基于用户间影响力及对象间关联关系的社会化推荐

提出一种结合用户间影响力和对象间关联关系的社会化推荐方法.该方法在建立用户兴趣模型时,利用贝叶斯方法计算用户间影响力和对象间关联关系,得到用户间影响力矩阵和对象间关联关系矩阵;然后,将其与用户-对象评分矩阵进行联合分解,解决了只考虑当前的兴趣而无法提高推荐准确率的问题.实验结果表明,所提的方法能够在推荐准确率上取得更好的效果.     

基于用户的协同过滤推荐算法研究

本文介绍了基于用户的协同过滤推荐的算法,并分析该算法的优劣,提出了解决办法。     

改进的基于物品的协同过滤推荐算法

传统的基于物品的协同过滤推荐算法根据用户的历史行为,给用户推荐与用户之前行为相似的物品.这种传统的基于物品的协同过滤算法忽略了物品本身之间内在的联系,完全只是依赖于用户-物品矩阵,这无法避免由于用户主观上的偏见所导致推荐精度的偏差.针对上述的问题,本文重新定义了物品相似度的计算方法,该方法加入了对于物品内在之间联系的计算.实验结果证明:本文提出的改进的基于物品的协同过滤算法能在进一步提高了推荐的准确率.     

基于联合物品搭配度的推荐算法框架

针对现有推荐系统大多基于物品(用户)相似度进行计算,其推荐结果无法兼顾推荐对象的搭配性特征的问题,提出了一种基于联合搭配度的推荐算法框架.该算法框架中的联合搭配度模型,结合了用户交互反馈、物品的文本和结构化知识3方面的信息,分别计算目标物品与候选物品的搭配程度,然后利用逻辑回归算法进行搭配度融合,可以得到与目标物品最相搭配的物品推荐列表.通过在淘宝真实数据集上的实验,该推荐算法框架相比于传统基于相似性的推荐算法,显著提高了搭配推荐的性能,同时在用户交互记录较少的情况下也能有较好的精确度.     

基于交互链路的相似用户推荐算法

用户推荐是社交软件中必不可少的功能之一。针对目前绝大多数的用户推荐算法仅从用户的关注和粉丝中寻找相似用户,忽略了与其有过交互但却未关注该用户的人,以及仅关注用户间的直接交互、未考虑间接交互对推荐效果的影响等问题,该文提出了一种有效的基于交互链路的相似用户推荐算法。该算法将用户基本信息相似度与交互强度相结合,实现了相似用户的推荐。与已有算法相比,该算法扩展了发现相似用户的范围,并在交互链路的大背景下将间接交互引入交互强度计算中。实验结果表明,该文算法能够发现更多的相似用户。     

基于用户等级的协同过滤推荐算法

提出一种基于用户等级的协同过滤推荐算法, 解决了传统协同过滤推荐算法的扩展性问题. 该算法首先定义用户等级函数, 依据用户所评价的项目数确定用户等级; 并通过仅在用户等级的邻域内查找近邻的方法, 提高协同过滤推荐的效率. 实验结果表明, 该算法与传统协同过滤推荐算法相比, 在不影响推荐质量的前提下, 极大地提高了推荐效率.     

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。     

一种基于Interest-Model的用户推荐算法

目前的社交网络用户推荐算法针对性较弱,用户兴趣不明显.针对这些问题,设计一种基于兴趣的潜在用户推荐算法.抽取用户的Tag标签,计算标签间的语义相似度,通过用户与其关注者之间的关系和兴趣程度对关注者进行打分,根据打分结果进行潜在用户的推荐.实验结果表明,基于兴趣的用户推荐算法对潜在用户的预测和推荐准确度有所提高.     

基于用户评论的协同过滤推荐算法

提出融合用户评论的协同过滤推荐算法,通过挖掘电商网站的用户评论信息,获取用户评论中的产品特征和意见,通过计算每个特征意见对的极性,得到特征矩阵,结合用户意见质量形成的用户评分矩阵,求出用户评分的相似度.最后结合特征矩阵和用户评分相似度得出目标用户的综合相似度,并由预测评分得出产品推荐表,对用户进行产品推荐.实验结果表明,提出的算法与常用的推荐算法相比,改善了推荐的质量,同时推荐精度得到提高.     

基于用户偏好的协同过滤推荐算法

在用户的协同过滤推荐模型中,用户对项目评分的偏好行为会导致计算用户之间的相似性出现偏差,影响推荐的质量。文章根据用户的评分习惯划分用户,利用大间隔寻找用户的近似邻居,提出了一种基于用户偏好的协同过滤推荐算法,首先引入一种新的相似性度量方法计算用户之间的相似度,再构建一种基于用户偏好的协同过滤推荐模型。实验结果表明,该算法能有效提高推荐质量。     

基于长尾理论的物品协同过滤Top-N推荐算法

传统的基于物品的协同过滤算法在计算物品相似度时,热门商品难以与冷门商品相似,从而冷门商品的推广就更为困难。针对上述问题,在传统的物品协同过滤算法基础上,提出一种改进的类TF-IDF物品相似度算法,同时考虑并排除刷分现象对物品推荐产生的负面影响,使冷门商品在基于长尾理论的推荐系统中有更高的覆盖率和准确率。以MovieLens上的数据集作为实验数据进行实验,实验结果表明,改进后的算法在保持甚至提高准确率的前提下,有效地提高在推荐冷门商品时系统的覆盖率。     

基于长尾理论的物品协同过滤Top-N推荐算法

传统的基于物品的协同过滤算法在计算物品相似度时,热门商品难以与冷门商品相似,从而冷门商品的推广就更为困难。针对上述问题,在传统的物品协同过滤算法基础上,提出一种改进的类TF-IDF物品相似度算法,同时考虑并排除刷分现象对物品推荐产生的负面影响,使冷门商品在基于长尾理论的推荐系统中有更高的覆盖率和准确率。以MovieLens上的数据集作为实验数据进行实验,实验结果表明,改进后的算法在保持甚至提高准确率的前提下,有效地提高在推荐冷门商品时系统的覆盖率。     

