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.     

基于内容和协同过滤加权融合的音乐推荐算法

随着互联网的普及以及音乐库的高速更新换代,用户对音乐的需求变得越来越大,传统的推荐算法已经无法满足用户及时准确地寻找到所喜欢的音乐.因此,针对传统音乐推荐算法的不足,通过对协同过滤推荐算法的分析,提出基于内容和协同过滤加权融合的音乐推荐算法.与传统推荐算法及部分相关推荐算法比较,加权融合推荐算法计算出的推荐结果可以更高效快速地将用户感兴趣的音乐推荐出来.     

基于双向主题模型的协同过滤算法*

主题模型可以学习用户和推荐项目的潜在主题分布。提出了一种基于双向主题模型的协同过滤算法,分别学习用户和推荐项目的潜在主题分布用于推荐服务。在真实的数据集上实验验证,该算法的性能均优于几个经典的协同过滤算法。     

一种基于协同过滤的电动汽车充电推荐方法

 基于大量的充电行为数据,建立电动汽车用户的充电兴趣模型,将用户感兴趣但未发现的最佳充电选择推荐给用户,实现充电行为有序引导是一个重要问题。本文针对电动汽车充电提出一种基于协同过滤算法的推荐模型,得出最佳推荐模型参数指标,充电10次以下的新用户采用基于用户的协同过滤算法,充电10次以上的老用户采用基于物品的协同过滤算法;基于用户的协同过滤算法的最佳邻居数和推荐列表长度均为3;基于物品的协同过滤算法的最佳推荐列表长度为4。指出负荷聚合商可以结合参与需求响应计划的情况,对推荐列表进行再优化,将与需求响应冲突的推荐信息过滤掉,从而实现有序充电控制。     

基于长短期记忆网络的协同过滤算法研究

协同过滤算法如今已经广泛地应用在推荐系统领域,但大多未考虑数据的时效特征,近期长短期记忆网络(LSTM)在用户短期偏好建模方面显示出了巨大的优势,它能描述数据随时间变化的动态特征.因此本文将LSTM与协同过滤算法相结合,提出基于LSTM的协同过滤算法模型LSMF,该模型应用循环神经网络结构来动态模拟会话上下文,建模短期行为偏好,并自适应融合长期行为偏好进行推荐.在Netflix数据集上与传统方法 BPRMF、LSTM和两种基于RNN的最新模型NARM、T-LSTM相比,用户行为预测有了显著的改进.试验结果表明,基于LSMF算法模型的推荐系统有较高的推荐准确度.     

基于混合机器学习优化的协同过滤算法

协同过滤算法是一个在各领域广泛使用的启发式推荐算法,但传统协同过滤算法存在冷启动、数据稀疏性、用户分类精度低等问题.以协同过滤算法中重要的分类模型为切入点,对协同过滤算法进行改进.在选取分类算法方面,使用支持向量机算法与K最近邻算法进行模型融合,得到一个适用于协同过滤模型的分类算法,用其代替传统协同过滤算法中的分类算法.实验结果表明,改进的个性化推荐算法模型能较好解决传统协同过滤算法存在的问题,在对用户喜好的推荐精度上有明显优化作用.     

基于标签和云模型的协同过滤算法

引入云模型改进基于标签的用户相似性和资源相似性度量方法,进而提出了基于标签和云模型的协同过滤算法.通过在Movie Lens数据集上的实验表明:改进后的算法在precision,recall和F1-measure三个指标上均取得较好的推荐效果,推荐效率均优于传统的方法.     

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.     

基于用户兴趣变化的隐语义协同过滤算法

协同过滤是推荐系统中广泛使用的算法.协同过滤模型没有考虑用户兴趣的动态变化,影响推荐质量.为提高推荐准确度,提出新的推荐算法——将基于动态时间窗口的协同过滤推荐与高斯概率隐语义模型结合,利用动态时间窗口捕捉用户的兴趣变化,并结合概率隐语义模型分析用户长期兴趣,进而为用户提供更准确的推荐.实验表明,该算法同其他协同过滤算法相比具有更高的准确度.     

融合改进的内容与协同过滤的博客推荐方法

在中文博客系统中,受限于用户特征信息的稀少,使用协同过滤算法的准确率往往不高,而基于内容推荐算法,又会影响推荐结果的多样性.因此,文章提出了一种融合改进的内容推荐与协同过滤相结合的推荐方法.首先,采用协同过滤算法发现用户的潜在兴趣并通过谱聚类改进协同过滤的相似度计算,提高处理效率;其次,基于改进的内容的推荐算法构建用户的既有兴趣模型,计算潜在推荐内容与既有兴趣模型的匹配度;最后,通过逻辑回归算法融合协同过滤与内容推荐的结果.实验结果显示,文章所提出的推荐方法相对于单一的协同过滤和内容推荐可以显著提高推荐的结果的准确率和召回率,具备良好的推荐效果.     

