个性化推荐系统中协同过滤算法研究

个性化推荐系统是解决互联网信息超栽的主要途径之一,协同过滤推荐是目前应用最广泛和最成功的个性化推荐系统。本文介绍了协同过滤推荐算法的基本思想、技术分类和最新研究进展,分析目前出现的代表性算法,总结协同过滤推荐算法中的关键问题和相关解决方案,最后总结了推荐系统的性能评测方法和未来的研究热点。     

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。     

基于改进协同过滤算法的个性化新闻推荐技术

针对传统的基于内容协同过滤算法只是依据用户历史访问矩阵向用户做出推荐,存在数据稀疏以及不能及时反映用户兴趣变化等问题,个性化新闻推荐技术在传统的协同过滤算法基础上提出了新闻文本内容相似度的计算方式和时间窗的概念,新闻内容相似度计算中还考虑了特征词的词性和在新闻中的位置的影响,时间窗用来建立适应用户兴趣随时间变化的模型;实验结果表明,改进后的算法有效地改善了新闻用户历史访问数据的稀疏问题,及时捕获用户兴趣,F-measure值相比传统的算法最大提高了11.5%,平均绝对误差值最高下降了8%,显著提高了推荐质量.     

基于改进协同过滤算法的农产品个性化推荐研究

随着农村电子商务的发展,农产品电商也慢慢进入人们的生活,在国家互联网+战略的推动下,农产品电子商务得到了快速发展,与此同时用户的个性化需求也渐渐地成为一种趋势。为了满足消费者的个性化的需求,提出针对农产品的改进协同过滤算法,其方法结合k-means算法,从而对聚类后的每个簇中的用户进行个性化推荐,此算法不仅可满足用户的个性化需求,而且在推荐产品的准确度和时间上有了较大的改善,进而帮助商家进行精准营销,提高农民收入。     

基于协同过滤算法的电子商务推荐系统

为了解决购物网站信息量过大问题,对用户进行精准商品推荐,提出了一种基于协同过滤算法的电子商务推荐系统,根据网站收集的用户历史行为数据计算物品的相似度,进而预测用户对物品的偏好,根据兴趣度对用户进行物品推荐。在基于协同过滤算法的基础上,考虑了用户活跃度和时间上下文关系对用户兴趣的影响,设计了完整的推荐算法流程。实验证明该算法确实改善了推荐的精确性,说明用户活跃度和时间因素确实对用户行为有影响。     

基于协同过滤算法的视频智能推荐系统

根据智能电视终端的性质,本文中提出基于时间段的协同过滤推荐算法.根据不同时间段观看电视的人群不同,将24小时划分为多个时间段,并且结合视频属性权值和基于物品的推荐算法实现一种适合智能电视的视频推荐算法,精准地定位该时段收看电视的家庭成员并进行动态的推荐.     

基于特征增益与多级优化的协同过滤个性化推荐算法

基于混合策略个性化推荐的思想,为进一步提升业务套餐型产品的个性化推荐的准确性,提出了基于特征增益与多级优化的协同过滤推荐算法(FACCF);其中融合了消费数据的时域特征、空域特征、消费倾向以及套餐特征。该算法首先基于客户的时域、空域行为特征,构建了CTAP概率主题模型实现协同过滤;其次,将过滤后的新特征、套餐主题与套餐特征结合进行优化;最后,基于贝叶斯网络对客户群体的消费倾向进行聚类分析,形成二次优化,获得个性化推荐列表。使用电信真实用户数据实证分析的结果表明,FACCF算法能够更准确地预测客户消费意愿。     

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.     

利用内容推荐和协同过滤算法实现个性化评估

针对教学评估中存在着仅用试卷分析表无法实现个性化学习和评估的情况,将人工智能中的推荐系统技术应用到期末教学评估中.将推荐系统中的基于内容推荐算法和协同过滤算法分别应用到学生薄弱知识点的个性化学习和期末评估分析中,根据学生的知识掌握情况推荐相应资源进行个性化辅导.通过实验案例验证,该方法可以得出学生对知识点的掌握程度,并根据题目之间的相似性进行推荐.     

