基于用户购买意愿力的协同过滤推荐算法

针对网购行为中商品浏览量排名靠前而销量滞后的问题, 在用户购买意愿力的基础上, 提出一种增强评分矩阵协同过滤推荐算法. 首先, 利用惩罚因子作为增强型矩阵的评价权重, 加权表征用户购物意愿力的商品画像, 取得增强型矩阵的预测评分; 其次, 融合以基于项目的协同过滤推荐, 建立由潜在兴趣商品间的项目相似度矩阵得到的基础型评分矩阵; 最后, 以TOP-N结果向购买意愿较强的目标用户推荐排名靠前的商品. 实验结果表明: 与传统基于项目的协同过滤推荐算法相比, 增强评分矩阵协同过滤推荐算法的推荐准确率提升2.48%, 召回率提升4.31%, 综合值F₁提升3.19%, 从而有效解决了用户感兴趣商品排名靠后, 且不被购买或购买次数较少的问题, 以达到购买意愿力较强、 目标用户更准的推荐宗旨, 进而提高推荐精度.     

一种考虑双重相似度的协同过滤推荐算法

协同过滤算法为推荐系统提供了一种方法,但传统的协同过滤方法推荐精度低.提出一种考虑用户评分相似性的协同过滤算法,通过在皮尔逊相关系数中加入项目数量相似度和用户评分相似度两个因素来计算用户间的相似度,以产生更合理的邻居用户,提高推荐精度,完成对用户的推荐,同时邻居用户的选取采用动态阈值设定方法.实验结果表明,所提出的算法相比传统方法选择出的邻居更为精确,推荐质量更高.     

融合语义相似度的协同过滤推荐算法

针对协同过滤推荐算法没有考虑推荐对象间语义关系的问题,提出一种融合推荐对象语义相似度的改进型协同过滤推荐算法.首先利用知识图谱表示学习算法将推荐对象的语义信息嵌入到一个低维语义空间;然后计算推荐对象之间的语义相似度,把该语义相似度融合到协同过滤推荐算法的相似度计算中,弥补协同过滤推荐算法没有考虑推荐对象自身语义知识的缺陷.实验结果表明,该改进型算法相比传统协同过滤推荐算法,具有更高的准确率、召回率和覆盖率.     

融合改进的内容与协同过滤的博客推荐方法

在中文博客系统中,受限于用户特征信息的稀少,使用协同过滤算法的准确率往往不高,而基于内容推荐算法,又会影响推荐结果的多样性.因此,文章提出了一种融合改进的内容推荐与协同过滤相结合的推荐方法.首先,采用协同过滤算法发现用户的潜在兴趣并通过谱聚类改进协同过滤的相似度计算,提高处理效率;其次,基于改进的内容的推荐算法构建用户的既有兴趣模型,计算潜在推荐内容与既有兴趣模型的匹配度;最后,通过逻辑回归算法融合协同过滤与内容推荐的结果.实验结果显示,文章所提出的推荐方法相对于单一的协同过滤和内容推荐可以显著提高推荐的结果的准确率和召回率,具备良好的推荐效果.     

基于标签的协同过滤推荐方法研究

传统基于物品的协同过滤算法由于物品相似度矩阵稀疏,推荐准确率不高.针对这一问题,提出一种基于标签和改进杰卡德系数的协同过滤算法,进行电视节目个性化推荐.首先,爬取相关信息对原始数据进行扩充,并利用统计学方法对时间特征进行归一化处理,计算用户偏好系数;然后,统计出现次数较高的类别作为推荐类别标签,并利用改进的杰卡德系数构造标签相似度矩阵;最后,根据推荐类别标签的用户偏好系数计算节目的推荐系数.实验结果表明,基于标签的协同过滤算法可以降低稀疏矩阵对推荐准确率的影响,相比基于物品的协同过滤算法,准确率提高了5％,召回率提高了3.1％.另外,使用改进的杰卡德系数计算相似度,减少了热门标签对推荐系统的影响,进一步将准确率提高了5％,召回率提高了2.3％.     