基于信息差分保护的邻域推荐方法

为了减少推荐系统在挖掘用户行为大数据时隐私泄漏事件的发生,将差分隐私保护与协同过滤推荐算法结合,构建了一个差分隐私保护模型.采用一种引入偏置项优化的邻域的协同过滤模型,通过对该推荐模型计算过程中的平均值计算、偏置项计算、邻居选择、相似度计算等多环节设计,给出了一种基于差分隐私保护的邻域推荐算法.将平均值预测(IA)、基本的基于邻域推荐算法(BasicKNN)、带偏置项的基于邻域推荐算法(BiasedKNN)、隐私保护预处理邻域推荐算法(PPKNN)进行了试验对比.结果表明,文中提出的差分隐私保护协同过滤算法能够在保证差分隐私保护的前提下取得较好推荐准确度,且在略牺牲隐私保护效果的情况下,可获得更好的推荐效果.     

用动态贝叶斯网络构建协同过滤推荐的新方法

提出了一种基于动态贝叶斯网络的隐马尔可夫协同过滤推荐的新方法。基于隐马尔可夫模型的协同过滤方法模拟用户在浏览网页时的行为,根据用户浏览网页时的行为建立最近邻集合。在基于隐马尔可夫协同过滤推荐技术的基础上,构造基于DBN的推荐模型。当有新类型的数据加入时,用此模型来更新推荐模型。实验表明,此方法具有较高的推荐质量。     

基于RFM模型和协同过滤技术的酒店房型推荐算法

为了提升酒店房型个性化推荐效果,将RFM模型与协同过滤技术相结合,设计了一种酒店房型推荐算法,并通过实验验证了该算法的准确性和有效性优于传统的协同过滤推荐算法.     

基于用户及物品间差异的推荐算法研究

推荐系统是解决信息过载问题最有效的工具之一,协同过滤是目前推荐算法中广泛应用的技术,然而协同过滤算法存在着诸如数据稀疏、难以扩展等问题.在基于偏好算法的基础上,通过把用户评分按照用户评分偏好和物品得分趋势分类,在每类上进行线性回归,得到了基于用户及物品间差异的回归模型.该模型不仅能改善数据稀疏和可扩展性问题,而且能够降低计算复杂度和空间复杂度.实验结果表明改进后的算法在近似的计算复杂度情况下,预测精度比基于偏好算法平均提高了3.97%.     

基于协同过滤算法的团购个性化推荐系统

为解决团购网站无法针对用户进行个性化推荐,结合传统的基于项目和基于用户的协同过滤算法,提出组合的协同过滤算法模型,同时采用商品推荐和好友推荐的双重推荐模式,满足团购个性化推荐的需要.通过离线测试的方法对推荐系统的性能进行仿真实验.结果表明:改进后的算法在推荐效果上是有效的,对协同过滤算法起到了改进作用.     

基于特征增益与多级优化的协同过滤个性化推荐算法

基于混合策略个性化推荐的思想,为进一步提升业务套餐型产品的个性化推荐的准确性,提出了基于特征增益与多级优化的协同过滤推荐算法(FACCF);其中融合了消费数据的时域特征、空域特征、消费倾向以及套餐特征。该算法首先基于客户的时域、空域行为特征,构建了CTAP概率主题模型实现协同过滤;其次,将过滤后的新特征、套餐主题与套餐特征结合进行优化;最后,基于贝叶斯网络对客户群体的消费倾向进行聚类分析,形成二次优化,获得个性化推荐列表。使用电信真实用户数据实证分析的结果表明,FACCF算法能够更准确地预测客户消费意愿。     

基于协同过滤的电力信息运维知识个性化推荐模型

提出了基于协同过滤的电力信息运维知识个性化推荐模型.首先给出了电力信息运维知识个性化推荐模型的建立流程;其次引入隐式评分机制,将运维人员的学习行为转换为对电力信息运维知识的隐式评分;再次对传统协同过滤算法的不足进行改进;最后基于改进协同过滤算法构建个性化推荐模型,对电力信息运维知识进行推荐.实验结果表明,该个性化推荐模型能够有效提高推荐效果,具有实际意义.     

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.     

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。     

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.