一种结合用户相似度的社会化推荐算法

在对现有的概率矩阵分解算法研究的基础上,针对其中只使用评分信息来做预测存在较大误差的问题,提出了一种结合用户相似度的社会化推荐算法(SRUS).首先,以概率矩阵分解算法(PMF)为基础,结合用户相似度信息进行建模;其次,使用潜在特征空间将评分矩阵和相似度矩阵关联到一个统一的框架中;最后,对这2个矩阵进行矩阵分解,实现算法的优化推荐.将这一算法与PMF算法进行比较,实验表明,SRUS算法在数据稀疏性、冷启动和精确性方面具有更优的效果.     

基于用户多种关联信息和项目聚类的推荐算法

基于用户背景信息的推荐算法中仅通过降低矩阵稀疏性来预测用户评分,造成算法的推荐准确率偏低。为解决上述问题,提出一种基于用户多种关联信息和项目聚类的推荐算法。首先通过加入用户与项目间的关联信息改进相似度计算方法来更加准确计算获取相似用户,将最相似的前K个用户作为目标用户的最近邻;然后根据目标用户最近邻对项目的评分预测目标用户未评分项目的预评分,并把预评分填充到用户项目评分矩阵;最后通过协同过滤算法得到最终预评分,在此基础上结合项目聚类产生推荐项目列表。通过MovieLens数据集上的实验结果表明,该算法有效降低了矩阵稀疏性、减小评分误差和提高准确率。     

融入个体特征差异的鲁棒协同过滤推荐算法

针对现有推荐算法鲁棒性差的问题,提出一种融入个体特征差异的鲁棒协同过滤推荐算法.首先,根据用户评分信息的分布情况,给出用户评分个数偏离度和用户近邻平均相似度两个个体特征计算方法;然后基于真实用户和攻击用户个体特征的差异性,提出一种可疑用户标记算法;最后将可疑用户标记算法与矩阵分解技术相结合,对目标用户进行推荐.在Movie Lens数据集上通过实验比较了提出的算法和其他相关算法的性能,实验结果表明算法不仅能够提高推荐精度,而且具有较强的鲁棒性.     

基于模糊聚类和评论时效的在线点餐推荐算法

针对当前推荐算法存在数据稀疏性、冷启动和缺乏时效性的问题,为提高推荐质量,提出了一种基于模糊聚类和评论时效的推荐算法,并应用于在线点餐系统中。在协同过滤的基础上,充分利用模糊C均值聚类算法确定目标用户邻近用户集,再利用改良的项目相似性计算最近邻居集,并填充用户项目评分矩阵,最后引入用户评论相似度和评论时效预测最终评分。实验结果表明,该算法明显优于传统的推荐方法,能够获得较好的推荐精度。     

结合知识图谱进行信息强化的协同过滤算法

针对传统协同过滤算法存在使用信息单一、基础评分数据过于稀疏导致推荐效果不佳等问题,该文提出一种结合知识图谱进行信息强化的协同过滤(KGRI-CF)算法.该算法利用电影的特征数据构建1张关于电影的知识图谱,对用户-评分矩阵进行有条件的填充,有效改善了传统协同过滤算法的数据稀疏性问题.通过对评分数据进行统计与挖掘获取用户的偏好信息,构建了关于用户偏好的知识图谱.利用实体向量化算法将知识图谱中的实体以及关系向量化后计算出用户信息相似度,将其与基于用户的传统协同过滤算法得到的用户评分相似度以一定比例进行融合,从而得到最终的用户相似度,并以此为基础进行评分预测并得到推荐列表.实验结果表明:与传统协同过滤算法相比,该算法能有效地改善数据稀疏性问题,预测结果的精准率和召回率均有显著提升,同时具有较好的可解释性.     