结合知识图谱进行信息强化的协同过滤算法

针对传统协同过滤算法存在使用信息单一、基础评分数据过于稀疏导致推荐效果不佳等问题,该文提出一种结合知识图谱进行信息强化的协同过滤(KGRI-CF)算法.该算法利用电影的特征数据构建1张关于电影的知识图谱,对用户-评分矩阵进行有条件的填充,有效改善了传统协同过滤算法的数据稀疏性问题.通过对评分数据进行统计与挖掘获取用户的偏好信息,构建了关于用户偏好的知识图谱.利用实体向量化算法将知识图谱中的实体以及关系向量化后计算出用户信息相似度,将其与基于用户的传统协同过滤算法得到的用户评分相似度以一定比例进行融合,从而得到最终的用户相似度,并以此为基础进行评分预测并得到推荐列表.实验结果表明:与传统协同过滤算法相比,该算法能有效地改善数据稀疏性问题,预测结果的精准率和召回率均有显著提升,同时具有较好的可解释性.     

融合儿童成长信息的协同过滤推荐算法

在互联网母婴领域中,由于育婴网络自身的特殊性,推荐算法不仅与用户以及项目的信息有关还与儿童的数据信息有关,而传统的用户相似度计算并未考虑儿童的数据信息.针对此问题,重新定义用户相似度计算方法,将儿童的数据信息通过加权融合的方法融入用户相似度计算中,并提出一种融合儿童成长信息的协同过滤算法,实验结果表明,该算法的准确率与召回率都优于传统算法,推荐系统的推荐质量也有所提高.     

稀疏数据下基于用户偏好的协同过滤算法

协同过滤(collaborative filtering,CF)是推荐系统中最常用和最成功的推荐技术之一.现实中的数据往往比较稀疏,用户之间缺少共同评定项目,使一些传统的相似性度量无法进行计算;此外,传统的协同过滤算法忽视了用户偏好问题,这样会造成推荐精度的下降.针对这些问题,从用户全局项目和地方评级信息分析影响用户兴趣偏好的因素,通过计算用户评级信息在全局的概率分布和使用海明贴近度计算用户的兴趣偏好度,利用Jeffries-Matusita距离得出关于用户偏好的相似度算法,将相似度算法与加权的Jaccard相似度算法有效结合,提出了一种在稀疏数据下基于用户偏好的协同过滤算法模型.实验结果表明,提出的模型性能优于传统协同过滤算法,并且在更为稀疏的数据集上也有很高的准确率.     

基于人工智能的社交网络用户行为数据周期推荐算法

为提高社交网络个性化服务质量,研究数据周期推荐算法的重大意义,针对传统推荐算法相似度计算准确率不高,导致推荐结果精度低、召回率低和耗时长等问题,提出一种基于人工智能的社交网络用户行为数据周期推荐算法。首先依据用户行为建立评分矩阵,利用皮尔逊相关系数计算评分矩阵评分值与网络行为数据相似度,依据计算得出的相似度以协同过滤为核心来检出需要推荐的社交网络用户数据内容,其次利用Top-N法生成用户邻居集,最后实现社交网络用户行为数据内容周期推荐。实验测试结果表明,所提算法的相似度计算准确率较高,网络用户行为数据周期推荐结果精度可高达97.2%,且推荐结果召回率高、耗时低,提高了社交网络个性化服务质量。     

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.     

融合上下文感知计算的协同过滤算法

将上下文感知信息融合到项目的相似度计算中,提出了一种结合上下文感知计算的协同过滤算法.以个性化音乐推荐为例,对用户及音乐的上下文信息进行分析,为用户进行个性化推荐,在公开的音乐数据集上进行实验,结果显示该算法提升了推荐精度,验证了算法的有效性.     

