基于评论与评分的协同过滤算法

针对传统协同过滤算法中存在的数据稀疏性问题,结合用户评分及用户评论信息的特点,提出了基于评论与评分的User-based协同过滤算法和基于评论与评分的Item-based协同过滤算法。该算法利用主题模型产生评论主题分布,利用评分数据生成评论态度影响因子,并通过评论态度影响因子来放大评论主题分布中的突出特征,建立更为准确的用户偏好与物品特征,进而进行评分预测与物品推荐。实验结果表明,该算法在稀疏数据集上可以获得较好的推荐效果,提高了推荐质量。     

基于用户兴趣变化和评论的协同过滤算法研究

传统协同过滤算法中,随着用户和商品数量的日益增多,用户-项目评分矩阵越来越稀疏。针对这一问题,提出了一种基于用户兴趣变化和评论的协同过滤算法。该算法将用户评论和遗忘曲线引入传统协同过滤算法中,将评论文本作为商品特征描述文本,使用主题模型计算商品主题特征,引入艾宾浩斯遗忘曲线来协同计算用户的评论分布及评论相似度。将用户评论相似度和用户评分相似度相结合,以得到最终的用户相似度,进而对商品评分进行预测。对网络爬取的真实数据进行验证,结果显示该算法能够在稀疏数据集上获得较好的推荐结果。     

基于改进用户属性评分的协同过滤算法

为解决在基于用户的推荐算法中,用户相似度计算精度较低、缺乏个性化等问题,提出一种基于改进用户属性评分的协同过滤算法(IUAS-CF)。针对个性用户、偏执用户等在评分矩阵上存在的评价值范围差异,基于现有的相似度计算公式设计一种适应于计算个性化用户相似度的距离度量公式;针对用户自身存在影响用户抉择的用户属性,设法将用户属性评分量化,将其引入相似度计算公式中。实验结果表明,IUAS-CF算法能更真实地反映用户评分偏好,提高了推荐系统的推荐精度,更好地满足了用户对系统的个性化需求。     

基于评论挖掘和用户偏好学习的评分预测协同过滤*

提出了一种新的方法挖掘评论中的文字信息,将评论对象被用户关注的层面发掘出来并评分,根据这些层面的分数以及用户过往的评分数据学习出用户的偏好,最后根据用户的偏好预测其他待评分对象的分数并产生推荐。实验结果表明,提出的方法在预测准确度方面较传统方法有一定程度的提高。     

融合时间因素和用户评分特性的协同过滤算法

针对传统协同过滤技术在现实应用中遇到的数据稀疏性问题和局限性,充分挖掘用户评分特性,提出融合时间因素和用户评分特性的协同过滤算法(CF-TP)。引入用户偏好模型,将用户-项目评分矩阵转化为用户-项目偏好得分矩阵,以降低用户评分习惯差异带来的影响。在预测用户对项目的偏好得分时,充分考虑用户之间的非对称影响度,根据用户兴趣随时间的变化引入时间权重函数,以提高top-N推荐的准确率。基于HetRec2011和MovieLens1M数据集的实验结果表明,相对于目前比较流行的算法,所提算法在推荐结果的准确率、召回率、F1值上均有较大的提升,有效提高了推荐系统的推荐质量。     

基于改进加权二部图和用户信任度的协同过滤推荐算法

基于复杂网络物质扩散原理的二部图理论在协同过滤推荐领域的应用受到越来越多学者的关注,现有算法计算邻居用户时主要考察用户对项目的正向评价,未充分考虑用户的负向评价.为进一步提高推荐算法的准确度,提出了改进算法,将用户正向评价和负向评价量化成二部图上的路径权重,控制用户能量的分配,并在邻居用户预测评分阶段考虑用户的信任度,推荐结果更加准确.采用MovieLens和Eachmovie数据集对改进算法以及现有算法进行对比实验分析,证明改进算法具有更低的平均绝对偏差.     