一种有效缓解数据稀疏问题的协同过滤推荐算法

文章针对数据的稀疏会导致传统的协同过滤(collaborative filtering,CF)推荐算法不能准确地查找到最近邻居问题,提出了一种改进的基于用户Tanimoto相似性系数预填充的算法,通过改进的Tanimoto相似性系数得到更加合理的用户相似度,并结合提出的预测公式对目标用户的未评分项进行预测评分和填充,从而降低矩阵的数据稀疏度。实验结果表明,该算法对稀疏数据集具有较好的表现,能够提高推荐的质量。     

基于奇异值分解和项目属性的推荐算法

为了解决评分数据的稀疏性和用户最近邻的精确性问题,文章提出了一种基于奇异值分解(singular value decomposition,SVD)和项目属性的协同过滤推荐算法。该算法首先采用SVD方法对用户-项目评分矩阵降维,得到用户矩阵和项目矩阵,根据项目矩阵计算项目间的评分相似度,同时根据项目属性计算项目间的属性相似度,将2种相似度的结果加权计算得到项目间的相似度,最后采用最近邻的方法预测目标用户对待评分项目的评分。在MovieLens数据集上的实验结果表明,该文所提出的方法可以有效应对用户评分稀疏的问题,并能提高推荐的准确性。     

基于人工智能的社交网络用户行为数据周期推荐算法

为提高社交网络个性化服务质量,研究数据周期推荐算法的重大意义,针对传统推荐算法相似度计算准确率不高,导致推荐结果精度低、召回率低和耗时长等问题,提出一种基于人工智能的社交网络用户行为数据周期推荐算法。首先依据用户行为建立评分矩阵,利用皮尔逊相关系数计算评分矩阵评分值与网络行为数据相似度,依据计算得出的相似度以协同过滤为核心来检出需要推荐的社交网络用户数据内容,其次利用Top-N法生成用户邻居集,最后实现社交网络用户行为数据内容周期推荐。实验测试结果表明,所提算法的相似度计算准确率较高,网络用户行为数据周期推荐结果精度可高达97.2%,且推荐结果召回率高、耗时低,提高了社交网络个性化服务质量。     

基于用户偏好和麻雀搜索聚类的协同过滤算法

针对推荐算法数据稀疏及聚类中心点敏感问题,提出了一种基于用户偏好和麻雀搜索聚类的协同过滤推荐算法.首先使用评分偏好模型对原用户项目矩阵进行修正,得到新的用户偏好-项目矩阵.利用麻雀搜索对聚类中心点进行优化,从目标用户所在簇内得到最近邻,提高了算法迭代速度,改善了聚类中心点敏感的问题.使用相似度公式对目标用户未评分项目进...     

基于矩阵分解与随机森林的多准则推荐算法

现今的推荐算法大多忽略用户偏好和项目属性中的多个特征,而是在单一推荐准则的基础上训练模型进行推荐. 基于多准则的推荐算法通过考虑用户偏好的多个方面,可以为用户行为提供更加准确的预测. 酒店是旅游行业中重要的环节,为了提高旅客体验,实现酒店评分预测,提出了基于矩阵分解与随机森林的多准则推荐算法. 该算法分两步实现,通过矩阵分解训练得出用户对物品在各个准则上的评分特征,然后随机森林学习评分特征预测最终评分. 实验结果显示,相较传统算法,基于矩阵分解与随机森林的多准则推荐算法的准确性和实用价值更高.     

基于K-medoids项目聚类的协同过滤推荐算法

针对传统协同过滤推荐算法通常针对整个评分矩阵进行计算,存在效率不高的问题,提出一种基于K-medoids项目聚类的协同过滤推荐算法.该算法根据项目的类别属性对项目进行聚类,构建用户的偏好领域,使用用户偏好领域内的评分矩阵进行用户间相似度的计算,得到目标用户的最近邻居集,并生成推荐结果.与常用的K-means聚类方法相比,采用K-medoids方法对项目类别属性进行聚类,不仅克服了评分聚类可靠性不高的问题,而且算法还具有更好的鲁棒性.实验结果表明,该算法能有效提高推荐质量.     

