近邻的关联加权SlopeOne协同过滤算法

协同过滤是目前电子商务推荐系统中应用最为广泛的一类推荐算法。随着系统用户和项目数量的急剧增加,传统的协同过滤算法已经很难满足各类系统的需求。为提高算法处理大规模数据的能力,重点研究SlopeOne协同过滤推荐算法。将其与关联规则挖掘相结合,并选择近邻用户数据对目标用户的未知评分项进行评分预测,在movielens数据集上的测试结果表明,改进后的算法能够较为显著的提高推荐质量,适用于处理大规模数据。     

基于邻近项目的Slope One协同过滤算法

协同过滤是个性化推荐系统中的常用技术,数据稀疏性是影响协同过滤算法预测准确度的主要因素。提出了改进的Slope One算法,在该算法中,首先根据用户历史评分计算项目间相似性,然后依据项目相似性选取当前活跃用户评价过的k个相似项目记为邻近项目集合,并计算目标项目与其邻近项目的评分偏差,最后以项目间相似性为权重,计算当前活跃用户对目标项目的评分预测值。该算法使用邻近项目进行计算,降低数据的稀疏性,同时减少了计算量。使用标准MovieLens数据集对该算法的预测结果进行验证,结果表明：相对于原算法,该算法提高了预测的准确性,与其他协同过滤算法相比,推荐准确度也有明显的提高。     

基于朴素贝叶斯降噪的协同过滤算法

协同过滤作为推荐系统中应用最为广泛的推荐算法,在如今信息时代的个性化推荐中占据了重要的地位。但是用来进行协同过滤推荐的初始评分数据集中,蕴含着大量的垃圾评分和无效信息。这些噪音数据始终影响着推荐结果的准确性。为了解决垃圾评分带来的推荐误差问题,提出用朴素贝叶斯算法来对数据集中的垃圾评分和无效信息进行数据降噪处理。朴素贝叶斯算法通过构建贝叶斯分类器的训练模型来计算待分类评论为垃圾评论的概率,和为正常评论的概率,并加以比较,来判断是否为垃圾评论。使用除去垃圾评论干扰的数据集进行基于项目的协同过滤推荐。实验结果证明这种方法能有效地满足不同用户、不同偏好的个性化推荐,同时具有更高的推荐精准度。     

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.     

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.     

结合信任和项目的抗攻击协同过滤算法

为提高基于项目协同过滤推荐方法的抗评分攻击能力,提出结合用户信任等级和项目进行资源协同过滤算法。提出根据用户兴趣相关性、评分相似性和评分相关性构建用户关联图,然后提出用户信任等级计算模型,并将用户信任等级值作为用户的权重结合到经典协同过滤推荐算法Slope One的项目差异性的计算中,形成基于用户信任等级的协同过滤方法。实验数据表明新算法在不影响推荐的预测准确性的基础上,比传统的过滤推荐算法具有更好的抗攻击能力。     

基于遗传优化的云计算协同过滤算法

传统协同过滤算法中的topN推荐公式预测的用户评分误差较大,削弱了项目推荐的有效性.为此,基于改进的遗传算法对协同过滤算法进行优化.基于皮尔逊相关系数计算用户相似度,构建最近邻居集合;构建卷积神经网络预测近邻集中没有评分的项目,填充无评分项目的空白;利用改进自适应交叉算子与变异算子的遗传算法确定卷积神经网络的初始权值,降低网络预测的随机性.在Hadoop集群环境上展开云计算协同过滤测试,随着邻居用户数量的增加该算法推荐过程中平均绝对误差最低,在云计算环境下的运行时间开销最少,取得了良好的协同过滤推荐效果.     

关联规则评分预测的协同过滤推荐算法

协同过滤算法是目前应用于电子商务个性化推荐系统中的一种最成功的推荐算法。为缓解因数据稀疏性问题导致的算法推荐质量下降,将关联规则分析引入协同过滤算法中,预测部分未评分项目的评分值,再运用传统的基于用户的协同过滤算法实施推荐。实验结果表明:与传统的协同过滤算法相比,采用关联规则预测评分可以一定程度提高算法推荐质量。     

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.     

