基于用户多种关联信息和项目聚类的推荐算法

基于用户背景信息的推荐算法中仅通过降低矩阵稀疏性来预测用户评分,造成算法的推荐准确率偏低。为解决上述问题,提出一种基于用户多种关联信息和项目聚类的推荐算法。首先通过加入用户与项目间的关联信息改进相似度计算方法来更加准确计算获取相似用户,将最相似的前K个用户作为目标用户的最近邻;然后根据目标用户最近邻对项目的评分预测目标用户未评分项目的预评分,并把预评分填充到用户项目评分矩阵;最后通过协同过滤算法得到最终预评分,在此基础上结合项目聚类产生推荐项目列表。通过MovieLens数据集上的实验结果表明,该算法有效降低了矩阵稀疏性、减小评分误差和提高准确率。     

融合用户偏好优化聚类的协同过滤推荐算法

提出一种融合用户偏好优化聚类的协同过滤推荐算法。首先利用RP-IIP算法形成细粒度用户-项目类型偏好矩阵,真实反映出用户兴趣偏好并缓解数据稀疏性;然后在该矩阵上利用蝙蝠优化的用户模糊聚类算法进行聚类,增强了用户的聚类效果并提高可扩展性,从隶属度较高的簇中选取目标用户的最近邻居,提高了最近邻选取的准确性;最后,建立用户加权相似度模型对目标用户进行评分预测并产生推荐,进一步提高推荐结果的准确性。实验结果表明,所提出的算法能够产生更好的推荐结果。     

基于用户偏好和麻雀搜索聚类的协同过滤算法

针对推荐算法数据稀疏及聚类中心点敏感问题,提出了一种基于用户偏好和麻雀搜索聚类的协同过滤推荐算法。首先使用评分偏好模型对原用户项目矩阵进行修正,得到新的用户偏好-项目矩阵。利用麻雀搜索对聚类中心点进行优化,从目标用户所在簇内得到最近邻,提高了算法迭代速度,改善了聚类中心点敏感的问题。使用相似度公式对目标用户未评分项目进行预测,并完成推荐。实验结果表明,相较于其他几种推荐算法,准确度提高了4到6个百分点。     

基于双层相似度的协同过滤推荐算法

针对由于用户评价矩阵的数据稀疏性而导致推荐精度和准确率不高的问题,提出了一种基于双层相似度的协同过滤算法。经典算法通过改进某一种相似度或者混合相似度来提高推荐精度和准确度,本文对此进行了改进,将最近邻相似度和最近评分相似度两个概念进行区分,采用双层相似度来寻找这两个概念层次的邻居。第1层用来寻找与用户行为偏好的最近邻居,基于用户共同评价行为和差异行为的对数似然比及用户物品属性偏好相似性来实现。第2层用来寻找在评分意义上的最近评分邻居,通过改进的皮尔森相似度衡量用户评分上的相似性,给用户未知的物品进行评分预测。在Movielens数据集上的实验结果表明,本文算法能够快速排除干扰找到用户邻居,极大地提高了推荐系统的精确度、准确率。     

基于模糊聚类和评论时效的在线点餐推荐算法

针对当前推荐算法存在数据稀疏性、冷启动和缺乏时效性的问题,为提高推荐质量,提出了一种基于模糊聚类和评论时效的推荐算法,并应用于在线点餐系统中。在协同过滤的基础上,充分利用模糊C均值聚类算法确定目标用户邻近用户集,再利用改良的项目相似性计算最近邻居集,并填充用户项目评分矩阵,最后引入用户评论相似度和评论时效预测最终评分。实验结果表明,该算法明显优于传统的推荐方法,能够获得较好的推荐精度。     

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.     

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。     

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.     

