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。     

基于属性偏好和邻居信任度的协同过滤推荐算法

针对协同过滤算法推荐准确度低和数据稀疏的问题,提出了一种基于属性偏好和邻居信任度的协同 过滤算法,首先利用用户的非共同评分项评分和项目属性信息,构建用户-属性评分矩阵,再结合共同评分项的 评分计算相似度;然后利用K近邻方法获取用户的最近邻居;最后学习用户的属性偏好,结合提出的邻居信任度, 计算用户的预测评分.实验结果表明,该算法有效地利用了项目属性和用户更多的评分信息,缓解了数据稀疏的 问题,提高了推荐准确度.     

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.     

一种面向稀疏数据的比率相似度计算方法

针对传统协同过滤方法存在数据稀疏问题,该文提出了一种面向稀疏数据的比率相似度计算方法,该方法在相似度计算过程中仅基于用户全部的显式评分数据,并且不依赖于共同评分项。用户的未评分项目通过相似度计算结果和最近邻的评分数据进行预测,并将预测评分较高的项目推荐给用户,实现个性化推荐。实验在两个公开的数据集上进行,结果表明,在数据稀疏的情况,该方法下仍然能够实现较高的推荐精度。     

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。     

一种改进的协同过滤推荐算法

协同过滤推荐算法是目前个性化推荐系统中应用比较广泛的一种算法,但也同样面临着数据稀疏性、冷启动、可扩展性等问题.本文主要针对数据稀疏性问题和冷启动问题导致的推荐效果不精确,提出了一种改进的数据填充方式和相似度计算方法.首先根据用户评分习惯对用户进行层次聚类,其次利用用户基本信息如年龄初步计算用户之间的相似度,并将共同评分项所占比值作为权重得到用户相似度,最后利用Slope-one算法计算前K个相似用户的填充值,加入相似度的权重以获得最终填充值.计算相似度寻找近邻集时,将用户基本属性作为相似度权重,并且引入Sigmoid函数来添加时间戳对相似度的影响,并得到最终的相似度计算方法. 实验结果表明,推荐精度得到了显著提高,数据稀疏性问题和冷启动问题得到了改善.     

基于用户兴趣的动态近邻协同过滤算法

为了帮助人们从大量互联网资源中找到感兴趣的信息,推荐系统由此而生.其中,应用最广泛,也是最早出现的推荐算法包括协同过滤算法,但是该算法还存在着许多不足之处.该算法主要考虑用户的评分数据,未能结合项目进行考虑,同时在选取当前用户的最近邻用户时,通常统一规定了近邻用户数目,没有结合每个用户的实际数据,导致推荐的效果无法取得最优.因此,本文在充分考虑用户评分的情况下,还结合项目信息加入了用户的兴趣偏好,提出了一种基于用户兴趣的动态近邻协同过滤算法.综合用户的标签数据和评分数据来计算相似度,可以很好的缓解仅依靠评分数据带来的稀疏性问题.同时在得到用户之间的相似度之后,设定2个阀值,分布选取最近邻用户.只有当用户间相似度超过阈值,该用户才会被选择为最近邻的用户,动态的找到每一个用户的严格最近邻用户.通过实验,与常用的协同过滤算法相比,本文提出的算法推荐的误差更小,并且为以后的研究工作奠定了基础.     

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.     

基于用户和项目双向聚类的协同过滤推荐算法

针对传统协同过滤算法数据稀疏性问题,提出一种基于用户和项目双向聚类的协同过滤推荐算法CFBC(Collaborative Filtering based on Bidirectional Clustering),将评分矩阵从用户和项目两个方向进行聚类,降低数据稀疏性的影响,提出一种改进的相似度计算方法P-J(Pearson-Jaccard)相关系数,提高相似度计算精度。实验证明,相较于传统协同过滤算法,该算法能有效提高推荐准确度。     

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。     

融合用户信任度的概率矩阵分解推荐算法

针对传统协同过滤推荐方法中用户评分信息稀疏导致推荐准确度不高的问题,提出融合用户信任度的概率矩阵分解推荐算法。该算法综合用户间的联合评分项以及非联合评分项,利用KL散度得到用户信任度排名,使得相似用户间的特征向量更加接近,并在概率矩阵分解过程中维持这种关系。最后在MovieLens 1M和Epinions数据集上采用三种指标进行对比实验,验证了该算法在稀疏数据集上推荐效果的有效性。     

基于粗糙集的协同过滤算法研究

协同过滤的推荐性能受限于评分矩阵中数据的稀疏性。针对这个问题,提出一种基于粗糙集的协同过滤方法,能在一定程度上缓解数据稀疏性的影响。首先进行数据预处理,即利用用户评分数量以及用户的评分值,作为用户进行分类的特征值,对用户进行分类;其次,利用粗糙集属性约简的方法剔除对用户分类影响较小的项目,生成更小的用户-项目评分矩阵,以降低数据的稀疏性和规模;最后基于约简后的数据集进行用户相似度的计算,获得目标用户真正近邻。实验结果表明,所提算法在常用评价推荐性能的指标MAE,COVERAGE,PRECISION和RECALL中显著优于COS,PCC,ADCOS,NHSM算法中的指标。     

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。     

融合隐式信任与属性偏好的群组推荐算法

随着互联网和推荐系统的不断发展，推荐服务的对象由单一用户扩展为群组成员，获取并融合组内成员的偏好、提升群组推荐效果成为当前推荐领域研究的热点问题.利用用户提供的多属性评分矩阵，提出一种融合隐式信任与属性偏好的群组推荐算法.首先，基于用户共同评分项目数和多属性评分相似度计算用户间的直接隐式信任，并利用信任传递机制获取用户间的间接信任，降低数据稀疏性.然后，通过计算用户各属性评分与总体评分间的距离来挖掘用户的属性偏好，在此基础上，利用注意力机制学习组内用户权重，将用户偏好聚合为群组偏好，进而结合深度学习框架对候选项目进行预测，生成最终的推荐列表.最后，四个数据集上的实验验证了提出的算法的有效性和可行性，实验结果表明，该算法的准确率、nDCG等评价指标明显优于对比算法.     

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。     

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。     

协同过滤中一种项目综合相似度计算方法

协同过滤算法作为一种成功的个性化推荐技术已经被应用到很多领域,但是由于协同过滤算法所使用的用户-项目评分矩阵一般都非常稀疏,导致该算法推荐效果一直较差。文章在考虑了用户相似喜好、项目平均得分的差异性和方差等因素基础上,提出了一种项目间综合相似度计算方法JAV Weighted Model,通过在MovieLens数据集上的实验表明本文方法在预测精度上与已有方法相比有一定的提高。     

一种缓解互惠推荐系统中数据稀疏性的算法

为解决以在线交友为代表的互惠推荐系统中数据稀疏性问题,根据LMa Fit算法提出一种改进评分矩阵的互惠推荐算法,该算法改进了传统评分矩阵填充的单向性与融合相似度计算。结果表明,与基于项目的协同过滤推荐算法和基于内容和协同过滤的混合算法相比,改进评分矩阵的互惠推荐算法在准确率、召回率和调和平均数值方面有明显改进,该算法不仅改善了数据稀疏性的问题,而且推荐质量也明显优于其他算法。     

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.