基于时间加权标签的协同过滤推荐算法研究

传统的协同过滤推荐算法主要以评分数据为数据源来计算和反映用户的兴趣偏好和资源相似度,并决定是否对潜在用户进行推荐物品。而忽视了用户、资源本身的特征,用户在不同时间对资源的认识和感兴趣程度是会变的。基于这个问题,本研究对传统算法进行了改进,提出了基于时间加权标签的信息推荐算法。该算法的主要思想是标签可被用户依个人偏好进行资源标注,标签代表用户对资源的兴趣特征,以用户集、时间、标签集及物品资源等 4 个量形成的多维关系,可以计算出用户和资源之间的标签特征向量,计算在不同时间段,用户对资源的偏好以及资源相似度,并且依据用户的历史行为来预测用户的偏好,并进行推荐。实验结果显示本算法有效地提高了推荐的准确性,获得了更好的推荐效果。
     

基于时间加权标签的协同过滤推荐算法研究

传统的协同过滤推荐算法主要以评分数据为数据源来计算和反映用户的兴趣偏好和资源相似度,并决定是否对潜在用户进行推荐物品。而忽视了用户、资源本身的特征,用户在不同时间对资源的认识和感兴趣程度是会变的。基于这个问题,本研究对传统算法进行了改进,提出了基于时间加权标签的信息推荐算法。该算法的主要思想是标签可被用户依个人偏好进行资源标注,标签代表用户对资源的兴趣特征,以用户集、时间、标签集及物品资源等4个量形成的多维关系,可以计算出用户和资源之间的标签特征向量,计算在不同时间段,用户对资源的偏好以及资源相似度,并且依据用户的历史行为来预测用户的偏好,并进行推荐。实验结果显示本算法有效地提高了推荐的准确性,获得了更好的推荐效果。     

基于标签的个性化旅游推荐

旅游景点数量庞大,而用户本身旅游次数有限,所以用户旅游数据非常稀疏,进而影响了推荐结果的准确度.为了解决这一问题,从海量游记中提取与旅游景点密切相关的4个因素——地域、时间、主题、类型相关的特征标签,来丰富数据信息.一方面通过基于标签内容的方法为用户推荐感兴趣的景点;另一方面,用景点特征标签描述用户兴趣特征,根据用户兴趣标签找到相似用户群,通过协同过滤的方法为用户推荐感兴趣的景点.实验结果表明,基于标签的协同过滤算法较传统的协同过滤算法推荐准确率提高了63.7%,比基于景点热度的推荐算法提高了22.5%;基于标签内容的推荐算法比基于景点热度的推荐算准确率提高了27.6%.进一步,通过线性加权的方式混合两种算法,使两种算法优势互补,从而得到更好的推荐效果.最终使得基于标签的混合算法的准确率,比基于标签的协同过滤算法提高了61.3%,比基于标签内容的推荐算法提高了54.7%.旅游景点推荐准确度的提高,将带来更好的用户体验,使在线旅游网站更加具有竞争力.     

基于用户兴趣域的混合数据聚类标签算法

数据聚类标签技术是在小规模样本上进行聚类,然后利用聚类结果对其余样本标注类别的方法是提高大规模数据聚类效率的一种有效途径.混合数据是现实应用中最广泛的数据类型,文章将用户兴趣数据作为小规模数据,利用K-prototypes算法对其聚类,在此基础上构建用户兴趣域.利用拟标签数据的各属性值与用户兴趣域分量的关系定义了数据关于用户兴趣域隶属度.基于用户兴趣域和"数据-用户兴趣域"隶属度的概念,提出了一种基于用户兴趣混合数据聚类标签算法UIMCL(User’s Interest Mixed Data Clustering Label).该算法克服了以往数据标签算法只能为拟标记数据指派一个类标签的局限性,可以应用于电子商务的推荐服务和用户行为分析.实验结果表明,该算法对混合数据聚类标签处理有较好的效果.     

面向本地和外地用户情感分析推荐模型

针对地理标签和评论信息的情感倾向对于推荐系统性能的影响,本文基于地理标签和用户评论情感分析提出有关兴趣点的推荐策略,并建立了一种基于内容的推荐模型.本系统首先对用户兴趣点信息进行有效的补充,并实现了用户兴趣点相似度度量.对无标签评论数据进行情感分析及挖掘,获取其情感倾向度.同时本系统结合了时间滑动窗口,更准确地把握用户...     

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。     

社交网络中分类推荐用户的设计与实现

社交网络中存在密切的朋友圈子关系,而目前社交网络由于用户推荐方法单一,出现用户流失、朋友圈不明确等问题,通过用户标签的语义相似度的计算,对用户与其关注者之间的关系程度进行分析并按兴趣分类,根据分类进行关联关注用户的再推荐。通过实验验证了分类的有效性,提高了推荐效率。     

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％.     

社交网络中基于用户投票的推荐机制

为了改善目前社交网络中热点信息推荐与个性化好友推荐的不足,提出基于用户投票的推荐机制.首先,根据众多用户对某条信息的投票情况评估信息的热度与价值,将用户对信息的浏览、评论、转发等操作以及时间因素与用户主动性投票相结合,提出基于用户投票的热点信息推荐算法.然后,根据某个用户对众多信息的投票情况评估用户的兴趣,从用户对网络信息的投票以及浏览情况中提取出用户的兴趣度特征,进而提出基于用户投票的个性化好友推荐算法.最后,针对2个算法进行仿真实验,评估各因素对推荐算法的影响和推荐的有效性.实验结果表明,基于用户投票的推荐机制可以有效地进行热点信息与个性化好友的推荐.     