一种综合用户和项目因素的协同过滤推荐算法

针对用户评分数据极端稀疏情况下传统协同过滤推荐算法的不足,提出了一种综合用户和项目因素的最近邻协同过滤推荐(HCFR)算法.该算法首先以一种改进的相似性度量方法(ISIM)为基础,根据当前评分数据的稀疏情况,动态调节相似度的计算值,真实地反映彼此之间的相似性.然后,在产生推荐时综合考虑用户和项目的影响因素,分别计算目标用户和目标项目的最近邻集合.最后,根据评分数据的稀疏情况,自适应地调节目标用户和目标项目的最近邻对最终推荐结果的影响权重,并给出推荐结果.实验结果表明,与传统的只基于用户或基于项目的推荐算法相比,HCFR算法在用户评分数据极端稀疏情况下仍能显著地提高推荐系统的推荐质量.     

基于并行化谱聚类的协同推荐算法研究

随着大规模网络数据的增加,可扩展性成为推荐系统的一个关键因素,为此提出一种基于并行化谱聚类的协同推荐算法.首先通过并行化改进的谱聚类方法对项目进行聚类;然后在基于用户的协同推荐算法基础上,结合已聚类的项目打分信息,提出一种改进的相似用户计算方法,并进行推荐;最后在数据集上进行测试.结果表明,该算法可以有效降低时间复杂度,推荐精确度和推荐效率也有显著提高.     

基于用户聚类的图书协同推荐算法研究

针对协同过滤推荐算法中因图书评分数据稀疏,导致推荐质量和推荐效率低的问题,提出结合用户聚类的图书协同过滤推荐算法。首先将用户身份特征数据和行为数据进行向量化表示,并利用K-means聚类算法进行用户聚类成为不同的类别;其次计算目标用户与各类别的距离,并选择最近距离的类别作为目标用户的检索空间;最后,从检索空间中通过相似度计算确定目标用户的最近邻居,在此基础上产生推荐列表。实验结果表明,所提算法能够有效提高推荐精度,降低推荐所耗时长。     

基于混合蛙跳模糊聚类的电子商务协同过滤推荐

针对传统协同过滤推荐算法生成推荐速度慢、推荐质量不高等缺陷,提出了一种基于混合蛙跳模糊聚类的改进协同过滤推荐算法。算法首先利用模糊C-均值(FCM)聚类方法对用户数据进行预处理,得到用户数据聚类中心,有效地降低了推荐工作量。然后选取相似度最优的若干聚类组成候选用户邻居集合,并利用混合蛙跳算法快速地全局寻优能力得到用户最近邻居集合,提高了推荐精度。最后,通过计算预测评分生成推荐结果。仿真结果表明,相比于传统协同过滤推荐算法,该算法在推荐速度和推荐精度上有明显改善。     

融合矩阵分解和XGBoost的个性化推荐算法

针对传统的协同过滤推荐算法中评分矩阵过于稀疏和算法准确度不高的问题,提出一种融合矩阵分解和XGBoost算法的推荐算法(MFXGB,Matrix Factorization XGBoost),其特点是利用SVD++算法(SVD,Singular Value Decomposition)对用户项目评分矩阵进行填充,避免过多的缺失值对算法精确度的影响,再利用XGBoost(eXtreme Gradient Boosting)算法训练有监督的模型用于预测用户评分.为了克服计算成本过高的困难,提出利用K-均值聚类方法进行特征提取用于训练XGBoost模型.将MFXGB算法应用于MovieLens数据集进行实验分析,结果显示,MFXGB算法的推荐精确度比传统的3种方法分别提高了8.91％、10.18％和11.79％,效果明显优于传统的推荐算法.     

