基于动态时间的个性化推荐模型

在推荐系统中,往往会存在数据的非实时性、稀疏性和冷启动性等问题,文中通过引入遗忘曲线来跟踪用户对资源偏好程度随时间变化情况,利用提出一种改进的K-Means聚类算法对用户集进行聚类,根据改进的个性化推荐算法对用户进行推荐,建立了一种基于动态时间的个性化推荐模型. 通过实验验证,文中提出的个性化推荐模型能够获取准确的用户偏好信息,并缓解冷启动问题,降低算法计算的时间空间复杂度,提高个性化推荐算法的推荐质量.     

融合分类与协同过滤的情境感知音乐推荐算法

针对用户情境信息,提出一种融合分类与协同过滤的情境感知音乐推荐算法. 首先,通过计算用户情境信息的相似度,由协同过滤算法得到初始音乐推荐列表;然后通过机器学习算法训练分类模型,得出用户在特定情境下的音乐类型偏好;最后将协同过滤得到的推荐列表与分类模型得到的音乐类型偏好进行融合,为特定情境的用户提供个性化音乐推荐. 该算法不仅有效地降低了推荐过程的复杂度,还使传统的协同过滤推荐算法具备了情境感知的能力. 实验结果表明,该方法可以有效地提高个性化音乐推荐系统的性能.     

基于标签的协同过滤推荐方法研究

传统基于物品的协同过滤算法由于物品相似度矩阵稀疏,推荐准确率不高.针对这一问题,提出一种基于标签和改进杰卡德系数的协同过滤算法,进行电视节目个性化推荐.首先,爬取相关信息对原始数据进行扩充,并利用统计学方法对时间特征进行归一化处理,计算用户偏好系数;然后,统计出现次数较高的类别作为推荐类别标签,并利用改进的杰卡德系数构造标签相似度矩阵;最后,根据推荐类别标签的用户偏好系数计算节目的推荐系数.实验结果表明,基于标签的协同过滤算法可以降低稀疏矩阵对推荐准确率的影响,相比基于物品的协同过滤算法,准确率提高了5％,召回率提高了3.1％.另外,使用改进的杰卡德系数计算相似度,减少了热门标签对推荐系统的影响,进一步将准确率提高了5％,召回率提高了2.3％.     

稀疏数据下基于用户偏好的协同过滤算法

协同过滤(collaborative filtering,CF)是推荐系统中最常用和最成功的推荐技术之一.现实中的数据往往比较稀疏,用户之间缺少共同评定项目,使一些传统的相似性度量无法进行计算;此外,传统的协同过滤算法忽视了用户偏好问题,这样会造成推荐精度的下降.针对这些问题,从用户全局项目和地方评级信息分析影响用户兴趣偏好的因素,通过计算用户评级信息在全局的概率分布和使用海明贴近度计算用户的兴趣偏好度,利用Jeffries-Matusita距离得出关于用户偏好的相似度算法,将相似度算法与加权的Jaccard相似度算法有效结合,提出了一种在稀疏数据下基于用户偏好的协同过滤算法模型.实验结果表明,提出的模型性能优于传统协同过滤算法,并且在更为稀疏的数据集上也有很高的准确率.     

基于时间加权标签的协同过滤推荐算法研究

传统的协同过滤推荐算法主要以评分数据为数据源来计算和反映用户的兴趣偏好和资源相似度,并决定是否对潜在用户进行推荐物品。而忽视了用户、资源本身的特征,用户在不同时间对资源的认识和感兴趣程度是会变的。基于这个问题,本研究对传统算法进行了改进,提出了基于时间加权标签的信息推荐算法。该算法的主要思想是标签可被用户依个人偏好进行资源标注,标签代表用户对资源的兴趣特征,以用户集、时间、标签集及物品资源等 4 个量形成的多维关系,可以计算出用户和资源之间的标签特征向量,计算在不同时间段,用户对资源的偏好以及资源相似度,并且依据用户的历史行为来预测用户的偏好,并进行推荐。实验结果显示本算法有效地提高了推荐的准确性,获得了更好的推荐效果。
     

基于时间加权标签的协同过滤推荐算法研究

传统的协同过滤推荐算法主要以评分数据为数据源来计算和反映用户的兴趣偏好和资源相似度,并决定是否对潜在用户进行推荐物品。而忽视了用户、资源本身的特征,用户在不同时间对资源的认识和感兴趣程度是会变的。基于这个问题,本研究对传统算法进行了改进,提出了基于时间加权标签的信息推荐算法。该算法的主要思想是标签可被用户依个人偏好进行资源标注,标签代表用户对资源的兴趣特征,以用户集、时间、标签集及物品资源等4个量形成的多维关系,可以计算出用户和资源之间的标签特征向量,计算在不同时间段,用户对资源的偏好以及资源相似度,并且依据用户的历史行为来预测用户的偏好,并进行推荐。实验结果显示本算法有效地提高了推荐的准确性,获得了更好的推荐效果。     

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.     