基于Timed-HITS与协同过滤的混合推荐算法

用户间的信任关系、用户对商品的偏好兴趣及商品的时效性都会影响对商品的推荐效果.将这些因素引入到基本的HITS算法中,对HITS算法进行了改进.将用户对商品的偏好兴趣矩阵进行了改进,利用隐馈数据通过逻辑回归算法估计用户对商品的偏好兴趣,对评分为零的情况赋予了不同的偏好兴趣度,这样更符合实际.将改进的HITS算法和协同过滤算法相结合得到一个混合推荐算法,同时将用户分为活跃用户和非活跃用户分别进行推荐.将提出的算法在Movielens数据集上进行了试验,结果表明该算法在一定程度上缓解了数据稀疏和冷启动的问题,推荐效果优于基于用户的协同过滤算法.     

云计算环境下旅游信息适应性自组织推送算法研究

针对当前推送旅游信息质量不高,而无法满足使用者需求的问题,提出一种旅游信息适应性自组织推送方法。通过求出目标使用者和其他使用者之间的相似度,找到目标使用者的最近邻集合。利用模糊遗传算法确定加权函数,通过加权函数实现使用者对旅游项目评分的更新,以适应使用者变化的旅游兴趣。求出目标使用者对某旅游项目兴趣度预测值,将预测值最高的旅游项目推送给使用者。实验结果表明,所提算法推送旅游信息质量高,可满足使用者需求。     

一种基于用户偏好的学习推荐方法

传统的推荐算法一定程度上为学习者提供了自适应的学习服务,但忽略了用户的学习兴趣偏好,难以提供学习者满意的推荐服务.为了提高学习推荐的效率,对用户的偏好进行进算,根据兴趣偏好对基本用户进行聚类,然后根据用户之间的兴趣相似性初步预测目标用户的兴趣度,进而给用户推荐兴趣度较高的学习服务.实验结果表明,该方法可显著地提高推荐质量.     

基于Web2．0用户个性化推荐系统分析

为实现用户个性化服务,理解用户兴趣爱好．通过建立用户兴趣模型和推荐库．采用用户兴趣行为描述、重排序算法以及用户反馈算法,分析基于Web2．0用户个性化推荐系统．以提高推荐结果的准确性。     

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.     

基于决策树分类的个性化农产品移动信息服务系统

针对农产品移动信息服务的需求,结合分类算法和个性化推荐算法,提出了一种基于分类的推荐算法.利用决策树分类方法对农产品进行分类,获得分类后的数据,采用协同过滤算法分析分类数据,查找兴趣相似的用户,将感兴趣的农产品信息推荐给正在使用系统的用户.实验结果表明:与传统的推荐方法及相比,该系统向用户推荐了兴趣度更高的农产品移动信息.     

定向信息推荐下多维信任数据协同推荐算法研究

随着通信用户数量的逐渐增加,当前多维信任数据协同推荐算法无法有效满足用户对资源多样性、准确性和发掘能力的要求。为此,提出一种新的定向信息推荐下多维信任数据协同推荐算法。通过矢量空间模型对用户兴趣进行描述,将具有代表性的用户看作该类用户的聚类中心,建立用户对资源的偏好矩阵,求出依据综合信任值的用户相似度;重复选择聚类中心,直至符合既定阈值。获取用户聚类结果后,选择待推荐用户所处聚类中和该用户相似的若干用户,依据上述近邻对目标资源的评分值实现目标用户对目标项目的预测。给出定向信息推荐下多维信任数据协同推荐算法的实现过程,输出Top-N多维信任数据推荐集合。实验结果表明,所提算法预测精度和资源多样性高,发掘能力强,推荐效果好。     

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.     

一种基于协同过滤的电动汽车充电推荐方法

 基于大量的充电行为数据,建立电动汽车用户的充电兴趣模型,将用户感兴趣但未发现的最佳充电选择推荐给用户,实现充电行为有序引导是一个重要问题。本文针对电动汽车充电提出一种基于协同过滤算法的推荐模型,得出最佳推荐模型参数指标,充电10次以下的新用户采用基于用户的协同过滤算法,充电10次以上的老用户采用基于物品的协同过滤算法;基于用户的协同过滤算法的最佳邻居数和推荐列表长度均为3;基于物品的协同过滤算法的最佳推荐列表长度为4。指出负荷聚合商可以结合参与需求响应计划的情况,对推荐列表进行再优化,将与需求响应冲突的推荐信息过滤掉,从而实现有序充电控制。     

云环境下用户数据安全性访问控制算法

针对传统的用户数据安全性访问算法存在安全性及整体性能低下的问题,提出一种新的云环境下用户数据安全性访问控制算法。通过介绍所提算法的基本概念,利用模糊层次分析法计算云环境中用户数据直接信任值;通过用户和其他云服务之间的信任值求取用户数据推荐值;在此基础之上,确定用户数据综合信任值。通过用户数据信任等级分配得到用户访问权限,针对信任水平较低的用户,云服务供应商通过拒绝其访问保证整个云环境的安全性。实验结果表明,所提算法安全性高,整体性能强。