一种面向稀疏数据的比率相似度计算方法

针对传统协同过滤方法存在数据稀疏问题,该文提出了一种面向稀疏数据的比率相似度计算方法,该方法在相似度计算过程中仅基于用户全部的显式评分数据,并且不依赖于共同评分项。用户的未评分项目通过相似度计算结果和最近邻的评分数据进行预测,并将预测评分较高的项目推荐给用户,实现个性化推荐。实验在两个公开的数据集上进行,结果表明,在数据稀疏的情况,该方法下仍然能够实现较高的推荐精度。     

基于不同数据集的协作过滤算法评测

针对协作过滤算法评测中普遍采用单一数据集,该文将传统的User-based(近邻数为20)、Item-based、Itemaverage、Item user average和Slope One 5种算法应用于MovieLens和Book-Crossing两种数据分布特征不同的数据集。结果显示,在Movielens这种评分值相对比较稠密的数据集上,Slope One算法的预测精度最好;而在评分值相对比较稀疏的Book-Crossing数据集上,Item-based算法的预测精度最好,Slope One的预测精度最差。选择算法应根据用户和资源分布具体情况确定。     

基于语义相似性的资源协同过滤技术研究

为解决协同过滤推荐系统中所存在的可扩展性、稀疏性等问题带来的推荐性能下降,提出新的基于资源语义知识协同过滤算法,算法综合考虑了资源语义和用户评价的影响,改善基于资源协同过滤算法性能.实验表明,基于资源语义的协同过滤算法相对于传统协同过滤算法可提高推荐性能.     

用于稀疏数据集的协作过滤算法

稀疏性问题是协作过滤算法应用中的一个突出问题,当系统中用户对资源的评分数据集很稀疏的条件下,算法的精度和覆盖率会显著降低。针对这一问题,该文通过分析影响基于资源的协作过滤算法中的相似性计算的因素,提出采用"资源关系密度"作为描述协作过滤评分矩阵的一个特征指标,分析并总结了"资源关系密度"对典型的基于资源的协作过滤算法的影响,进而提出一种虚拟用户填充算法。实验结果表明,虚拟用户填充法能够有效改善典型的基于资源的协作过滤算法在稀疏数据集上的精度和覆盖率。     

A collaborative filtering recommendation algorithm based on item and cloud model

Recommender system is an important content in the research of E-commerce technology. Collaborative filtering recom-mendation algorithm has already been used successfully at recom-mender system. However,with the development of E-commerce,the difficulties of the extreme sparsity of user rating data have become more and more severe. Based on the traditional similarity measuring methods,we introduce the cloud model and combine it with the item-based collaborative filtering recommendation algorithms. The new collaborative filtering recommendation algorithm based on item and cloud model (IC-Based CF) computes the similarity de-gree between items by comparing the statistical characteristic of items. The experimental results show that this method can improve the performance of the present item-based collaborative filtering algorithm with extreme sparsity of data.     

基于综合相似度与任务紧要度的个性化任务推荐

研究了如何将协同过滤推荐应用于IT项目外包平台,实现个性化任务推荐,提出了1种融合用户Profile文本相似度、任务选择相似度及任务紧要度的协同推荐方法． 该方法将用户对任务的选择行为转换为用户-任务类选择矩阵,并以此计算用户间的选择相似性;用户profile文本相似性用于平衡用户选择相似性并形成用户综合相似性,算法中任务紧要度用于度量任务的时限性与经济性,设置合适的阈值来构建待推荐任务集． 在真实数据集上的实验结果表明,提出的个性化推荐方法具有较高的推荐准确度,并在一定程度上缓解冷启动与数据稀疏性问题．     