一种有效缓解数据稀疏问题的协同过滤推荐算法

文章针对数据的稀疏会导致传统的协同过滤(collaborative filtering,CF)推荐算法不能准确地查找到最近邻居问题,提出了一种改进的基于用户Tanimoto相似性系数预填充的算法,通过改进的Tanimoto相似性系数得到更加合理的用户相似度,并结合提出的预测公式对目标用户的未评分项进行预测评分和填充,从而降低矩阵的数据稀疏度。实验结果表明,该算法对稀疏数据集具有较好的表现,能够提高推荐的质量。     

定向信息推荐下多维信任数据协同推荐算法研究

随着通信用户数量的逐渐增加,当前多维信任数据协同推荐算法无法有效满足用户对资源多样性、准确性和发掘能力的要求。为此,提出一种新的定向信息推荐下多维信任数据协同推荐算法。通过矢量空间模型对用户兴趣进行描述,将具有代表性的用户看作该类用户的聚类中心,建立用户对资源的偏好矩阵,求出依据综合信任值的用户相似度;重复选择聚类中心,直至符合既定阈值。获取用户聚类结果后,选择待推荐用户所处聚类中和该用户相似的若干用户,依据上述近邻对目标资源的评分值实现目标用户对目标项目的预测。给出定向信息推荐下多维信任数据协同推荐算法的实现过程,输出Top-N多维信任数据推荐集合。实验结果表明,所提算法预测精度和资源多样性高,发掘能力强,推荐效果好。     

基于蚁群模糊聚类的协同过滤推荐算法

为解决传统协同过滤算法在产生推荐时实时性较差性问题,提出了一种基于蚁群模糊聚类的协同过滤推荐算法.该算法将分两个步骤产生推荐.离线时,应用蚁群模糊聚类技术,对基本用户进行聚类;在线时,利用已有的用户蚁群聚类寻找目标用户的最近邻居,并产生推荐.实验表明,基于蚁群模糊聚类的协同过滤推荐算法能提高推荐产生的速度,即实时性得到...     

基于阈值聚类和KNN分类的入侵检测

利用基于阈值聚类算法首先对带类标记的样本数据集进行有指导性聚类,其主要目的是压缩训练数据集,解决KNN分类算法的样本选择问题以及孤立点的发现,用少量的更具代表性的聚类中心替代KNN算法中巨大的样本集,然后利用聚类密度改进KNN分类算法,从而提高KNN分类检测的准确度和速度.     

Slope One-BI算法的改进及其在大数据平台的并行化

针对大数据时代下Slope One算法推荐效率不高的问题,提出结合聚类和动态K近邻的双极Slope One推荐算法.首先,结合Canopy和K-medoids的聚类算法把相似的用户汇聚到一起.然后,在所属聚类中,根据用户之间相似度的具体情况动态地寻找最近邻,并用Slope One-BI算法推荐预测.最后,在Spark平台上实现并行化.在电影数据集上的实验结果表明:基于Spark平台的优化算法与其他协同过滤算法相比,推荐精度具有明显优势.     

多目标监督聚类GA研究

提出了多目标监督聚类GA算法,即:根据样本的类标签有监督地将样本聚类,在每个类中根据样本属性的相似性有监督地聚成类簇.如果分属不同类标签的类簇出现相交,则相交类簇再次聚类,直到所有类簇均不相交.适应度矢量函数由类簇数和类内距离2个目标确定,类簇数和类簇中心由目标函数自动确定,从而类簇数和中心就不受主观因素的影响,并且保证了这2个关键要素的优化性质.预测分类时,删去单点类簇,并根据类簇号和离某个类簇中心距离的最近邻法则以及该类簇的类标签进行分类.算法模型采用C#实现,采用3个UCI数据集进行实例分析,实验结果表明,本算法优于著名的Native Bayes、Boost C4.5和KNN算法.     

基于内容和最近邻算法的多臂老虎机推荐算法

本文提出一种基于内容和最近邻（k-近邻）的多臂老虎机推荐算法:把推荐问题转化成多臂老虎机问题,把冷启动问题转化成EE（explore exploit）问题;通过观察用户特征,以用户特征为内容,计算用户之间的相似度并得出用户的最近邻;最近邻用户基于内容对推荐池物品进行预期评价,根据用户最近邻的预期评价情况,选择综合最优的物品推荐给用户. 并通过采用来自Movielens和Jester的真实数据集进行实验,实验结果表明:结合内容和最近邻算法的推荐算法更优且更具实用性,尤其在解决冷启动问题上效果显著.