣点联合推荐算法

目前基于协同过滤的兴趣点推荐算法能够获得较好的推荐效果,但是当用户外出远离其常驻地时,推荐效果急剧下降,主要原因是用户的签到记录主要集中在其常驻地周围,而对其他兴趣点的签到行为较少,此时不能准确计算用户兴趣。因此提出了一种基于主题模型的兴趣点推荐算法,在推荐过程中同时考虑了用户的偏好分布和兴趣点的主题分布,使得当用户在新的兴趣点时,也能获得较好的推荐。实验证明,该方法不仅能够缓解推荐数据的稀疏性问题,而且与其他方法相比有更高的推荐准确率。     

基于主题的Web文本聚类方法

在推荐系统中,为了在一定程度上减少用户评分数据稀疏对推荐效果的负面影响,提出了一种基于用户共同评分项目数和用户兴趣的协同过滤推荐算法。此算法将用户共同评分项目数和用户兴趣相似度相结合,使用户之间的相似度计算更加准确,为目标用户提供更好的推荐结果。仿真实验结果表明:所提算法比基于Pearson相似度计算方法的算法推荐效果更优,具有更小的平均绝对误差(MAE),表明了其有效性和可行性。     

改进填补法和多权重相似度相结合的推荐算法

针对传统推荐算法中存在的数据稀疏性问题,国内外许多研究人员都提出了相应的推荐算法。然而,在个性化推荐方面,其中大多数并没有取得很好的推荐效果。因此,提出改进填补法和多权重相似度相结合的推荐算法,该算法首先采用改进填补法填充缺失值并对数据降维,接着分别计算社交网络用户信任度和改进的二部图用户关联度,最后采用多权重因子将这两者相似度进行结合。基于此,该算法根据相似度高低获取邻居用户并对目标用户进行商品推荐。实验结果表明,在数据稀疏性以及个性化推荐情况下,该算法的平均绝对误差（MAE）优于其他推荐方法。     

基于用户网络嵌入的民宿房源推荐方法

随着民宿行业的迅速发展,在线民宿订房系统开始流行起来。让用户在海量房源信息中快速找到所需房源是订房系统中待解决的问题。针对房源推荐中用户冷启动与数据稀疏性的问题,提出基于网络嵌入法的房源个性化推荐（UNER）方法。首先通过用户在系统中的历史行为数据及标签信息构建两类用户网络;然后基于网络嵌入法将网络映射至低维向量空间中,得到用户节点的向量表示并通过用户向量计算用户相似度矩阵;最后依据该矩阵为用户进行房源推荐。实验数据来源于贵州"水东乡舍"民宿订房系统。实验结果表明,相对于基于用户的协同过滤算法,所提方法的综合评价指标（F1）提升了20个百分点,平均正确率（MAP）提升11个百分点,体现出该方法的优越性。     

一种基于用户反馈的时间感知推荐方法

将社交网络的动态性和用户反馈信息融入到推荐方法中,提出一种基于用户反馈的时间感知推荐方法。该方法利用时间衰减因子对带有时间加权的动态社交网络进行兴趣衰减分析,使时间间隔较近用户的选择行为对资源对象的推荐作用获得较高的贡献度,体现用户兴趣的时间效应特性。扩展相似度计算方法,将用户反馈表示为正反馈信息和负反馈信息,考虑用户反馈信息对推荐方法的影响。通过在社交网络真实推荐数据集上的对比实验,结果表明该方法优于基于协同过滤的推荐方法。     

协同过滤技术的改进研究

协同过滤算法应用于个性化推荐系统中取得了巨大成功,它是通过用户项目评分数据,以用户之间或者项目之间相互协作的方式来产生推荐。然而,邻居用户的相似度计算不精确一直是阻碍推荐系统推荐精度进一步提高的主要因素。从提高用户间相似度计算精度出发,提出了一种改进算法,该算法通过考虑不同特征、加强平均值影响、惩罚热门项目的比重,对用户的相似度计算方法进行改进,以期生成更加合理的邻居用户集,最后,根据评分预测公式进行预测,最终产生推荐。在MovieLens数据集上的实验表明,改进算法计算用户间的相似度更加精确,推荐算法的预测精确度有了显著提高。