基于用户潜在偏好的协同过滤

提出了一种新的协同过滤模型,解决了不同用户在项目上,有相似的偏好、不同的评分习惯的问题。该模型可有效地改进传统协同过滤模型相似性度量方法,提高了用户相似性度量准确性。实验结果表明,该模型在个性化推荐系统应用中取得了较好的效果。     

融合用户特征优化聚类的协同过滤算法

针对推荐系统领域中应用最广泛的协同过滤推荐算法仍伴随着数据稀疏性、冷启动和扩展性问题,基于用户冷启动和扩展性问题,提出了基于改进聚类的PCEDS(pearson correlation coefficient and euclidean distance similarity)协同过滤推荐算法。首先针对用户属性特征,采用优化的K-means聚类算法对其聚类,然后结合基于信任度的用户属性特征相似度模型和用户偏好相似度模型,形成一种新颖的PCEDS相似度模型,对聚类结果建立预测模型。实验结果表明:提出的PCEDS算法比传统的协同过滤推荐算法在均方根误差(RMSE)上降低5%左右,并且推荐准确率(precision)和召回率(recall)均有明显提高,缓解了冷启动问题,同时聚类技术可以节省系统内存计算空间,从而提高了推荐效率。     

基于用户偏好和项目属性的协同过滤推荐算法

协同过滤推荐算法是目前应用最为广泛的个性化推荐方法之一,但传统的推荐算法在计算目标用户邻居集时只考虑用户项目评分矩阵中的具体数值,没有考虑用户偏好以及用户评分与项目属性之间的关系,推荐精度也有待进一步提高。针对这一问题,提出了一种基于用户偏好和项目属性的协同过滤推荐算法(UPPPCF)。本算法在传统的用户项目评分矩阵基础上综合考虑用户偏好以及项目属性,把评分矩阵转变成基于用户偏好的用户项目属性评分矩阵,然后根据这一评分矩阵来计算目标用户的最近邻居集,克服了传统相似性计算方法只依靠用户评分值的不足,同时本文对预测值判定给出了一种有效的度量方法。在 MovieLen 数据集上的实验结果表明,本文提出的UPPPCF算法能够有效弥补传统协同过滤算法中的不足,而且在推荐精度上有了明显的提高。     

结合用户信任模型的协同过滤推荐方法研究

协同过滤推荐是当前最成功的推荐技术之一,在电子商务推荐服务中得到了广泛的应用,它根据和目标用户具有相似行为的用户对项目的评价来进行推荐。鉴于传统的协同过滤推荐算法过于强调相似性的作用,并且和用户的认知习惯矛盾,引入了社会学中较成熟的信任机制来改进传统算法。实验结果表明,改进方法是有效的,它和传统的协同过滤推荐算法相比有更好的推荐质量。     

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。     

基于用户特征属性和云模型的协同过滤推荐算法

随着数据的极端稀疏性,仅仅依赖于传统的协同过滤相似性的度量方法已无法取得精确的推荐结果。针对这一问题,提出基于用户特征属性和云模型的协同过滤算法。首先,算法利用云模型计算用户评分云相似性,结合用户打分偏好对原矩阵进行填充,在此基础上得到用户的评分云相似性;其次,再结合用户特征属性相似性通过加权因子计算用户的最终相似性,得到一种新的相似性度量方法;最后,得到算法的评分预测。实验结果表明,该方法能够提高推荐质量。     

基于专家信任的协同过滤推荐算法改进研究

针对目前协同过滤推荐算法存在的冷启动、数据稀疏、可扩展性不高以及未考虑到不同社区簇之间可能存在相关性导致的推荐准确度低的问题,提出了一种在考虑同社区簇内专家信任基础上结合不同社区簇专家信任的推荐算法。在改进相似度计算时,改进算法不仅结合了Jaccard相关系数、用户的平均评分因子以及加权处理的Pearson相关系数,还结合了用来惩罚热门物品权重的流行度。在改进评分预测时,改进算法在引入了传统聚类推荐算法中的同社区簇专家信任后,还引入了不同社区簇专家信任。实验在MovieLens数据集上进行,实验结果表明,改进算法不仅缓解了冷启动和数据稀疏等问题,还显著提高了推荐准确度。     

