融合信任度和热门惩罚的协同过滤推荐算法

随着互联网信息的发展,网络数据量大幅增长,极大提高了用户的有效信息筛选难度。推荐系统根据用户的历史行为和偏好信息而产生相应的推荐,协同过滤算法是推荐系统中的一种常用算法。传统的协同过滤算法仅使用相似度作为推荐依据时,仍然面临推荐精确率不高问题,本文在相似度基础上添加用户之间的信任度,对用户之间不对等的信任关系建模,再添加对热门项目的惩罚机制,从而弱化热门项目的推荐。通过对MovieLens数据集的实验结果进行验证可知,融合信任度的协同过滤算法的精确率、覆盖率和F1值均比传统的基于用户的协同过滤算法性能有所提高。     

改进信任度的商品推荐算法研究

对于有个性化推荐需求的电子商务系统,传统协同过滤推荐算法对商品的用户项目矩阵构建比较单一,难以解决数据稀疏以及推荐结果精度较低等问题。为此,提出一种改进的基于信任度的协同过滤算法,根据用户历史行为,对用户项目评分矩阵进行细分量化,综合考虑用户间关系,引入信任因子维持用户信任关系中的非对称性,通过共同评分项计算用户评分信任度。最终融合信任度与信任因子,计算获得最佳邻居集并产生最终推荐列表。在淘宝官方UserBehavior数据集下进行实验,结果表明,该算法降低了推荐稀疏性,提高了推荐精度。     

一种基于动态权值的改进协同过滤算法研究

协同过滤是个性化推荐系统中使用最为广泛的一种推荐算法之一,分为基于用户和基于项目两种协同过滤算法.本文提出的改进算法将两种方法相结合使用,首先改进了传统的相似度度量方法,再分别利用用户和项目之间的相似度值预测未评分项目值,并将两种预测结果加权平均,根据用户近邻数和项目近邻数动态确定加权系数.实验结果表明,改进后的协同过滤算法可以提高推荐质量.     

基于时间和共同评分项目数的协同过滤算法研究

针对协同过滤系统中数据稀疏导致推荐质量下降的问题,提出了一种基于时间和共同评分项目数的协同过滤算法。其基本思想是：首先定义关于时间信息函数来降低预测误差,两个用户对共同评分的物品产生行为的时间间隔越远,他们之间的相似度就会越小;其次,定义和共同评分项目数量有关的函数,惩罚数量很少的两个用户之间相似度。实验表明,改进的算法通过调整用户相似度,比传统的协同过滤算法具有更好的推荐质量。     

基于交集占比与时间衰减的协同过滤推荐算法研究

针对传统协同过滤算法中存在的数据稀疏和用户兴趣变化问题,提出一种改进的协同过滤推荐算法(IPTDCF)。在用户相似度计算中融入评分交集项目占比因子,针对用户兴趣变化问题在评分预测计算中融入时间衰减函数,提高推荐算法的准确性。仿真实验表明,改进后的算法在推荐准确度上优于传统算法。     

基于混合相似度的协同过滤推荐

user-based协同过滤算法在B2C电子商务中是一种重要的推荐方法,但是用户共同评价项目的稀缺性导致了协同过滤算法质量的下降。鉴于此,在考虑用户评分数据的基础上,对用户评分记录进行聚类平滑。考虑用户购买记录作为数据源之一,并用曼哈顿距离相似度计算方法计算用户购买记录,将两者线性组合得到混合相似度,使用混合相似度进行推荐,通过实验计算两者线性组合的最佳权重系数,比传统的利用用户评分记录和用户购买记录的精确度高。实验结果表明,基于混合相似度的协同过滤推荐能有效提高由于数据稀缺性造成的推荐准确度。     

基于灰色关联度聚类的协同过滤推荐算法

协同过滤推荐系统是电子商务系统中最成功、最重要的技术之一,而在协同过滤算法中用户相似度的计算是影响算法效率的重要因素。针对传统协同过滤算法中数据稀疏导致的近邻选择不准确问题,引入灰关联分析理论进行项目聚类和用户相似度计算,并以此为基础提出了一种新的协同过滤算法,既解决了对象匹配的不足,又提高了近邻选择的准确性。实验表明,该算法可以有效解决大规模数据下用户评分数据极端稀疏带来的问题,显著提高系统的推荐质量。     

