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.     

基于受限玻尔兹曼机的Web服务质量预测方法

针对协同过滤算法无法有效处理数据稀疏的问题,提出1种基于受限玻尔兹曼机的Web服务质量(QoS)预测方法;第1阶段使用受限玻尔兹曼机模型对所有缺失的QoS值进行预测,并对原始的QoS矩阵进行填充;在第2阶段基于该QoS矩阵进行全局邻居筛选,同时将受限玻尔兹曼机引入到用户近邻的协同过滤模型中,以预测目标QoS值。研究结果表明:该方法能提高QoS预测精确度,在一定程度上降低数据稀疏对预测的影响。     

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。     

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.     

基于混合蛙跳模糊聚类的电子商务协同过滤推荐

针对传统协同过滤推荐算法生成推荐速度慢、推荐质量不高等缺陷,提出了一种基于混合蛙跳模糊聚类的改进协同过滤推荐算法。算法首先利用模糊C-均值(FCM)聚类方法对用户数据进行预处理,得到用户数据聚类中心,有效地降低了推荐工作量。然后选取相似度最优的若干聚类组成候选用户邻居集合,并利用混合蛙跳算法快速地全局寻优能力得到用户最近邻居集合,提高了推荐精度。最后,通过计算预测评分生成推荐结果。仿真结果表明,相比于传统协同过滤推荐算法,该算法在推荐速度和推荐精度上有明显改善。     

基于张量分解和深度学习的混合推荐算法

张量分解和深度学习已被应用于推荐系统,并取得了较好的效果.张量分解较好地从用户对推荐对象评分中提取用户、推荐对象以及其他影响因素的隐性的特征,将这些特征进行匹配,给出推荐策略,但这种方法忽略了用户、推荐对象以及其他影响因素现有辅助数据信息中的显性特征.深度学习是从辅助信息中提取用户、推荐对象以及其他影响因素的特征,并进行匹配给出推荐策略,却忽略了用户评分数据中用户、推荐对象以及其他影响因素的隐性特征.将张量分解和深度学习两种推荐方法相融合,提出一种基于张量分解和深度学习的混合推荐算法.使用张量分解算法和深度学习分别从三阶用户评分数据和多源异构辅助信息中提取用户特征和推荐对象特征,并将它们匹配得出用户对推荐对象的需求或喜爱的预测评分,再将两种算法的预测评分进行融合给出最终综合评分,从而提高个性化推荐的精准度.对比实验证明混合推荐算法与传统的协同过滤算法相比误差降低了34. 0%.     

融合用户信任度的概率矩阵分解推荐算法

针对传统协同过滤推荐方法中用户评分信息稀疏导致推荐准确度不高的问题,提出融合用户信任度的概率矩阵分解推荐算法.该算法综合用户间的联合评分项以及非联合评分项,利用KL散度得到用户信任度排名,使得相似用户间的特征向量更加接近,并在概率矩阵分解过程中维持这种关系.最后在MovieLens 1M和Epinions数据集上采用三...     

邻域线性最小二乘拟合的推荐支持度模型

针对协同过滤推荐系统在稀疏数据集条件下推荐准确度低的问题,提出了推荐支持度模型以及用于该模型计算的邻域线性最小二乘拟合的推荐支持度评分算法(linear least squares fitting,LLSF)。该模型描述用户对被推荐项目更感兴趣的可能性,通过用高支持度的评分估计取代传统的期望估计法来找出用户更喜欢的项目,从而提高推荐的准确度,并从理论上论述了该算法在稀疏数据集条件下相对其他算法具有更强的抗干扰能力。该模型还易于与其他推荐模型融合,具有很好的可拓展性。实验结果表明:LLSF算法显著提升了推荐的准确性,在MovieLens数据集上,F1分数可达到传统的kNN算法的3倍多,对于越是稀疏的数据集,准确率提升幅度越大,在Book-Crossing数据集上,当稀疏度由91%增加到99%时,F1分数的改进由22%提高到125%。同时该方法不会牺牲推荐覆盖率,可以保证长尾项目的挖掘效果。     

