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.     

基于推荐机制的人机交互任务调度算法

人机交互任务调度是信息处理系统需要应对的困难之一.基于推荐机制,提出了一种新型的人机交互任务调度算法;该算法从操作序列中发现和抽取调度信息,根据操作员的处理能力/兴趣和任务的特征进行调度,采用推荐方法发布/管理任务.验证实验表明该算法具有较高的系统利用率、较高的响应率和较高的用户满意度.     

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.     

限制项目关注度的鲁棒推荐算法

推荐系统已成为向用户推荐他喜爱物品的常用工具,协同过滤是推荐系统中广泛使用的技术.由于协同过滤本身严重依赖用户的行为记录,导致一些恶意用户为了达到自己的利益伪造评分改变推荐结果,使推荐系统变得脆弱.为了解决这一问题,本文提出了一种限制项目关注度的鲁棒推荐算法,对项目针对性过强的用户加以一定限制,从而减少托攻击对系统的影响,在不影响推荐精度的情况下,提高推荐系统的鲁棒性.实验结果证明:本文提出的算法可以有效的防御托攻击,提高系统的鲁棒性.     

一种有效缓解协同过滤推荐评价数据稀疏问题的算法

在采用协同过滤算法构建个性化推荐的系统中,经常面临用户评价数据稀疏问题,这将严重降低个性化推荐的准确度.针对此问题,提出了一种混合加权预测填充算法,从用户访问的资源特征以及该资源在整个用户群体中被访问的热度出发,对用户访过的但未给出评价的数据进行预测并填充,从而降低了由于用户评价数据缺失所造成的评价矩阵稀疏程度,提高推荐准确度.在MoiveLense数据集上的试验结果表明,该算法能够明显地提高推荐准确度.     

结合项目类别信息的协同过滤推荐算法

针对个性化推荐系统中协同过滤算法面临的数据稀疏问题以及用户相似性度量的不准确,提出了一种结合类别信息的协同过滤推荐算法。该算法利用用户评分数据计算用户之间对类别关注的相似性,并将用户对类别关注的相似性和用户评分相似性进行组合,得到用户综合相似性,从而提高了最近邻居搜索的准确度,缓解了数据稀疏性问题。实验结果表明,该方法能够有效地避免传统相似性度量方法存在的问题,使得数据稀疏性对最终推荐结果的负面影响变小,在一定程度上提高系统的推荐精度。     

基于用户属性和活跃性的协同过滤推荐算法

随着大数据时代的到来,信息过载问题日益凸显,个性化的推荐服务是解决该问题的有效手段之一,因为其简单、高效的特点,越来越受到人们的重视.协同过滤是个性化推荐的常用手段,协同过滤推荐算法通过研究用户的喜好,实现从海量数据资源中为用户推荐其感兴趣的内容,在很多领域中都得到了广泛应用.但是,冷启动和数据稀疏依然是其面临的难题,在某些领域中,出现推荐算法效率偏低,推荐准确度下降问题,导致用户满意度偏低.针对这个问题,本文提出了用户属性相似度概念及移动图书馆中的活跃相似度,并融入了基于内容过滤的算法思想,提出了一种改进的协同过滤推荐算法.实验结果表明:改进的算法能有效提高推荐准确性,并在一定程度上缓解了冷启动的问题.     

结合项目类别信息的协同过滤推荐算法

针对个性化推荐系统中协同过滤算法面临的数据稀疏问题以及用户相似性度量的不准确,提出了一种结合类别信息的协同过滤推荐算法。该算法利用用户评分数据计算用户之间对类别关注的相似性,并将用户对类别关注的相似性和用户评分相似性进行组合,得到用户综合相似性,从而提高了最近邻居搜索的准确度,缓解了数据稀疏性问题。实验结果表明,该方法能够有效地避免传统相似性度量方法存在的问题,使得数据稀疏性对最终推荐结果的负面影响变小,在一定程度上提高系统的推荐精度。     

基于标签重要程度的协同过滤推荐算法

针对传统协同过滤推荐算法在用户隐式反馈数据挖掘不够充分、用户兴趣偏好模型过于粗糙,提出一种标签重要程度的协同过滤推荐算法。用户使用标签的种类和频率可以反映用户的偏好和偏好程度;在此基础上建立新的用户兴趣偏好模型,将标签对用户的影响程度进行量化,建立新的相似度计算方法。最后获得目标用户的近邻集合和预测评分,为目标用户实施有效推荐。实验结果表明该算法大幅度提高了推荐的精准度、缓解了冷启动问题。     

一种优化的推荐算法

对个性化推荐系统算法进行改进,首先,不仅考虑用户所选的商品,而且考虑用户的打分,从而将资源分配法扩展为含权资源分配;其次,考虑用户的同有相似性.把这两方面相结合,发展了新的算法.数值试验表明,改进后的方法显著提高了推荐的精度和个性化程度.     

计及用电方式满意度的居民用户智能用电策略

从用户角度出发,提出了计及用电方式满意度的居民用户智能用电模型.首先分析各智能电器的工作特性,建立不可中断电器与可中断电器的运行约束.同时,考虑到用户对用电舒适性的要求,定义了用户用电方式满意度;针对用户对不同电器的依赖程度的不同,模型中引入可控电器的不可调度系数进行区分,并利用层次分析法求取.最后,在NYISO的实时电价背景下进行仿真.算例分析表明,优化后的用电计划可以在满足用户用电方式满意度的前提下减少电费支出.     