融合用户动态标签和信任关系的协同过滤算法

针对协同过滤推荐算法中的冷启动以及数据稀疏问题,提出一种融合用户动态标签和用户信任关系的矩阵概率分解模型。该模型首先通过构建用户集、标签集和物品集三者间的动态联系,建立用户动态偏好矩阵;接着构建基于用户社会网络信息的用户信任关系矩阵,该信任关系矩阵使用用户信任反馈机制以实时更新用户间的信任值;最后提出融合用户动态标签和用户信任关系的矩阵概率分解模型,并在MovieLens与Jester_Joke_data数据集上进行仿真实验。实验结果表明,该算法在绝对误差均值、准确率与召回率方面获得了较好的效果,在一定程度上能有效提高了协同过滤推荐算法的性能。     

基于用户谱聚类的Top-N协同过滤推荐算法

传统的协同过滤推荐算法为目标用户推荐时,考虑了所有用户的历史反馈信息对物品相似度的影响,同时相似度的度量仅依靠用户评分信息矩阵,导致了推荐效果不佳。为解决上述问题,提出了基于用户谱聚类的Top-N协同过滤推荐算法（SC-CF）,即应用谱聚类将兴趣相似的用户分成一类,具有相似兴趣爱好的用户比其他用户具有更高的推荐参考价值,然后在类中为目标用户推荐。SC-CF+算法在SC-CF算法的基础上,在相似度度量方法中分别引入了物品时间差因素、用户共同评分权重、流行物品权重。实验结果表明,提出的两种算法提高了推荐结果的召回率。     

基于用户特征的分步协同推荐算法*

协同过滤是解决信息过载问题的一种有效技术。然而基于内存的推荐面临着可扩展性问题,基于模型的推荐需要训练大量的参数。本文提出了基于用户特征的K-means用户聚类算法,然后用分步协同过滤框架融合基于项目和基于用户的协同过滤给每一个聚簇训练一个模型。实验结果表明本文提出的算法能极大的提高推荐精度,同时在一定程度上解决了基于模型和基于内存的推荐存在的不足。     

基于信任和矩阵分解的协同过滤推荐算法

针对传统协同过滤算法普遍存在的稀疏性和冷启动问题,提出一种基于信任和矩阵分解的协同过滤推荐算法。提出一种基于用户评分值的隐式信任计算方法,该方法综合考虑用户的相似性和交互经验,运用信任传播方法使不存在直接信任的用户获得间接信任;通过动态因子将显式信任和隐式信任融入到SVD++算法当中。FilmTrust数据集下的实验表明,与其他矩阵分解推荐算法相比,该方法具有更好的预测效果,在冷启动用户的评分预测上也有很好的表现。     

考虑非对称用户偏好的推荐算法

为解决常见的相似性方法存在未考虑用户间共同评分项在目标用户所评项目中的比例以及用户评分偏好的问题。提出了非对称因子和偏好因子,用于提高用户相似性计算的准确性。在公开的MovieLens和Yahoo Music数据集上的实验表明,引入这两个因子后,相似性模型的预测误差下降显著,优于其他相似性方法。非对称因子和偏好因子的引入更合理地体现出用户间的评分差异性,有效地处理了用户偏好问题,提高了推荐质量。     

基于用户兴趣和社交信任的聚类推荐算法

个性化推荐系统中使用最广泛的算法是协同过滤算法,针对该算法存在的数据稀疏和扩展性差问题,提出了一种基于用户兴趣和社交信任的聚类推荐算法。该算法首先基于聚类技术根据用户评分信息将具有相同兴趣的用户聚为一类,并建立基于用户兴趣相近的邻居集合。为了提高兴趣相似度计算的准确性,采用了修正余弦计算公式来消除评分标准的差异问题。然后,引入信任机制,通过定义直接信任、间接信任、传递路径和计算方法来度量社交网络用户之间隐含的信任值,将社交网络转换为信任网络,依据信任程度来创建基于社交信任的邻居集合。通过加权的方式将基于两种邻居集合的预测值融合起来为用户产生项目的推荐。在Douban数据集上进行仿真实验,确定了最优的协调因子值和分类数值,并与基于用户的协同过滤算法和基于信任的推荐算法进行对比,实验结果表明,所提算法的平均绝对误差(MAE)减少了6.7%,准确率(precision)、覆盖(recall)和F1值分别增加了25%、40%和37%,有效提高了推荐系统的推荐质量。