结合情景和协同过滤的移动推荐算法

针对移动个性化推荐问题,通过将用户的情景信息引入到协同过滤推荐过程,提出一种结合情景和协同过滤的移动推荐算法。该算法首先通过情景相似度的计算来获得用户当前情景的近似情景集;并对"用户-项目-情景"三维模型采用情景预过滤方法进行降维,得到传统协同过滤"用户-项目"二维模型,然后结合Slope one算法进行项目的偏好预测和推荐。实验表明,该算法与传统协同过滤、Slope one算法相比,具有更高的推荐精确度。     

一种基于多属性评分的协同过滤算法

协同过滤算法是个性化推荐领域中使用最为广泛的算法,传统协同过滤算法是基于全部属性评分对项目进行推荐,而用户在项目选择或对项目满意度评价时主要关注项目的关键属性,因此传统协同过滤算法的推荐准确度和个性化服务水平不高.针对此问题,提出了一种基于多属性评分的协同过滤算法,文中算法通过获取用户对项目多个属性的评分,以准确描述用户的个性化偏好,再通过信息熵来对用户的历史属性评分变化幅度进行计算,同时对用户的属性评分相似性计算,从而对项目进行综合推荐.最后,经实验分析验证了所提算法切实可行.用户的历史属性评分反映了用户之前的评分习惯和对项目属性的个性化偏好,基于多属性评分的协同过滤推荐不仅能够提高推荐准确度,而且在一定程度上解决了数据稀疏问题.     

基于加权二部图的个性化方案推荐

针对传统协同过滤算法难以解决数据稀疏性、冷启动及用户兴趣各异的问题,提出了基于加权二部图的个性化推荐方法,解决个性化设计方案推荐问题。采用加权二部图,基于用户特征和方案特征的评分,对用户和方案分类,减轻数据稀疏性,形成用户-方案规则库;采用加权网络的协同过滤算法,计算新用户特征与用户-方案规则库中用户特征的改进相似度,通过Top-N方法筛选高相似的方案集进行推荐,解决冷启动和用户兴趣各异的问题。最后与传统协同过滤算法、加权二部图个性化推荐进行比较,证明该方法的有效性和实用性。     

社交网络中基于用户投票的推荐机制

为了改善目前社交网络中热点信息推荐与个性化好友推荐的不足,提出基于用户投票的推荐机制.首先,根据众多用户对某条信息的投票情况评估信息的热度与价值,将用户对信息的浏览、评论、转发等操作以及时间因素与用户主动性投票相结合,提出基于用户投票的热点信息推荐算法.然后,根据某个用户对众多信息的投票情况评估用户的兴趣,从用户对网络信息的投票以及浏览情况中提取出用户的兴趣度特征,进而提出基于用户投票的个性化好友推荐算法.最后,针对2个算法进行仿真实验,评估各因素对推荐算法的影响和推荐的有效性.实验结果表明,基于用户投票的推荐机制可以有效地进行热点信息与个性化好友的推荐.     

基于改进BP神经网络的个性化推荐算法研究

个性化推荐是根据用户的喜好向用户推荐个性化的产品、信息或服务等,在大数据时代能有效地解决信息过载的问题。提出基于改进BP神经网络的个性化推荐算法,研究了如何建立混合推荐模型,采用BP神经网络训练提高算法中用户相似度计算的准确性。在真实数据集上的实验结果表明,该算法能有效减小用户相识度计算偏差,提高用户个性化推荐的推荐质量。     

一种基于用户偏好序列的协同过滤推荐

协同过滤技术被成功地应用于个性化推荐系统中,但随着系统规模的扩大,它不能真实地反映用户的兴趣偏好.针对此缺点,提出了一种新的协同过滤推荐算法,该算法根据用户偏好序列的相似性来搜索目标用户的最近邻居和产生推荐,从而有效地解决了传统协同过滤推荐中过分依赖不能真实反映用户兴趣偏好的用户等级评价的问题,改进了传统协同过滤算法中计算邻居用户的方法.实验结果表明,该算法在个性化推荐系统应用中取得了较好的推荐效果和推荐质量.     