一种融合信任度和相似度的推荐算法

推荐系统是一种能够帮助用户在面对大量信息时,能快速?有效地获取有用资源的工具?协同过滤是目前广泛使用的一种推荐技术,该技术通过相似邻居对项目的评分为源用户产生推荐,但面临数据稀疏性和冷启动的问题?基于信任模型的推荐系统虽然在一定程度上缓解了上述问题,却仍然需要进一步提高?针对这些困难,提出了一种融合了信任度和相似度的算法?该算法利用用户间的信任信息,将源用户的信任邻居对项目的评分作为该用户的个人喜好,同时根据基于物质扩散的协同过滤算法找出源用户的相似邻居,利用信任邻居和相似邻居为该用户产生推荐?在2个真实数据集上的实验结果显示,融合算法对冷启动用户的准确性比协同过滤算法分别提高了19%和37%,覆盖率分别提高27%和42%?     

融合矩阵分解和XGBoost的个性化推荐算法

针对传统的协同过滤推荐算法中评分矩阵过于稀疏和算法准确度不高的问题,提出一种融合矩阵分解和XGBoost算法的推荐算法(MFXGB,Matrix Factorization XGBoost),其特点是利用SVD++算法(SVD,Singular Value Decomposition)对用户项目评分矩阵进行填充,避免过多的缺失值对算法精确度的影响,再利用XGBoost(eXtreme Gradient Boosting)算法训练有监督的模型用于预测用户评分.为了克服计算成本过高的困难,提出利用K-均值聚类方法进行特征提取用于训练XGBoost模型.将MFXGB算法应用于MovieLens数据集进行实验分析,结果显示,MFXGB算法的推荐精确度比传统的3种方法分别提高了8.91％、10.18％和11.79％,效果明显优于传统的推荐算法.     

融合多视角信任的个性化推荐算法

为了提高传统协同过滤推荐算法推荐的准确度,对评分信任和社交信任赋予自适应的权重,结合概率矩阵分解算法,提出一种综合的个性化推荐算法.该算法在Filmtrust数据集上进行验证,并与相关算法进行对比,结果表明所提算法在MAE(mean absolute error)和RMSE(root mean squared error)指标上均得到有效的改进.     

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.     

基于用户多维度信任的冷启动推荐模型

在传统协同过滤(collaborative filtering,CF)算法中存在着用户冷启动低效推荐问题,基于社交信息的社会化推荐算法通过引入用户的社交关系来缓解冷用户的数据稀疏问题,具有很好的研究应用前景。但该算法对用户间的信任度量较为片面单一而难以准确地对冷用户做出个性化推荐。针对此缺点,从不同维度量化分析了影响用户信任的因素,理论推导出用户多维度信任度量模型,将该模型计算得到的用户综合信任与传统协同过滤中的用户评分相似度值进行有效线性融合,提出了一种基于用户多维度信任的冷启动推荐模型。通过使用真实数据集Epinions并采用留一法进行实验对比分析。实验结果表明,提出的模型在对冷启动用户的推荐中,其平均绝对误差(mean absolute error,MAE)、覆盖率(rating coverage,RC)和F1值(F-measure)3个评估指标相比其他算法有了明显改善。     

融合用户偏好优化聚类的协同过滤推荐算法

提出一种融合用户偏好优化聚类的协同过滤推荐算法。首先利用RP-IIP算法形成细粒度用户-项目类型偏好矩阵,真实反映出用户兴趣偏好并缓解数据稀疏性;然后在该矩阵上利用蝙蝠优化的用户模糊聚类算法进行聚类,增强了用户的聚类效果并提高可扩展性,从隶属度较高的簇中选取目标用户的最近邻居,提高了最近邻选取的准确性;最后,建立用户加权相似度模型对目标用户进行评分预测并产生推荐,进一步提高推荐结果的准确性。实验结果表明,所提出的算法能够产生更好的推荐结果。     