基于Spark MLlib协同过滤算法的美食推荐系统研究

针对交替最小二乘法中矩阵稀疏度较大时推荐结果的准确性下降问题,提出了一种改进的协同过滤算法。该算法根据用户对各种潮州美食的评分,结合其他用户的兴趣相似度,并利用潮州美食属性特征的相似度作为权重因子进行矩阵补全。实验结果表明,改进算法的平均MAE( Mean Absolute Error) 值为0． 583,有效地提高了推荐精度。     

基于社区的对等网络信息检索

定义了反映用户偏好的用户模式树,根据用户模式树之间的近似性来判断用户模式之间的近似性,进而构造用户社区,并提出了基于社区的信息检索算法(CBSA算法).实验结果表明,该算法利用用户搜索的行为模式有效地减少了检索时的网络带宽消耗,缩短了检索的响应时间,提高了检索效果.     

基于用户非对称相似性的协同过滤推荐算法

针对传统协同过滤推荐算法的数据稀疏以及用户关系衡量不准确的问题,提出了基于用户非对称相似关系的推荐算法.利用用户的潜在特征的样本数量,结合奇异值矩阵分解,计算用户之间非对称的相似度,明确用户间关系.仿真结果表明,随着邻居数量的增加,该算法的平均绝对误差始终优于传统算法,误差值在邻居数量为40~60之间值为最小,约为0.682,传统算法平均绝对误差值约为0.758,可以看出该算法判断用户关系较为准确,预测评分比传统算法更接近实际评分.     

基于深度神经网络和概率矩阵分解的混合推荐算法

针对个性化推荐中用户和项目描述信息未充分利用,用户评分矩阵数据集极端稀疏的情况,提出了基于深度神经网络和概率矩阵分解(PMF)的混合推荐算法.首先,对用户和项目描述信息进行预处理,形成包含用户偏好特征的用户和项目特征集,再将各特征输入深度神经网络模型中进行训练.同时,利用概率矩阵分解模型,根据用户评分矩阵通过最大后验估计优化得到潜在特征向量;然后,通过对概率矩阵分解模型的用户和项目潜在特征向量以及深度神经网络模型的真实特征向量进行迭代更新,收敛得到融合用户和项目真实信息的潜在特征向量;最后,利用该特征向量对用户进行个性化推荐.实验证明,本文算法较经典推荐算法以及前人算法在均方误差与平均绝对误差指标上均有改善,说明本文算法的有效性.     

一种基于协同过滤和混合相似性模型的推荐算法

针对推荐系统协同过滤方法中存在的数据稀疏和冷启动等问题,提出一种基于协同过滤和混合相似性模型的推荐算法。该算法首先计算用户在不同项目间的相似性,然后结合项目特性和标签信息权重来描述用户、项目、特性和标签之间的关系;其次,设定用户偏好因子和不对称因子调整不同用户间的评分偏好;最后,结合用户间相似性、项目综合权重,以及评分偏好构建混合相似性模型,并加入用户时间权重信息解决项目冷启动问题。在公开的MovieLens数据集上的实验表明,该算法在各种评估指标上比其他相关方法获得更显著的结果。     

基于用户相似度的随机游走社交网络事件推荐算法

针对基于社交网络的事件推荐覆盖性和准确性不够高的问题,提出了基于用户相似度Si-user Walker算法.该算法利用基于事件的社交网络特征,将线上用户群组数据抽象为图,以重启随机游走算法为基础,改变了传统的完全基于图的拓扑结构进行随机游走的策略.根据地理位置划分事件类型,提出了新的用户相似度计算方法,然后根据用户相似度矩阵作为随机游走的转移概率,既保留了图的传递性,又保证了图节点游走的真实性.与其他推荐算法在真实的数据集上实验表明,该算法在均方根误差、准确率及覆盖率上均得到提升.     

基于混合协同过滤的个性化推荐方法研究

针对传统协同过滤算法存在的数据稀疏性和推荐范围问题,提出一种混合协同过滤推荐方法.该方法将两种传统算法结合,并综合考虑了项目标签属性等信息.首先利用基于项目的协同过滤算法生成预测评分,并替换原始用户-项目评分矩阵中的零值.其次利用基于用户的协同过滤算法计算填充后矩阵的用户相似度,以及预测评分并产生最终推荐.最后基于MovieLens数据集实验证明,该方法能够有效提高推荐精度,扩大推荐范围.