基于隐马尔科夫模型(HMM)与张量分解的两阶段个性化推荐模型与应用

针对个性化推荐系统中用户偏好的进化学习与高维稀疏数据处理的问题。受隐马尔科夫模型(HMM)结构特征启发,提出了一种考虑上下文感知的两阶段用户偏好集推理策略的个性化推荐算法(HHRA算法)。通过对系统历史评分信息的处理,将用户偏好的提取过程抽象为一个HMM模型,来进行第一阶段的用户偏好集学习与推理。然后在此基础上,引入用户的实时上下文信息,构建了一种融入用户实时偏好的张量模型,并基于一种改进的高阶奇异值分解算法来处理高维稀疏的数据集,对模型进行优化求解,生成最优推荐集合。实验设计在3个具有不同特征的真实数据集上将HHRA算法与传统经典推荐算法进行对比分析,结果显示HHRA算法具有较好的适应性和推荐质量。     

基于HMM与张量分解的两阶段个性化推荐模型与应用*

针对个性化推荐系统中用户偏好的进化学习与高维稀疏数据处理的问题。受隐马尔科夫模型(HMM)结构特征启发,提出了一种考虑上下文感知的两阶段用户偏好集推理策略的个性化推荐算法(HHRA算法)。通过对系统历史评分信息的处理,将用户偏好的提取过程抽象为一个HMM模型,来进行第一阶段的用户偏好集学习与推理。然后在此基础上,引入用户的实时上下文信息,构建了一种融入用户实时偏好的张量模型,并基于一种改进的高阶奇异值分解算法来处理高维稀疏的数据集,对模型进行优化求解,生成最优推荐集合。实验设计在3个具有不同特征的真实数据集上将HHRA算法与传统经典推荐算法进行对比分析,结果显示HHRA算法具有较好的适应性和推荐质量。     

基于联合物品搭配度的推荐算法框架

针对现有推荐系统大多基于物品(用户)相似度进行计算,其推荐结果无法兼顾推荐对象的搭配性特征的问题,提出了一种基于联合搭配度的推荐算法框架.该算法框架中的联合搭配度模型,结合了用户交互反馈、物品的文本和结构化知识3方面的信息,分别计算目标物品与候选物品的搭配程度,然后利用逻辑回归算法进行搭配度融合,可以得到与目标物品最相搭配的物品推荐列表.通过在淘宝真实数据集上的实验,该推荐算法框架相比于传统基于相似性的推荐算法,显著提高了搭配推荐的性能,同时在用户交互记录较少的情况下也能有较好的精确度.     

融合用户偏好和信任关系的混合群组餐厅推荐

在推荐系统领域,群组推荐可以有效解决传统个性化推荐存在的仅对单用户推荐、数据稀疏、计算量大等问题,已成为该领域研究的热点。在传统的推荐算法中,仅使用用户的评分数据,没有考虑用户的信任关系。本文提出的算法通过引用用户偏好模型,获取用户-餐厅偏好评分矩阵,代替原始的用户-餐厅评分矩阵,降低了数据的稀疏性;在计算用户信任度时,从公平性、准确性、影响力考虑了不同因素对用户信任度的影响;通过K-means算法对同城的用户进行聚类,使用改进的比重偏好融合策略预测群组偏好进行推荐。通过实验可知,该方法有更好的推荐结果。     

基于模糊聚类的并行推荐算法

为提高传统协同过滤算法在个性化推荐系统中的大数据处理能力,研究了一种基于模糊聚类的并行推荐算法。在Hadoop平台下首先通过PCA降维和FCM聚类对用户物品评分矩阵进行预处理,采用皮尔逊相关系数计算用户间的相似度,通过得到的聚类簇集合构建最近邻集合,生成基本预测评分。最后实现算法的并行化处理并得到推荐结果。实验结果表明,与基于PCA降维的协同过滤和单机式传统协同过滤算法相比,该算法提高了推荐的准确性和实时性。     

新闻事件的分布式混合推荐算法

针对新闻的个性化服务差及推荐效率低的问题,提出了一种新闻事件的分布式混合推荐算法.该算法改进了传统的层次聚类算法用于新闻事件发现,通过协调簇中心距离和簇间最远距离的权重解决了传统层次聚类中的大簇问题;使用混合推荐算法进行事件推荐,引入了事件的多重特征来计算用户兴趣模型,更准确地表示用户的兴趣偏好;采用Spark分布式计算平台实现该算法,可处理大数据的个性化推荐问题.在公开数据集上的实验结果表明本文方法有效.      

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.