一种基于协同推荐的网页排序算法

针对目前搜索结果个性化排序算法中的用户兴趣模型构建难、相关度计算不精确等问题,提出了一种结合用户兴趣模型和协同推荐算法的个性化排序方法.该方法从用户的搜索历史,包括提交查询、点击相关网页等反馈信息来训练用户的兴趣模型,然后采用协同推荐算法获取具有共同兴趣的邻居用户,根据这些邻居对网页的推荐程度和网页与用户的相关程度来排序搜索结果.实验结果表明:该排序算法的平均最小精确度比一般排序算法提高了约0.1,且随着用户邻居数目的增长,最小精确度随之增长.与其他排序算法相比,采用协同推荐算法有助于提高网页与用户兴趣关联程度计算的精确度,从而提高排序的效率,有助于改善用户的搜索体验.     

一种基于Interest-Model的用户推荐算法

目前的社交网络用户推荐算法针对性较弱,用户兴趣不明显.针对这些问题,设计一种基于兴趣的潜在用户推荐算法.抽取用户的Tag标签,计算标签间的语义相似度,通过用户与其关注者之间的关系和兴趣程度对关注者进行打分,根据打分结果进行潜在用户的推荐.实验结果表明,基于兴趣的用户推荐算法对潜在用户的预测和推荐准确度有所提高.     

音乐推荐系统中的用户冷启动问题

利用新用户使用音乐时的上下文环境信息来解决冷启动问题.当用户播放音乐时，提取用户当时场景的时间、天气、状态等信息，利用这些信息构建决策树分类模型.当新用户使用音乐推荐系统时，提取当前情景的上下文信息，根据决策树分支和上下文信息判断新用户的兴趣，向新用户推荐音乐.实验结果表明，当采用上下文相关音乐推荐算法，推荐数目不超过6项时，新用户对推荐结果的满意度超过TopN算法.     

基于最近邻居聚类的协同过滤推荐算法

随着推荐系统用户数量和服务项目增多,可扩展性问题成为推荐算法应用的瓶颈.目前,大部分推荐算法以及基于这些算法的改进主要集中在推荐质量上,随着系统规模扩大,暴露出实时推荐效率降低和运行耗时的缺点.针对这些问题,提出了一种基于最近邻聚类的协同过滤推荐算法.首先,该算法采用二分k-means算法把评分相似的用户划分到相同的类中,以此建立用户聚类模型.然后,从聚类模型中挑选出目标用户的最近邻居类作为检索空间.最后,从检索空间中搜索目标用户的最近邻居,由最近邻居的信息产生最终的推荐列表.实验结果表明,该算法在保持较高的推荐质量的同时可以显著提高推荐系统的效率,比传统的协同过滤算法可扩展性强.     

一种基于用户行为反馈的兴趣度模型更新算法

个性化推荐技术在电子商务系统中得到了广泛应用.针对现有的用户模型不能及时根据用户自身兴趣偏移进行更新的问题,提出了一种基于用户行为反馈的兴趣度模型的更新算法,在创建好模型的基础上,分析用户的购买记录和用户的浏览行为,结合用户的兴趣内容,实现用户兴趣的自动更新,得到的针对新的用户兴趣的推荐商品列表,在此基础上结合用户的购买商品记录,实现推荐商品的个性化排序,从而向用户进行个性化推荐.实验对比结果表明,该算法能更好地发现用户当前的购买兴趣,从而进一步提高个性化推荐精度和用户满意度.     

基于张量分解和深度学习的混合推荐算法

张量分解和深度学习已被应用于推荐系统,并取得了较好的效果.张量分解较好地从用户对推荐对象评分中提取用户、推荐对象以及其他影响因素的隐性的特征,将这些特征进行匹配,给出推荐策略,但这种方法忽略了用户、推荐对象以及其他影响因素现有辅助数据信息中的显性特征.深度学习是从辅助信息中提取用户、推荐对象以及其他影响因素的特征,并进行匹配给出推荐策略,却忽略了用户评分数据中用户、推荐对象以及其他影响因素的隐性特征.将张量分解和深度学习两种推荐方法相融合,提出一种基于张量分解和深度学习的混合推荐算法.使用张量分解算法和深度学习分别从三阶用户评分数据和多源异构辅助信息中提取用户特征和推荐对象特征,并将它们匹配得出用户对推荐对象的需求或喜爱的预测评分,再将两种算法的预测评分进行融合给出最终综合评分,从而提高个性化推荐的精准度.对比实验证明混合推荐算法与传统的协同过滤算法相比误差降低了34. 0%.     

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.     

基于在线客户情绪能量感知的商品推荐算法

为了解决基于传统数据挖掘方法的电子商务推荐算法时效性差、准确度不高的问题，提出了基于情绪能量感知的推荐算法。该算法能实时判断在线用户的购买倾向；通过情感能量匹配技术，对商品特征进行分类，并与用户情绪状态进行匹配。理论性能分析和实验证明，该算法较之传统方法具有较高的匹配准确度、较好的时效性和用户满意度。