混合因子矩阵分解推荐算法

针对矩阵分解推荐算法在潜在属性与已知属性之间不能建立对应关系的问题,提出了一种混合显式属性与隐式属性的矩阵分解算法。该算法使用显式属性的相关性对因子矩阵进行约束,能够抑制稀疏数据矩阵分解中过拟合的问题,提高推荐精度,由于因子矩阵中包含显式属性,所以混合因子矩阵分解算法可以实现对新用户和新产品推荐,部分地解决了冷启动问题,实现了从评分数据到显式属性的映射,并对推荐结果给出一定的解释。在MovieLens数据集上的实验结果表明:相同因子数下,混合因子矩阵分解算法的推荐精度均优于偏置概率矩阵分解算法,并能够基于显式属性实现对新产品的推荐。     

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.     

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.     

基于属性偏好和邻居信任度的协同过滤推荐算法

针对协同过滤算法推荐准确度低和数据稀疏的问题,提出了一种基于属性偏好和邻居信任度的协同 过滤算法,首先利用用户的非共同评分项评分和项目属性信息,构建用户-属性评分矩阵,再结合共同评分项的 评分计算相似度;然后利用K近邻方法获取用户的最近邻居;最后学习用户的属性偏好,结合提出的邻居信任度, 计算用户的预测评分.实验结果表明,该算法有效地利用了项目属性和用户更多的评分信息,缓解了数据稀疏的 问题,提高了推荐准确度.     

综合用户特征和项目属性的协作过滤推荐算法改进

在综合用户特征和项目属性的协作过滤推荐算法的基础上,提出了一种改进的基于综合用户特征和项目属性的协作过滤推荐算法,分析不同用户群体对不同项目属性的普遍评分,并结合已评分的项目属性,预测未评分项目.仿真结果表明,改进算法比原算法具有更高的推荐精准度,并进一步降低数据集的稀疏性和缓解冷启动问题.     

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.     

基于深度学习的正则化矩阵分解推荐系统

针对当前推荐算法面临的冷启动、数据稀疏以及推荐准确度低等问题,本文提出一种基于深度学习的正则化矩阵分解推荐系统,该系统利用深度自动编码器对基于矩阵分解的用户和项目潜在特征进行初始化,然后使用Node2vec网络嵌入技术在用户信任网络中捕获用户潜在特征,用于计算用户信任度和预测用户对项目的评分.为了使用户的兴趣与可信用户和社区中最具影响力的人兴趣相似,本文算法采用Louvain和超链接诱导主题搜索(HITS)方法寻找社交网络中最具影响力的用户节点,以正则化的方式将约束信息添加到矩阵分解的目标函数中.实验结果表明:本文算法明显优于其他对比推荐算法,不仅可以缓解用户的冷启动问题,还提高了推荐质量.     

融合隐式信任与属性偏好的群组推荐算法

随着互联网和推荐系统的不断发展，推荐服务的对象由单一用户扩展为群组成员，获取并融合组内成员的偏好、提升群组推荐效果成为当前推荐领域研究的热点问题.利用用户提供的多属性评分矩阵，提出一种融合隐式信任与属性偏好的群组推荐算法.首先，基于用户共同评分项目数和多属性评分相似度计算用户间的直接隐式信任，并利用信任传递机制获取用户间的间接信任，降低数据稀疏性.然后，通过计算用户各属性评分与总体评分间的距离来挖掘用户的属性偏好，在此基础上，利用注意力机制学习组内用户权重，将用户偏好聚合为群组偏好，进而结合深度学习框架对候选项目进行预测，生成最终的推荐列表.最后，四个数据集上的实验验证了提出的算法的有效性和可行性，实验结果表明，该算法的准确率、nDCG等评价指标明显优于对比算法.     

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。     

融合PCA降维和均值漂移聚类的协同过滤推荐算法

为了解决传统的协同过滤推荐算法中评分矩阵稀疏及近邻搜索耗时长导致的推荐准确性及时间效率有待提升的问题,设计了一种融合PCA降维和均值漂移聚类的协同过滤推荐算法PMCF。该算法用主成分分析法PCA保留最能代表用户兴趣的维度,以缓解评分矩阵稀疏问题;用均值漂移聚类算法在降维后的低维向量空间上对用户聚类,以减小目标用户最近邻的搜索范围。在Movielens数据集和HetRec2011-Movielens-2k数据集上的实验结果表明,PMCF算法能够有效地提升推荐结果的准确性,同时具有较高的时间效率。     

基于Timed-HITS与协同过滤的混合推荐算法

用户间的信任关系、用户对商品的偏好兴趣及商品的时效性都会影响对商品的推荐效果.将这些因素引入到基本的HITS算法中,对HITS算法进行了改进.将用户对商品的偏好兴趣矩阵进行了改进,利用隐馈数据通过逻辑回归算法估计用户对商品的偏好兴趣,对评分为零的情况赋予了不同的偏好兴趣度,这样更符合实际.将改进的HITS算法和协同过滤算法相结合得到一个混合推荐算法,同时将用户分为活跃用户和非活跃用户分别进行推荐.将提出的算法在Movielens数据集上进行了试验,结果表明该算法在一定程度上缓解了数据稀疏和冷启动的问题,推荐效果优于基于用户的协同过滤算法.     

