融合社交网络信息的协同过滤方法

针对目前协同过滤方法存在的数据稀疏性、冷启动以及未能有效利用用户社交网络信息提高推荐质量等问题,提出一种融合用户社交网络信息的协同过滤方法,该方法以矩阵分解推荐模型为核心,可综合集成目标用户个人偏好以及社交网络中的关系用户偏好特征信息做出推荐.通过设计相应的推荐方法,并基于梯度下降法对用户以及商品特征矩阵的求解进行了优化运算.相关实验结果表明融合社交网络信息可在一定程度上提高协同过滤的推荐准确度以及缓解数据稀疏性、冷启动问题.     

基于综合相似度迁移的协同过滤算法

数据稀疏性问题是传统协同过滤算法的主要瓶颈之一.迁移学习通常是利用目标领域与辅助领域的潜在关系,对辅助领域进行知识迁移,以此来提高目标领域的推荐质量.现有的基于相似度迁移模型,普遍只利用了用户评分信息,并且在评分相似度计算上忽略了用户评分标准个性差异.针对这些问题,提出了一种综合相似度迁移模型,在相似度计算上,即利用了用户评分信息同时也利用了用户属性信息,并且考虑了用户间对满意度的打分标准的差异性,采用了用户评分分布一致性来衡量用户评分相似度的方法,提高了相似度计算的准确性,从而提高了数据迁移的质量.实验结果表明,该模型较其他算法能比较有效地缓解数据稀疏性问题.     

基于潜在因子多样性的非负矩阵分解协同过滤模型

基于非负矩阵分解的协同过滤模型在高维稀疏数据的预测和填补上十分有效，该模型具有推荐个性化、有效利用其他相似用户回馈信息的优点，但也存在预测精度较低等不足。针对用户或项目在不同情景下的评分差异性，提出了一种改进的基于潜在因子多样性的非负矩阵分解的协同过滤模型。该模型充分考虑在不同情境下，用户和项目潜在特征矩阵的多样性，在模型的训练中，采用了单元素非负乘法更新规则和交替方向法，保证了目标矩阵的非负性，且提高了模型的收敛率。在真实的工业数据集上的实验结果表明，相比于经典的非负矩阵分解模型，该模型的预测精度有了明显提高。     

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。     

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。     

基于知识表示学习的协同矩阵分解方法

针对协同过滤算法中用户反馈数据的稀疏性问题,提出一种基于知识库的协同矩阵分解方法.该方法从物品的知识图谱中学习其向量表示,并在此基础上联合地分解反馈矩阵和物品关联度矩阵,两种矩阵共享物品向量,利用物品的语义信息弥补反馈数据的缺失.实验结果表明,该方法显著地提升了矩阵分解模型的推荐效果,在一定程度上解决了协同过滤的冷启动问题.      

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.     

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.     

一种改进的协同过滤推荐算法

基于互联网的推荐系统为广大用户提供了一个信息共享平台,给用户提供便利,但是初期信息量少,矩阵过于稀疏,所以本文利用矩阵分解中的SVD分解,对协同过滤中的matrix进行运算,再次输入到协同过滤的模型中,从而进一步提高推荐系统的准确性.实验结果表明,该方法较单纯的协同过滤推荐算法评估指标RMSE上有明显降低,表明误差会降低.协同过滤推荐算法作为是推荐系统中使用较广泛的算法之一,因此一点点改进都是有必要的.本文后面提及了张量,为之后引入时间序列,类别(利用NLP识别所属类),标签等维度,利用张量分解建立用户、物品、评分,时间,类别,标签等多维度的推荐系统.     

采用矩阵分解模型的托攻击防御算法

提出一种基于矩阵分解模型的托攻击防御算法框架.首先,利用托攻击检测技术,度量用户是托用户的概率,并以此构造信任度权值矩阵;然后,将此权值矩阵引入到矩阵分解模型,以降低托用户攻击行为的影响;最后,通过求解新模型实现对用户评分的预测.实验结果表明:这类算法与其他协同过滤算法相比较,能够更有效地抵御托攻击.     

动态混合相似性度量下的协同过滤推荐算法

协同过滤是个性化推荐系统中应用于最为成熟的技术之一。其中基于用户的协同过滤采用相似性度量方法寻找近邻用户,再使用近邻用户的评分预测目标用户未评分项的评分值。针对传统的相似性度量方法在处理大规模稀疏性数据时的缺陷,提出一种新的改进策略,将用户评分习惯、群体相似性和评分值相似性三类因素纳入用户相似性度量方法中,并动态调整三者的权重。根据在Movie Lens数据集上的测试结果表明,该改进策略可有效提高算法的推荐质量。     

一种改进的结合标签和评分的协同过滤推荐算法

推荐系统由于其数据量庞大的原因,已经成为大数据领域研究的一个热点.而协同过滤算法是推荐系统中最著名的算法之一.传统协同过滤算法在利用评分矩阵进行推荐时,面临数据稀疏性问题,从而严重影响推荐的质量.同时,推荐系统中存在大量的描述用户和产品属性特征的标签信息,把这些标签信息融入到传统的推荐算法中是解决稀疏性的一个有效方法.因此,针对稀疏性问题,本文提出了一种结合标签和评分的协同过滤推荐算法.该算法结合标签信息和评分数据共同计算用户之间或产品之间的相似性,进而为用户产生推荐.实验结果表明,本文提出的算法可以有效解决数据稀疏性问题,同时可以提高推荐系统的准确性.     