结合物品类型和密度峰值聚类的协同过滤推荐算法

现有的推荐算法主要依靠评分记录,对用户的个性需求关注较少,推荐结果不完全符合实际需求。针对该问题,本文在传统的基于用户的协同过滤算法(UCF)基础上,结合密度峰值聚类研究物品属性,分析用户对物品类型、聚类的兴趣取向,深入挖掘用户的个性需求,提出了一种结合物品类型和密度峰值聚类的协同过滤推荐算法。采用密度峰值聚类,无需指定聚类中心和聚类数,利用逆向文档频率对算法进行优化,提高了对物品特征和用户兴趣的识别度。实验结果表明,本文算法能较好地获取用户偏向,提供更加准确、高效的Top-N推荐。     

融合双重注意力机制的多源深度推荐模型

针对评分数据稀疏导致协同过滤算法推荐质量下降的问题,通过充分挖掘评论信息增强推荐性能,提出了一种融合双重注意力机制的多源深度推荐模型(MSDA)。该模型基于评分数据、用户评论集和商品评论集3个信息源进行推荐,结合卷积神经网络和双重注意力机制挖掘评论文本特征,利用神经因子分解机进行评分和评论特征之间的高阶非线性交互,从而实现评分预测。实验结果表明,相比于NeuMF、NARRE、HRDR等先进基准方法,MSDA显著提升了模型的评分预测性能。     

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.     

基于CLSVSM的电影评分预测及其推荐应用研究

随着电影网站用户数量以及电影数量的上升,用户评分数据变得极其稀疏,导致推荐系统推荐质量下降。针对这一问题,文章在传统基于项目的推荐算法(IBCF)基础上提出基于共现潜在语义向量空间模型(CLSVSM)的项目评分预测算法。文章先通过CLSVSM得到电影共现矩阵以及电影共现相对强度矩阵,然后利用电影之间的共现潜在关系对评分矩阵进行补全,在此基础上预测用户对未观看的电影评分,进而生成推荐。实验结果表明:与传统的IBCF推荐算法相比,CMLVSM_IBCF算法的均方根误差(RMSE)和平均绝对误差(MAE)分别下降17.7%和17.6%。新提出的算法计算出的电影之间的相似度更准确,有效地减小了数据稀疏性对推荐结果的影响,显著提高了电影网站的推荐质量。     

基于深度神经网络和概率矩阵分解的混合推荐算法

针对个性化推荐中用户和项目描述信息未充分利用,用户评分矩阵数据集极端稀疏的情况,提出了基于深度神经网络和概率矩阵分解(PMF)的混合推荐算法.首先,对用户和项目描述信息进行预处理,形成包含用户偏好特征的用户和项目特征集,再将各特征输入深度神经网络模型中进行训练.同时,利用概率矩阵分解模型,根据用户评分矩阵通过最大后验估计优化得到潜在特征向量;然后,通过对概率矩阵分解模型的用户和项目潜在特征向量以及深度神经网络模型的真实特征向量进行迭代更新,收敛得到融合用户和项目真实信息的潜在特征向量;最后,利用该特征向量对用户进行个性化推荐.实验证明,本文算法较经典推荐算法以及前人算法在均方误差与平均绝对误差指标上均有改善,说明本文算法的有效性.     

基于词频-逆文本频率和社区划分的图书推荐算法

本文提出一种基于图书内容的图书推荐算法。该算法利用词频-逆文本频率抽象图书特征向量,采用欧式距离度量图书相似性,使用CNM算法对图书相似性网络进行聚类,得到已知类别。当读者用户阅读、购买某本图书时,能够将该类别里的其他图书推荐给读者用户,方便其阅读或购买。