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.     

融合社交网络信息的协同过滤方法

针对目前协同过滤方法存在的数据稀疏性、冷启动以及未能有效利用用户社交网络信息提高推荐质量等问题,提出一种融合用户社交网络信息的协同过滤方法,该方法以矩阵分解推荐模型为核心,可综合集成目标用户个人偏好以及社交网络中的关系用户偏好特征信息做出推荐.通过设计相应的推荐方法,并基于梯度下降法对用户以及商品特征矩阵的求解进行了优化运算.相关实验结果表明融合社交网络信息可在一定程度上提高协同过滤的推荐准确度以及缓解数据稀疏性、冷启动问题.     

基于联合相似用户-项目的协同过滤推荐算法

由于用户评分的偏好性,及其稀疏的评分矩阵,导致对目标用户的近邻无法进行准确的搜索,使得推荐结果不尽如人意.本文提出了一种联合用户-项目的推荐算法,不仅考虑用户近邻的推荐作用,也考虑了项目近邻的推荐作用.首先,定义相似用户评分影响为用户偏好影响因子,定义相似项目影响为项目偏好影响因子.其次,联合用户偏好影响因子和项目偏好影响因子进行共同推荐.在此基础上,设计新的推荐模型.通过大量的实验证明,提出的新模型得到的推荐质量优于传统模型.     

基于填充先验约束的矩阵分解算法

尽管现有的社会推荐方法,特别是基于矩阵分解的社会推荐方法,取得了一定的推荐效果,但这些方法使用评分数据空间的用户偏好去约束社交关系数据空间的用户偏好,而这两种用户偏好却处于不同的数据空间,这限制了推荐模型的准确性.为解决这个问题,提出一种使用填充数据的偏好来约束评分数据偏好的学习过程的方法 .该方法首先设计一个算法生成填充数据,然后,在概率矩阵分解的过程中约束填充数据偏好的先验分布服从评分数据偏好的先验分布.在四个真实数据集(TrustFilm,Ciao,MovieLens 1m和Jester)上测试的结果表明,提出方法的推荐效果比现有的代表性方法都要好,为概率矩阵分解模型中先验约束的研究提供了新思路.     

基于谱聚类和矩阵分解的改进协同过滤推荐算法

针对传统的协同过滤推荐算法存在数据稀疏性、冷启动,影响推荐结果的准确性等问题,提出了一种改进的协同过滤推荐算法。使用基于随机梯度下降优化求解的矩阵分解方法,将原始矩阵分解为较低维的用户特征矩阵和特征产品矩阵;引进产品外部属性信息,运用谱聚类算法对产品聚类,构建属性—特征之间的映射关系,填充特征产品矩阵。所提出的算法不需要对原始评分矩阵进行数据填充,相较于传统的固定值填充方法,不需要系统提供大量的空间存储评分矩阵,并且在评分预测过程中采用降维技术,可以有效地缓解数据稀疏性对推荐结果准确性的影响。     

融合用户信任度的概率矩阵分解推荐算法

针对传统协同过滤推荐方法中用户评分信息稀疏导致推荐准确度不高的问题,提出融合用户信任度的概率矩阵分解推荐算法。该算法综合用户间的联合评分项以及非联合评分项,利用KL散度得到用户信任度排名,使得相似用户间的特征向量更加接近,并在概率矩阵分解过程中维持这种关系。最后在MovieLens 1M和Epinions数据集上采用三种指标进行对比实验,验证了该算法在稀疏数据集上推荐效果的有效性。     

一种基于混合深度学习的推荐算法

为解决推荐算法中的冷启动和数据稀疏性问题,提高推荐的效率,提出一种基于混合深度学习的推荐算法。该算法将深度学习中的半自动编码器和多层感知机模型有效结合,通过半自动编码器模型解决稀疏数据,并融合相关辅助信息解决冷启动问题。它先用半自动编码器提取用户和项目的深层次特征,再将提取的潜在特征输入到多层感知机中进行非线性融合,完成评分预测。实验结果表明,相比于其他算法,该算法可以更好地处理稀疏数据和冷启动问题,使推荐准确性得到不同程度的提升。在给定数据集上,该算法比传统矩阵分解算法的均方根误差提升了约46%。     

基于矩阵分解的社会化推荐模型

该文提出一种经由定制关系网络改进的基于矩阵分解的社会化推荐模型来缓解数据稀疏性和冷启动问题,并进一步改善大数据集导致的可扩展性问题。在该模型中,关系网络的社交影响力被建模为矩阵分解模型的用户-物品(user-item)评分倾向,而同质性则被建模为动态正则项。为了获得更好的预测精度和可扩展性,设计了一个关系网络boosting-shrinking算法,在该算法中,基于用户在数据集中的数据密度,自适应地裁减每个用户的关系网络为其定制个性化的关系网络。在稀疏水平不同的不平衡数据集上的实验表明:相比其他的基于矩阵分解的社会化推荐模型,该模型可以显著提高稀疏数据集的预测精度,有效地缓解冷启动问题,并获得较好的可扩展性。