基于两阶段聚类的协作过滤推荐算法

协作过滤推荐是目前主流的个性化推荐方式,但数据稀疏问题影响了推荐系统的性能.提出了基于两阶段聚类的协作推荐算法,降低了数据的稀疏性,提高了最近邻的准确度,而且推荐精度较以往传统的算法有明显提高,时间复杂度也有明显降低.     

协作过滤信息推荐技术研究

随着网络技术的发展、网络上信息量的不断增多以及电子商务的普及,协作过滤得到了广泛的应用.在对协作过滤信息推荐技术基本思想、算法分类等相关内容概述的基础上,总结了其当前存在的3个方面的主要问题:冷启动、数据高维稀疏、以及算法的可伸缩性,同时分析了当前国际、国内的研究进展情况,对主要的方法、技术等进行了扼要的概述与总结.对推荐算法中相似性度量方法、预测评分的策略、推荐质量的度量标准、未来可能的研究方向等分别进行了论述.     

基于聚类的优化协作过滤技术

基于内存的协作过滤算法主要利用用户对某站点项目的评分,计算2个用户之间的相似性,但该方法可扩展性差.基于模型的协作过滤算法通过训练数据预先计算出预测模型,弥补了上述方法的不足,但该模型没有考虑到个体的差异而限制了推荐的性能.在总结现有2种算法特点的基础上,提出一种新颖的协作过滤框架,它先从训练集中产生聚类,并以此为基础进行邻居预选择,再在预选择的邻居集合上使用基于内存的协作过滤算法.实验结果表明,该方法不仅提高了计算的效率,而且也提高了推荐的质量.     

基于矩阵分解和聚类的协同过滤算法

基于矩阵分解和聚类提出一种协同过滤推荐算法. 先利用交替最小二乘（ALS)算法进行矩阵分解, 再利用改进的k-均值聚类算法弥补单一ALS算法在后期协同过滤阶段产生的大计算量问题, 解决了由于减小原始矩阵高维度、 高稀疏性带来的推荐准确度较低的问题, 极大提高了计算速度和推荐精度. 实验结果表明, 改进算法在推荐准确性上有明显提高.     

基于不同数据集的协作过滤算法评测

针对协作过滤算法评测中普遍采用单一数据集,该文将传统的User-based(近邻数为20)、Item-based、Itemaverage、Item user average和Slope One 5种算法应用于MovieLens和Book-Crossing两种数据分布特征不同的数据集。结果显示,在Movielens这种评分值相对比较稠密的数据集上,Slope One算法的预测精度最好;而在评分值相对比较稀疏的Book-Crossing数据集上,Item-based算法的预测精度最好,Slope One的预测精度最差。选择算法应根据用户和资源分布具体情况确定。     

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.     

基于协作过滤的Web日志数据预处理研究

协作过滤是当今应用较为成功的个性化服务技术，Web日志可以为个性化服务技术提供重要的数据源，只要对日志数据进行高效预处理，就能提高协作过滤算法有效性和个性化服务质量。结合实际日志数据的处理，给出了基于协作过滤的Web日志数据预处理过程结构图和一种可行的数据预处理方法，该方法不仅可以提供更加干净、规则的数据源，而且在用户兴趣度量方面，弥补了以往诸多兴趣度量方法的不足，为协作过滤算法提供了更加准确的数据支持。     

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。     

基于项目与客户聚类的协同过滤推荐方法

文章给出了一种基于项目与客户聚类的协同过滤推荐方法,将聚类分析与协同过滤方法紧密结合;通过降低项目空间维数,减少了用户在寻找最近邻邻居的搜索强度,增强了推荐算法的实时性,提高了推荐服务的质量。     

基于迁移的联合矩阵分解的协同过滤算法

早期的协同过滤算法利用矩阵分解来解决数据稀疏问题,但是严重的稀疏问题导致矩阵分解的性能很难满足应用的需求.随后,迁移学习被引入到协同过滤的研究中,它主要利用辅助域和目标域的公共用户的各种信息来解决目标域的数据稀疏问题.虽然通过引入辅助域的信息能够帮助目标域获取更多的知识,但是在公共用户包含的公共商品项目少的情况下,只利用公共用户的浅层特征来度量用户的相似性,不能很好地捕捉用户的潜在特征,相似性度量效果不好.为此,本文提出了一种基于迁移的联合矩阵分解协同过滤模型,以公共用户为锚,将两个领域的用户和商品映射到一个潜在的语义空间.模型通过对两个领域的用户 商品评分矩阵在以公共用户信息作为约束项的情况下,进行联合矩阵分解,在实际基准数据集上的实验结果表明,本文所提出的方法明显优于现有基于相似度计算的迁移学习方法,也证明了模型的有效性.     

协同过滤算法的优化研究

对协同过滤算法中用户相似性计算方面进行优化,在计算用户相似性的公式中添加用户兴趣偏差度作为权重,以提高相似性计算的准确性.通过实验对改进的算法进行了验证,结果表明改进的算法提高了推荐系统的准确度.     

一种改进的K-means聚类的协同过滤算法

针对海量新闻的个性化推荐算法进行研究,提出一种改进的推基于K-means聚类的协同过滤用户推荐算法.该算法首先随机初始化了K个质心,按照重新定义过的新的用户相似度公式将用户进行K-means聚类,并选取相似度最大的作为当前用户所属类别;然后再重新定义了质心并进行迭代聚类;最后在每一个用户类里应用基于用户的协同过滤推荐算法,并给用户合理的个性化推荐.仿真实验测试表明,新算法能够提高推荐的准确率,并且有效提高了扩展性.     

一种自适应局部和全局融合的协同过滤算法

相似度计算模型是协同过滤技术的核心,相似度模型的好坏直接关系到近邻用户推荐的准确性。通过用户项目评分数据集局部相似性与全局相关性分析,提出相似性度量改进模型,而改进后模型用MovieLens100K数据集实验验证,通过均方根误差、平均绝对误差和召回率三个实验结果分析。该算法可有效地提高推荐预测评分和推荐项目的准确率。     

基于协作过滤的Web日志数据预处理研究

协作过滤是当今应用较为成功的个性化服务技术,Web日志可以为个性化服务技术提供重要的数据源,只要对日志数据进行高效预处理,就能提高协作过滤算法有效性和个性化服务质量。结合实际日志数据的处理,给出了基于协作过滤的Web日志数据预处理过程结构图和一种可行的数据预处理方法,该方法不仅可以提供更加干净、规则的数据源,而且在用户兴趣度量方面,弥补了以往诸多兴趣度量方法的不足,为协作过滤算法提供了更加准确的数据支持。     

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.