基于个性化情境和项目的协同推荐研究

为提高基于项目的协同过滤推荐SlopeOne算法的预测结果,在算法的项目相异性计算和评分预测过程中引入个性化情境因素.首先对基于项目的协同推荐方法进行综述,然后针对不同情境下的评分记录进行项目间相异性计算,根据此结果计算检验集中的项目在不同情境下的预测评分,并以预测结果为依据为每个用户得到个性化情境,进而为用户对新的资源项目进行评分预测.最后在标准的Movielens数据集上进行实验,其中,U2的训练集和测试集用来训练个性化情境,其他数据集用来检验算法的预测结果.通过对改进的推荐算法与经典的基于项目的协同过滤算法SlopeOne进行比较,实验数据表明改进后算法的推荐结果有较大提高.     

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.     

融入用户风险偏好的三支协同过滤推荐模型

基于用户的不同风险偏好特征，提出一种融入用户风险偏好的三支协同过滤推荐模型来提高推荐规则的准确性.首先，考虑用户的不同风险偏好对项目评分的影响，基于用户-项目评分矩阵定义用户关于项目的偏好概率测度，建立用户-项目偏好概率模型，从理论上证明了该模型是现有模型的推广和拓展.其次，利用决策粗糙集，推导出用户在不同风险偏好下的三支推荐模型阈值表达.然后，以上述工作为基础，将推荐准确性和推荐成本作为优化目标，设计基于粒子群优化算法的用户偏好概率模型参数确定方法 .最后，在MovieLens数据集上的实验验证了提出模型的有效性.     

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.     

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.     

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。     

一种考虑双重相似度的协同过滤推荐算法

协同过滤算法为推荐系统提供了一种方法,但传统的协同过滤方法推荐精度低.提出一种考虑用户评分相似性的协同过滤算法,通过在皮尔逊相关系数中加入项目数量相似度和用户评分相似度两个因素来计算用户间的相似度,以产生更合理的邻居用户,提高推荐精度,完成对用户的推荐,同时邻居用户的选取采用动态阈值设定方法.实验结果表明,所提出的算法相比传统方法选择出的邻居更为精确,推荐质量更高.     

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。     

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。     

智能网联交通混合标签感知的推荐预测模型

针对智能网联车辆高速移动以及智能网联组网模式多元化导致的传统协同过滤算法有效性受到限制的问题，提出一种新型混合标签感知推荐模型（hybrid tag-aware recommender model，HTRM）。嵌入层采用Word2Vec模型对项目标签、项目评分、用户行为标签和用户评分进行向量表示；特征层引入自编码器提取项目的自相似特征，采用长短期记忆网络（long short-term memory，LSTM）提取用户行为特征；门控层联合用户和项目的特征，并输入至全连接神经网络（fully connected neural network，FCNN）进行评分预测。实验结果表明，与TCF、CCF、ACF和DSPR传统模型相比，HTRM模型设计更合理，可以获得较高的推荐预测精度。     

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.     

基于协同过滤的在线教学视频推荐方法

在目前的在线教学系统中,用户对教学视频的选择具有一定的盲目性,根据这一特点,提出了一种基于协同过滤的在线教学视频推荐方法,可以将用户可能感兴趣的教学视频＂推＂给用户;首先将用户的观看视频纪录整理并保存至数据库中,依据各用户历史播放纪录以及用户的基本信息的兴趣差异来查询邻居用户,然后利用这些邻居用户的视频观看记录基于协同过滤的方法进行教学视频的推荐;改进了传统协同过滤推荐方法中普遍存在的稀疏性（Sparse）和冷启始（Cold Start）等问题,因此能使推荐更为精确;另外,通过用户是否观看所推荐的视频,可以对系统做出隐性评价以修正系统的参数,以提高推荐的准确性。     

基于用户评论的协同过滤推荐算法

提出融合用户评论的协同过滤推荐算法,通过挖掘电商网站的用户评论信息,获取用户评论中的产品特征和意见,通过计算每个特征意见对的极性,得到特征矩阵,结合用户意见质量形成的用户评分矩阵,求出用户评分的相似度.最后结合特征矩阵和用户评分相似度得出目标用户的综合相似度,并由预测评分得出产品推荐表,对用户进行产品推荐.实验结果表明,提出的算法与常用的推荐算法相比,改善了推荐的质量,同时推荐精度得到提高.     

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。     

基于双重阈值近邻查找的协同过滤算法

为了提高协同过滤算法的推荐精度, 从协同过滤算法中近邻用户/项目组的选择入手, 提出基于双重阈值近邻查找的协同过滤算法。该算法能充分利用现有的稀疏用户项目评分矩阵, 找出与目标用户相关性较强, 且能参与到评分预测过程中的候选用户。实验结果表明, 该算法相比传统的协同过滤算法及部分改进算法, 其推荐精度有一定提高, 对实际应用具有一定的参考价值。     

推荐系统研究综述

随着互联网技术的快速发展,如何对海量网络信息进行挖掘分析,已成为热点和难点问题。推荐系统能够帮助用户在没有明确需求或者信息量巨大时解决信息过载的问题,为用户提供精准、快速的业务(如商品、项目、服务等)信息,成为近年来产业界和学术界共同的兴趣点和研究热点,但是,目前数据的种类多种多样并且应用场景广泛,在面对这种情况时,推荐系统也会遇到冷启动、稀疏矩阵等挑战。深度学习是机器学习的一个重要研究领域和分支,近年来发展迅猛。研究人员使用深度学习方法,在语音识别、图像处理、自然语言处理等领域都取得了很大的突破与成就。目前,深度学习在推荐领域也得到了许多研究人员的青睐,成为推荐领域的一个新方向。推荐方法中融合深度学习技术,可以有效解决传统推荐系统中冷启动、稀疏矩阵等问题,提高推荐系统的性能和推荐精度。文中主要对传统的推荐方法和当前深度学习技术中神经网络在推荐方法上的应用进行了归纳,其中传统推荐方法主要分为以下3类:1)基于内容推荐方法主要依据用户与项目之间的特征信息,用户之间的联系不会影响推荐结果,所以不存在冷启动和稀疏矩阵的问题,但是基于内容推荐的结果新颖程度低并且面临特征提取的问题。2)协同过滤推荐方法是目前应用最为广泛的一种方法,不需要有关用户或项目的信息,只基于用户和诸如点击、浏览和评级等项目的交互信息做出准确的推荐。虽然该方法简单有效但是会出现稀疏矩阵和冷启动的问题。3)混合推荐方法融合了前2种传统推荐方法的特点,能取得很好的推荐效果,但在处理文本、图像等多源异构辅助信息时仍面临一些挑战与困难。依据神经网络基于深度学习的推荐方法主要分为4类:基于深度神经网络(DNN)的推荐方法、基于卷积神经网络(CNN)的推荐方法、基于循环神经网络(RNN)和长短期记忆神经网络(LSTM)的推荐方法、基于图神经网络(GNN)的推荐方法、将深度学习技术融入到推荐领域,构造的模型具有以下优势:具有较强的表征能力,可以直接从内容中提取用户和项目特征;具有较强的抗噪能力,可以轻易地处理含有噪声的数据;可以对动态或者序列数据进行建模;可以更加精准地学习用户或项目特征;便于对数据进行统一处理,并且可以处理大规模数据。将深度学习技术应用到推荐领域,可以积极有效地应对传统推荐方法面临的挑战,提高推荐效果。