基于情感分析和情感遗忘的协同过滤推荐策略

【目的】探索弥补现有协同过滤推荐系统中存在的诸如无法有效地识别用户兴趣的迁移、数据稀疏情况下推荐准确率低等缺陷的方法。【方法】通过对网络用户在线评论信息进行基于方面级的情感分析，利用改进的DP算法提取出评论信息中用户潜在的情感倾向，并对它进行有效地量化，有效地将用户的情感因素引入到用户兴趣建模过程中。同时，引入艾宾浩斯遗忘曲线理论，解决因时间变化而导致的用户兴趣迁移的问题。【结果】模拟实验在所选的两套数据集上进行，分别针对平均绝对误差（MAE）和覆盖率（Coverage）两个常用的性能评价标准，与选定的对比算法进行了对比实验。实验结果显示提出的引入情感分析和遗忘的协同过滤推荐算法能够有效地降低MAE，并能有效地提升Coverage。【结论】提出的算法有效地弥补了兴趣迁移对推荐准确率的影响，提高了系统对商品长尾的发掘能力。     

二阶有向相似性对协同过滤算法的影响

考虑用户的二阶相似性信息,提出了一种改进的协同过滤个性化推荐算法.实证统计发现,经典的基于产品映射的用户相似性定义中包含很多流行产品的信息,因此,无法准确度量用户的兴趣关联,通过引入有向的二阶相似性,算法可以有效降低大众主流喜好对目标用户相似性定义的影响.Movielens数据集上的实验结果显示,算法的准确度可以达到0.080 8,相对于经典的协同过滤算法,其准确性提高了22.08%,且当推荐列表长度L=50时,推荐列表的多样性可以达到0.775,较经典的协同过滤算法提高了10.87%.研究表明,二阶有向相似性信息对个性化推荐算法有很大影响.     

基于PCA降维协同过滤算法的改进

随着电子商务网站用户与商品数目的增加,使用户-项目评分矩阵成为高维稀疏矩阵,使协同过滤算法的质量降低.为此,采用主成分分析法对用户-项目评分矩阵进行降维处理,改善输入数据的稀疏性.实验结果表明,与几种典型的协同过滤算法比较,改进后的算法推荐质量有明显提高.     

基于用户相似性传递的协同过滤推荐方法

随着Web服务量日益剧增,如何推荐给用户符合其期望的服务尤为重要.协同过滤是服务推荐系统中应用较广泛的算法,但协同过滤往往存在数据稀疏问题.针对该问题,文中提出了一种基于用户相似性传递的协同过滤推荐算法,通过改进的皮尔逊相关系数计算出用户间的相似性,利用用户相似性构建相似性网络,并根据用户等级、最短路径和六度分隔理论进行用户间的相似性传递,以此增加目标用户的相似用户的数量,缓解了数据稀疏问题,然后根据传递填充过的用户相似网络进行服务的评分预测.最后以美团网的真实数据进行了实验,实验结果表明文中提出方法一定程度上可以提高推荐结果的准确性.     

时空感知下基于结构相似度的Web服务质量预测

随着云计算等新型服务计算的兴起,Web服务数量日益增长,相同或相似功能的Web服务也逐渐增多.为了向用户推荐更高质量的服务,精确地预测Web服务的QoS值成为亟待解决的重要问题.传统的协同过滤方法已经被广泛应用于QoS预测和Web服务推荐中,但因为数据稀疏和噪声问题导致QoS预测性能不好.为提高QoS预测的性能,文中通过分析用户服务QoS矩阵的时空特征,提出了一种基于全局和局部结构相似度的稀疏矩阵分解模型.该方法将QoS矩阵的相邻时间相似用户的网络环境相似性这一特征融入到矩阵分解中,并利用分解的因子对QoS矩阵进行低秩填充.这种方式在一定程度上消除了数据稀疏和噪声的影响.在真实Web服务调用数据集上进行实验,结果表明,该方法在预测精度上优于典型的协同过滤算法(相比于NMF,其MAE值最大下降了3.25％,RMSE值最大下降了6.65％;相比于SVD,其MAE值最大下降了3.67％,RMSE值最大下降了7.01％),能够有效地解决数据稀疏和噪声的问题.     

基于Logistic函数的社会化矩阵分解推荐算法

持续指数增长的互联网逐渐带来了信息过载问题,使得推荐系统提供的信息过滤服务尤为重要. 协同过滤是推荐系统领域最为成功的技术,但依然存在数据稀疏性等问题. 社会关系信息能够有效提高推荐系统的预测准确性. 为解决数据稀疏性问题,本文提出了一种利用Logistic函数的社会化矩阵分解推荐算法. 在3组真实数据结合上的实验结果表明,本文提出的算法能够提供更准确的推荐结果,特别是在数据稀疏的情况下,显著缓解了数据稀疏性问题.      

基于NKL和K-means聚类的协同过滤推荐算法

针对传统协同过滤推荐算法(CF)存在用户-项目矩阵稀疏以及推荐准确率较低等问题,提出了一种基于NKL和K-means聚类的协同过滤推荐算法(NKL-KM).首先,NKL-KM算法定义了一种新的相似性度量方法,该方法在进行相似性度量时考虑了各项目评分的分布以及评分值差异.其次,NKL-KM算法将K-means算法与CF算法结合,提高了推荐算法精度.最后,在MovieLens和Netflix数据集上进行算法对比实验,实验结果表明NKL-KM算法有较高的推荐精度.     

一种基于时间和标签上下文的协同过滤推荐算法

针对常规推荐算法数据单一、准确性和可靠性都比较低的问题,提出了将时间和标签上下文信息加入到推荐算法中,以丰富单个用户或商品的信息。利用时间信息挖掘用户间的影响关系,同时利用标签上下文来衡量物品间的关系,最后将用户关系向量和物品关系向量融合到概率矩阵分解模型中。实验结果表明,提出的协同过滤推荐算法能够提高推荐的准确性和精度。