基于区域活跃用户的好友推荐和位置推荐算法

针对目前多数基于位置的推荐算法中未考虑用户的实时位置和时间因素, 使得推荐缺乏实时性的问题, 提出一种基于区域活跃用户的推荐算法, 以解决传统基于位置的推荐算法中存在冷启动的问题. 首先, 发掘用户当前所在位置的区域活跃用户, 以此作为推荐标准, 为用户进行推荐. 其次, 在位置推荐中引入时间因素, 使推荐更具准确性和实时性. 实验结果表明: 该算法融入的区域活跃用户好友数可提升推荐系统的实时性; 算法融合的位置信息可使推荐更准确.     

基于用户聚类的微博话题推荐算法

微博话题推荐算法的作用是当用户面临微博信息过载时,结合用户的基本信息,帮助用户找到对自己有价值的微博话题。微博推荐算法的核心任务是以用户信息为基础,分析用户的偏好,并推荐给其他信息相似的用户。本文提出的基于用户聚类的微博推荐算法包括三个层次,即用户微博话题特征提取、用户聚类、微博话题推荐。实验表明该系统的准确率达到50.2%,可准确地为用户进行微博话题推荐,并提高了用户浏览微博的效率。     

基于用户非对称相似性的协同过滤推荐算法

针对传统协同过滤推荐算法的数据稀疏以及用户关系衡量不准确的问题,提出了基于用户非对称相似关系的推荐算法.利用用户的潜在特征的样本数量,结合奇异值矩阵分解,计算用户之间非对称的相似度,明确用户间关系.仿真结果表明,随着邻居数量的增加,该算法的平均绝对误差始终优于传统算法,误差值在邻居数量为40~60之间值为最小,约为0.682,传统算法平均绝对误差值约为0.758,可以看出该算法判断用户关系较为准确,预测评分比传统算法更接近实际评分.     

基于用户偏好加权的混合网络推荐算法

基于热传导或物质扩散理论的推荐算法首先利用网络结构得到对象间推荐关系,然后根据对象间关系预测用户喜欢的对象,而忽略了用户偏好。为了弥补这个缺陷,根据用户已选择对象的标签,利用TF-IDF方法构建用户偏好模型,以用户在预测对象标签上的平均偏好作为对该对象的偏好程度,采用加权方法与现有基于网络推荐算法混合运算。经在基准数据集MovieLens上测试表明,通过与目前效果最好的几种基于网络推荐算法进行加权混合运算,推荐结果在推荐精度、个性化、多样化等多种评价指标方面均比原有算法有明显提高。     

基于用户的协同过滤(UserCF)新闻推荐算法研究

新闻更新快、易受流行和热门item的影响,用户兴趣也在不断的变化,因此就新闻推荐来说更应该关注其推荐的时效性.目前存在的用户相似度计算公式没有考虑时间因素,文中改进了原有用户相似度计算方法,增加了时间衰减因子,共同喜欢新闻i的用户u和v,产生行为的时间越远,这两个用户在新闻i上的相似度就会越小.文中提出的算法应用于http://www. show-ease. com网站的新闻推荐.通过收集7月4日到7月21日对推荐新闻的点击量和未推荐新闻的点击量,得出推荐新闻的点击量比未推荐新闻的点击量提高了31%到52%.文中提出的用户相似度计算方法在实践中取得了较好的效果.     

基于相似用户索引和ALS矩阵分解的推荐算法研究

针对交替最小二乘法(ALS)在处理大数据集时所面临的处理速度和计算资源问题,提出了基于相似用户索引的分布式矩阵分解推荐算法。首先算法基于用户的评分行为找到用户之间的最近邻,然后使用Spark平台运行提出的算法,并产生推荐。在GroupLens网站上提供的MovieLens数据集上进行仿真实验,实验结果表明,提出的算法能够有效解决ALS对于大数据集运行效率低及在云环境中可扩展性较差的问题。     

基于核心用户对发现的微博好友推荐算法

现有的微博好友推荐算法没有充分考虑网络关系结构,导致发现的邻居群合理性较差。针对这个问题,围绕微博用户群聚规律和社交网络特点展开研究,提出一种基于核心用户对发现的微博好友推荐算法;该算法首先将任意两个具有相互关注关系的用户封装成用户对的形式并计算各用户对之间的交互行为相似度,然后通过密度和距离两个参数发现核心用户对以及划分合理的邻居类簇,最后根据制定的推荐规则向用户进行好友推荐。结果表明,相比传统的协同过滤方法,该算法明显提高了微博好友推荐的精度,核心用户对发现、类簇的合理划分以及推荐规则的制定能够缓解数据稀疏和冷启动带来的问题。     

基于用户评分一致性的协同过滤个性化推荐算法

在目前信息高速发展的时代,个性化推荐作为信息过滤的重要手段,是解决信息超载的最有效方法之一。协同过滤一直是解决个性化推荐比较热门的技术,其主要思想是计算用户之间的相似性或计算项目之间的相似性,然后根据用户或项目之间的相似性对目标用户进行推荐。文章基于协同过滤的思想,提出了一种结合用户评分一致性的单模投影算法,首先在用户与项目的关系二部图中计算用户之间的评分一致性,然后把一致性赋值作为压缩之后的单模投影权值,最后用K近邻找到相似用户并做出个性化推荐。在MovieLens、 FilmTrust和Jester等真实数据集上的实验表明,基于评分一致性的推荐算法达到了较好的效果。