基于个性化隐私保护的协同过滤算法

差分隐私可以有效解决推荐系统的隐私泄露问题,但是其引入的噪声会降低推荐系统的性能.此外,不同用户对隐私保护的敏感性是不同的,考虑用户的个性化需求可以减少加入的噪声,有助于提高推荐系统性能.综合以上两个维度,在考虑用户评分敏感性的基础上,提出了一种个性化的差分隐私保护协同过滤算法.算法在用户本地划分评分的隐私敏感度,并采用随机翻转机制对隐私敏感评分进行隐私保护.服务器获取扰动后的数据,利用贝叶斯估计方法重构项目之间的联合分布以提高算法的推荐准确性.理论和实验结果表明,算法在保护用户隐私安全的同时具有良好的推荐性能.     

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.     

基于自相似矩阵的协同过滤推荐算法

针对推荐系统中存在的噪声问题,提出了一种基于自相似矩阵的协同过滤推荐算法.文中的自相似矩阵选取为原始矩阵,滑动窗口选取为评分值的行向量和列向量.通过建立评分值与自相似矩阵之间的线性关系,对原始评分矩阵进行预处理,得到新的评分矩阵.新评分矩阵既保留了原始矩阵的评分信息,同时也削弱了噪声数据对推荐系统的影响.实验表明,通过对原始矩阵的预处理,有效缓解了噪声数据在评分矩阵中所起的作用,提高了推荐系统的性能.     

基于MapReduce的并行协同过滤推荐算法

推荐系统的协同过滤(Collaborative filtering)算法是目前推荐系统应用最为广泛的推荐算法,然而,CF推荐算法的计算复杂度高,阻碍了其在大型系统中的应用.该文在一个云计算平台即Hadoop上通过MapReduce生成同现矩阵和评分矩阵两非负矩阵,利用同现矩阵和评分矩阵相乘产生推荐结果,实现了基于项目的CF推荐算法.实验结果表明,该推荐算法可以有效地实现大规模数据的推荐,并解决了系统可扩展性问题.     

基于K-means的语义协同过滤推荐算法

传统的基于图书和读者的协同过滤方法缺乏语义知识,易混杂不符合读者喜好的噪音数据,从而影响聚类效果和推荐的准确度.针对该问题,提出一种基于K-means的语义协同过滤推荐算法.为了反映读者对图书的偏爱程度,首先定义读者-图书关联矩阵,然后通过K-means聚类算法寻找相邻集合,在聚类过程中兼顾关联矩阵和语义知识,分别计算读者和图书的相似度,最后通过相似程度排序向用户推荐图书.结果表明,该算法在保证计算效率的情况下能显著提高推荐的准确度.     

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.     

基于可信预测值的协同过滤推荐算法

针对在传统协同过滤算法中存在的推荐精度较低、预测质量不佳的问题,该文提出一种基于可信预测值的协同过滤算法(RPCF).该算法在使用基于记忆的协同过滤方法计算预测值的基础上,引入可信度概念和技术方法,运用对推荐项目评级的邻居数评估可信度,融合可信度与传统预测值得到可信预测值,再根据可信预测值进行推荐,从而达到提升算法质量的目标.在MovieLens数据集中与其他提高精度方法进行实验对比,实验结果表明:RPCF方法能够提高预测精度和算法鲁棒性,具有更好的推荐质量.     

基于改进的协同过滤算法的练习测试推荐系统

在传统的协同过滤推荐算法的基础上,设计了一个基于改进的协同过滤算法的练习测试推荐系统。首先,根据学科、试题和学生的特点,有效的解决了矩阵稀疏和"冷启动"的问题;其次,使用机器学习中的K-means聚类算法对用户进行聚类,且初始聚类中心由Prim最小生成树算法确定,增加了聚类的稳定性;然后在每个聚类中搜索用户的最近邻居,缩小了计算用户之间相似度问题的规模;最后,通过实验将改进的算法与传统的算法进行了比较。实验结果表明,改进的算法提高了推荐系统的质量和准确度。