基于图嵌入向量的课程推荐算法研究

互联网技术的飞速发展，推动了传统教育方式的变革，在线教育逐渐成为了人们学习的一种重要方式。然而在线课程种类繁多，用户在学习过程中，往往难以找到符合自身需求的课程。面对信息过载问题，越来越多的研究人员将兴趣投入到在线课程平台的推荐算法中来。在线课程平台常用的协同过滤推荐算法基于用户相近的兴趣进行推荐，然而，忽略了用户学习的时序特征。针对此问题，文章提出一种基于用户点击时序网络嵌入向量（Graph Embedding Vector,GEV）的推荐算法。首先，利用用户的学习记录构造用户点击序列图，然后利用Skip-gram算法和负采样算法学习到课程的嵌入向量表示，最后，通过向量检索的方式为用户生成推荐候选集。实验结果表明，与MF、DeepWalk、协同过滤等传统算法相比较，该算法在MOOC数据集的推荐召回率上均有提升。因此，实验结果证明了利用图嵌入方法获取向量表示进行推荐可以有效提升推荐召回率。     

混合推荐技术在Web挖掘中的研究

协同过滤算法是至今最成功的个性化推荐技术之一,被应用到很多领域中。但传统协同过滤算法不能及时反映用户的兴趣变化以及类似特征用户对用户相似度的精度具有影响等因素,针对这个问题,提出了一种混合推荐技术。实验表明,推荐系统的推荐质量得到显著提高。     

融合隐性社交网络社团划分和协同过滤的推荐算法

协同过滤算法是个性化推荐系统中广泛使用的经典算法。针对传统协同过滤算法存在的相似度计算不准确、可扩展性差等问题,设计了一种融合隐性社交网络社团划分和协同过滤的推荐算法ICDCF。该方法将用户对项目的共同兴趣视为社交关系。首先用考虑了用户隐性关系的改进的Jaccard相似系数衡量用户间的社交关系强弱,以用户为顶点、以用户相似度为连边的权值,构建无向加权的隐性社交网络;然后基于隐性社交网络,用谱聚类思想对用户进行社团划分;最后在社团内实施基于用户的协同过滤推荐。该方法可以避免协同过滤推荐阶段因共同评分项目少而导致的相似度计算不准确问题,同时可以减少搜索近邻的计算量,提高时间效率。在数据集MovieLens-100K和FilmTrust上的实验结果体现了ICDCF算法在推荐准确性和可扩展性方面的优势。     

社会化标签语义相似度的协同过滤算法

为解决传统的协同过滤算法不能准确理解用户的喜好,影响推荐准确率和推荐效果,提出基于社会化标签语义相似度的协同过滤算法.算法以标签语义相似度为基础,将项目资源和相关标签的语义信息纳入,显著提高了推荐系统的预测性能.研究结果表明:与以具体评分数据为基础的算法相比,该算法较好地解决了词相似度和句子相似度计算问题,推荐准确度和性能较以往的协同过滤算法有明显提高,改善了推荐效果.     

一种基于评分信息熵的融合协同过滤算法

相似度计算是协同过滤推荐算法的基础,但由于用户之间共同评价项目数量稀少,导致传统的协同过滤算法无法准确计算用户之间的相似度,从而造成推荐质量不佳.通过在Pearson相似度计算公式中加入用户之间联系的惩罚因子,并在此基础上与评分信息熵进行融合,提出一种新的用户之间相似度计算方法.实验结果表明,该算法能够更准确地计算用户...     

基于加权二部图的个性化方案推荐

针对传统协同过滤算法难以解决数据稀疏性、冷启动及用户兴趣各异的问题,提出了基于加权二部图的个性化推荐方法,解决个性化设计方案推荐问题。采用加权二部图,基于用户特征和方案特征的评分,对用户和方案分类,减轻数据稀疏性,形成用户-方案规则库;采用加权网络的协同过滤算法,计算新用户特征与用户-方案规则库中用户特征的改进相似度,通过Top-N方法筛选高相似的方案集进行推荐,解决冷启动和用户兴趣各异的问题。最后与传统协同过滤算法、加权二部图个性化推荐进行比较,证明该方法的有效性和实用性。     

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.