Personalized Recommendation Algorithm Based on Preference Features

A hybrid collaborative filtering algorithm based on the user preferences and item features is proposed.A thorough investigation of Collaborative Filtering （CF） techniques preceded the development of this algorithm.The proposed algorithm improved the user-item similarity approach by extracting the item feature and applying various item features＇ weight to the item to confirm different item features.User preferences for different item features were obtained by employing user evaluations of the items.It is expected that providing better recommendations according to preferences and features would improve the accuracy and efficiency of recommendations and also make it easier to deal with the data sparsity.In addition,it is expected that the potential semantics of the user evaluation model would be revealed.This would explain the recommendation results and increase accuracy.A portion of the MovieLens database was used to conduct a comparative experiment among the proposed algorithms,i.e.,the collaborative filtering algorithm based on the item and the collaborative filtering algorithm based on the item feature.The Mean Absolute Error （MAE） was utilized to conduct performance testing.The experimental results show that employing the proposed personalized recommendation algorithm based on the preference-feature would significantly improve the accuracy of evaluation predictions compared to two previous approaches.     

一种基于数据的GitHub项目个性化混合推荐方法

将两种传统基于内存的协同过滤方法相结合, 提出一种基于数据的GitHub项目个性化混合推荐方法. 该方法不仅可动态地计算相似用户以保证推荐的个性化, 且只用很小规模的相似用户便可得到与基于项目的方法相近的推荐质量； 同时, 该方法通过建立倒排表和利用K均值分类, 在一定程度上解决了原方法在面对GitHub用户及项目数量级较大但交叉度较低的数据集时数据稀疏和冷启动问题. 通过与传统方法进行对比实验, 验证了该方法的有效性和优越性.     

一种基于数据的GitHub项目个性化混合推荐方法

将两种传统基于内存的协同过滤方法相结合, 提出一种基于数据的GitHub项目个性化混合推荐方法. 该方法不仅可动态地计算相似用户以保证推荐的个性化, 且只用很小规模的相似用户便可得到与基于项目的方法相近的推荐质量; 同时, 该方法通过建立倒排表和利用K均值分类, 在一定程度上解决了原方法在面对GitHub用户及项目数量级较大但交叉度较低的数据集时数据稀疏和冷启动问题. 通过与传统方法进行对比实验, 验证了该方法的有效性和优越性.     

基于均模型的IBCF算法研究

基于项目的协同过滤（item—basedcollaborativefiltering，IBCF）算法推荐精度高，实现简单，易于用于实际系统，然而因Item向量过长，计算相似性十分耗时。针对这一问题，从Item向量过长入手，提出了一种均模型表示Item向量的方法，缩短计算相似性的时间。在MovieLens数据集上进行对比，实验表明，该算法在推荐精度基本保证的情况下，能有效缩短计算时间，降低时间复杂度。此外，本文还指出上述优化相似性计算方法可进一步优化来提高推荐精度和满足实际应用要求。     

A Bayesian Recommender Model for User Rating and Review Profiling

Intuitively, not only do ratings include abundant information for learning user preferences, but also reviews accompanied by ratings. However, most existing recommender systems take rating scores for granted and discard the wealth of information in accompanying reviews. In this paper, in order to exploit user profiles' information embedded in both ratings and reviews exhaustively, we propose a Bayesian model that links a traditional Collaborative Filtering(CF) technique with a topic model seamlessly. By employing a topic model with the review text and aligning user review topics with "user attitudes"(i.e., abstract rating patterns) over the same distribution, our method achieves greater accuracy than the traditional approach on the rating prediction task. Moreover, with review text information involved, latent user rating attitudes are interpretable and "cold-start" problem can be alleviated.This property qualifies our method for serving as a "recommender" task with very sparse datasets. Furthermore,unlike most related works, we treat each review as a document, not all reviews of each user or item together as one document, to fully exploit the reviews' information. Experimental results on 25 real-world datasets demonstrate the superiority of our model over state-of-the-art methods.