项目相似度与ALS结合的推荐算法研究

协同过滤算法是当今推荐系统普遍使用的一种推荐算法。面对单机模型已逐渐承受不了大数据给推荐系统带来的负荷问题,提出基于Spark平台的一种项目相似度与ALS相结合的协同过滤推荐算法。它基于Spark分布式并行计算框架,可提高预测计算效率,减少系统响应时间。同时使用“基于项目相似度的协同过滤”与“交替最小二乘的协同过滤（ALS）”相结合的一种混合推荐方法,可提高系统推荐精度。通过在MovieLens数据集上的实验结果表明,该算法在算法融合与推荐精度上有着很好的效果。     

基于损失因子和数据集划分的协同过滤推荐算法

针对传统相似度忽略用户局部偏好、用户评分差异和非共同评分项等因素的影响,提出了一种基于损失因子和数据集划分的协同过滤推荐算法.算法根据用户对项目的偏好度来划分数据集,并提出用两个修正因子来改进传统的相似度.在MovieLens数据集上将所提算法和Pearson算法、参考文献[1]中的算法进行比较,实验结果表明,基于损失因子和数据集划分的协同过滤推荐算法更明显地降低了MAE值.     

一种双向聚类协同过滤推荐算法研究

针对传统协同过滤推荐算法在大数据环境下存在数据稀疏性及计算复杂性等问题,提出一种双向聚类协同过滤推荐算法。该算法首先从用户维度和项目维度两个方向分别进行属性聚类,然后在目标用户和目标项目所在类簇中分别使用改进后的相似度计算方法进行协同过滤推荐,最后通过平衡因子综合预测评分并形成最终推荐列表。在 MovieLens 公开数据集上进行实验,结果表明,该算法（DCF）相比传统协同过滤推荐算法（TCF）、基于用户聚类的协同过滤推荐算法（UCF）以及基于项目聚类的协同过滤推荐算法（ICF）,在平均绝对误差上分别降低了 16%、8.1%、7.5%,有效提高了推荐精度。     

基于项目特征的协同过滤推荐算法

协同过滤算法是最常用、最经典的个性化推荐算法之一。在算法计算中相似度计算是影响算法质量的关键因素,该算法中相似度计算根据用户评分差值作为距离来衡量,忽略了项目自身特征属性对相似性计算的制约。因此提出一种基于项目特征的协同过滤推荐算法(IFCF),结合项目评分相似度,利用Logistic二分类算法思想将用户对项目的偏好分为喜爱与不喜爱两类,再利用贝叶斯概率原理将用户对各项目特征的喜爱程度差值作为相似度调整度,以达到提高项目相似性度量准确度的目的。实验结果表明,该算法能够有效提高推荐算法的精度。     

基于用户属性偏好与时间因子的服装推荐研究

针对服装推荐方法推荐精度不高、覆盖率低,不能充分挖掘用户潜在兴趣的问题,提出一种基于用户图像内容属性偏好与时间因子的服装推荐（UIACF）算法。通过构建深度卷积神经网络,提取服装图像中的服装属性,并据此形成用户属性向量,将基于用户属性偏好的相似度与基于时间因子的用户兴趣偏好相似度融合,构建用户偏好模型。将其与基于用户的协同过滤（UCF）算法、基于项目的协同过滤（ICF）算法及基于项目偏好的协同过滤（UCSVD）算法进行比较,结果显示,UIACF 算法准确率提高 14%。该算法为基于用户的服装协同过滤个性化推荐提供了一种新思路,用户潜在兴趣挖掘效率更高。     

