基于权重调节和用户偏好的协同过滤算法

针对传统相似度计算方法只利用用户的评分信息这一显性反馈行为进行推荐, 导致推荐效果不理想的问题, 提出一种新的相似度计算方法, 通过引入权重调节机制及用户行为偏好等隐性反馈信息, 提升推荐的准确度. 首先, 根据负采样的反用户频率, 降低流行物品全局软件工程的影响程度, 并使用共同评分行为的最小权重, 调节因共同评分数过少而导致的推荐准确度偏差. 其次, 提出项目偏好词定义, 根据项目偏好词矩阵计算出在项目特征上具有共同偏好的用户. 最后, 在MovieLens数据集上进行实验对比分析, 实验结果表明, 改进后的相似度计算有较优的MAE值, 且有更高的推荐准确性.     

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.     

基于用户偏好度的双极协同过滤推荐算法

为了解决目前推荐方法中用户相似度计算不准确、推荐准确率较低的问题,建立一种基于用户偏好度的双极协同过滤推荐算法。计算用户间共同项目数量,当共同项目数量小于设定阈值时,选择用户、项目、项目属性特征构建用户对项目、属性的双极特征向量,表示用户的喜欢程度和讨厌程度。通过对双极特征向量进行加权计算,得到用户间相似度。在标准的MovieLens数据集上验证该算法。实验结果表明,该文算法的平均绝对误差(MAE)和均方根误差(RMSE)较其他算法降低了约9%,平均分值排名(R)降低了约10%。     

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.     

基于近邻用户和近邻项目的协同过滤改进算法

协同过滤算法研究正面临两大挑战:一是提高推荐系统的质量,尤其是高维稀疏数据系统的推荐质量;二是提高算法的可伸缩性。为了解决该问题,笔者提出了一个基于用户近邻和项目近邻的协同过滤改进算法。为了提高系统在线推荐性能,该算法分2步:1)线下的相似度计算和近邻计算;2)在线预测。通过对N个用户近邻和N个项目近邻的有效结合,该算法在线计算的空间复杂度为O(N)且具有较好的可伸缩性。实验表明,与经典的Pearson协同过滤算法相比,该算法不仅提高了推荐性能,而且也适用于高维稀疏数据系统。     

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...     

一种基于用户偏好序列的协同过滤推荐

协同过滤技术被成功地应用于个性化推荐系统中,但随着系统规模的扩大,它不能真实地反映用户的兴趣偏好.针对此缺点,提出了一种新的协同过滤推荐算法,该算法根据用户偏好序列的相似性来搜索目标用户的最近邻居和产生推荐,从而有效地解决了传统协同过滤推荐中过分依赖不能真实反映用户兴趣偏好的用户等级评价的问题,改进了传统协同过滤算法中计算邻居用户的方法.实验结果表明,该算法在个性化推荐系统应用中取得了较好的推荐效果和推荐质量.     

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.     

一种有效缓解协同过滤推荐评价数据稀疏问题的算法

在采用协同过滤算法构建个性化推荐的系统中,经常面临用户评价数据稀疏问题,这将严重降低个性化推荐的准确度.针对此问题,提出了一种混合加权预测填充算法,从用户访问的资源特征以及该资源在整个用户群体中被访问的热度出发,对用户访过的但未给出评价的数据进行预测并填充,从而降低了由于用户评价数据缺失所造成的评价矩阵稀疏程度,提高推荐准确度.在MoiveLense数据集上的试验结果表明,该算法能够明显地提高推荐准确度.     

用于稀疏数据集的协作过滤算法

稀疏性问题是协作过滤算法应用中的一个突出问题,当系统中用户对资源的评分数据集很稀疏的条件下,算法的精度和覆盖率会显著降低。针对这一问题,该文通过分析影响基于资源的协作过滤算法中的相似性计算的因素,提出采用"资源关系密度"作为描述协作过滤评分矩阵的一个特征指标,分析并总结了"资源关系密度"对典型的基于资源的协作过滤算法的影响,进而提出一种虚拟用户填充算法。实验结果表明,虚拟用户填充法能够有效改善典型的基于资源的协作过滤算法在稀疏数据集上的精度和覆盖率。     

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.     

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。     

基于标签重要程度的协同过滤推荐算法

针对传统协同过滤推荐算法在用户隐式反馈数据挖掘不够充分、用户兴趣偏好模型过于粗糙,提出一种标签重要程度的协同过滤推荐算法。用户使用标签的种类和频率可以反映用户的偏好和偏好程度;在此基础上建立新的用户兴趣偏好模型,将标签对用户的影响程度进行量化,建立新的相似度计算方法。最后获得目标用户的近邻集合和预测评分,为目标用户实施有效推荐。实验结果表明该算法大幅度提高了推荐的精准度、缓解了冷启动问题。     

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。     

一种改进的基于网格的数据过滤方法(英文)

数据分发管理是HLA/RTI中的一项服务,在大规模的分布式仿真中用来管理状态更新和交互信息的分发,以此限制数据交换的总量.介绍目前数据分发管理的基本方法的基础上,分析了它们的优缺点,提出了一种基于网格的双层数据过滤方法.通过探测数据分布情况,利用双层网格精细过滤数据,减少冗余数据发送量.实验表明,在大规模和复杂环境下此方法具有更好的适应性、可扩展性和更高的性能.     

基于图神经网络特征交叉的协同过滤算法

学习用户和项目有效的向量表示是推荐系统的核心目标,现有的推荐模型大多通过深度神经网络或专门设计的特征交叉,来学习用户-项目间的特征交叉生成用户(项目)向量表示,但并未将用户(项目)特征间的交叉信息编码到嵌入向量中充分利用特征交叉信息,且多个特征交叉信息对于生成最终的用户(项目)向量表示的影响不同.基于此,构建两个图神经网络模块,学习用户(项目)特征间的交叉信息、用户-项目之间的特征交叉信息,并通过计算注意力分数对特征交叉信息进行加权,得到用户(项目)的特征信息;然后通过门控循环神经网络(GRU)聚合原始的特征信息和网络层学习到的特征交叉信息,得到最终的用户(项目)向量表达;最后通过用户向量与项目向量的元素积得到最终的推荐结果.在数据集MovieLens 1M、Book-Crossing和Taobao上验证了模型的有效性.     

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。     

基于项目属性和局部优化的协同过滤推荐算法

针对数据稀疏性问题对于传统协同过滤推荐带来的影响,提出基于项目属性和局部优化的协同过滤推荐算法(collaborative filtering recommendation algorithm based on item attribute and local optimization,简称CUCF).算法首先改进jaccard系数来优化评分的项目相似性;其次引入拉普拉斯平滑方法对基于项目属性的项目相似性进行优化;最后结合两方面的相似性结果,并且利用局部优化方法选择目标的近邻对象作为推荐群.实验结果表明,该算法减小了数据稀疏性对推荐结果的负面影响,有效地降低了预测结果的平均绝对误差MAE.实验进一步对比了其他4种不同推荐方法,预测精度提高7.1%~15.5%,从而证明了CUCF方法在预测准确率方面能够取得较好的效果.