一种基于相似度的混合推荐方法

提出了一种基于用户兴趣及标签相似度的混合推荐算法,构建基于标签的用户兴趣模型,通过计算与资源相似度完成推荐,同时融合时间因素研究用户兴趣变化,提高了基于内容的推荐中相似度计算的准确率;根据用户兴趣相似度聚类用户,通过兴趣协同推荐减少对评分矩阵的依赖,一定程度上解决了协同过滤中推荐数据缺失问题;同时,结合用户基本信息有望缓解冷启动问题。实验表明该算法具有一定的有效性及可行性。     

融合位置相似性度量的快消品电商网站推荐算法

提出一种融合位置相似性度量的协同过滤推荐算法（CF-FLSM）。算法融合位置相似性度量进行加权计算用户间的兴趣相似度,从而为目标用户产生推荐结果。将CF-FLSM应用于一个具体的快消品电商网站,得出的推荐结果与传统使用余弦相似性的协同过滤推荐算法（CF）相比,精确率和召回率分别提高了3.74%和3.91%。     

基于用户特征和商品特征的组合协同过滤算法

协同过滤算法在电子商务网站推荐系统中的应用非常广泛,其通过分析大量用户的历史行为数据,挖掘用户的兴趣,向用户推荐合适的物品。然而,协同过滤算法存在数据稀疏性问题。针对该问题,提出一种基于用户特征和商品特征的组合协同过滤推荐算法。通过用户基本属性特征、物品分类属性特征以及用户的历史评分记录,计算用户的相似性和物品的相似性,获得近邻用户和相似物品;依据改进的基于物品协同过滤和基于用户协同过滤组合推荐算法,为项目进行评分。实验表明,该方法能降低预测结果的平均绝对误差,提高推荐精度。     

基于近邻协同过滤算法的相似度计算方法研究

基于近邻的协同过滤算法是目前最为成功的个性化推荐算法之一,相似度计算方法是其核心内容.然而,该算法通常存在冷启动,数据稀疏性以及在相似度计算的时候只能使用共同评分之类的问题.为了有效改善上述算法推荐质量不高的问题,本文介绍了巴氏系数(BhattacharyyaCoefficient),结合修正余弦相似度、杰卡德相似度和皮尔森相关系数的优点,提出一种考虑了项目全局评分信息和局部评分信息的多重相似度融合的协同过滤算法(CFSI).在数据集MovieLens上的实验表明,CFSI在一定程度上有效缓解了数据稀疏性和冷启动问题,并且提高了推荐质量.     

协同过滤推荐算法稳定性研究

协同过滤推荐算法应用广泛,容易遭到外来系统攻击。用9种相似度指标计算用户相似度,研究协同过滤推荐算法在遭受攻击时的稳定性。实证结果表明：在恶意打分时,相似度指标中改进的热传导相似度指标比其它相似度指标的推荐结果稳定,而皮尔森(Pearson)系数和公共邻居(Common Neighbor)的表现非常不稳定;在随机连边中,相似度指标Leicht Holme Newman (LHN)的推荐结果非常稳定,而其它相似度指标则表现非常不稳定。研究结果表明用户的相似度度量对于协同过滤推荐算法至关重要。     

协同过滤算法应用于景点推荐研究

旅游电子商务与网络社交媒体发展导致旅游信息爆炸式增长,用户面临信息过载问题。为使用户快速获取并甄别信息,将传统协同过滤推荐算法应用于景点推荐,游客对景点评分构成评分矩阵,计算景点之间相似度,根据相似景点评分预测游客对目标景点评分。实验结果显示,景点预测评分平均绝对误差为0.696,Item-based景点推荐算法能根据游客偏好推荐景点。     

一种新的协同过滤推荐算法

协同过滤推荐系统在处理交互性强、需要知识背景的电子商务网站推荐领域,显得力不从心。双信息源模式的协同过滤算法(DISCF)推荐系统通过对稀疏数据集的处理,找到活动用户的相似用户(最近邻居集)和具有知识背景专家集合,结合两个推荐组的建议,形成可靠的信息源,分析各自影响活动用户对目标项目的权重,计算活动用户的最终兴趣度,实现系统推荐。     

基于融合标签与蚁群的协同过滤微博推荐算法

针对协同过滤算法中存在数据稀疏的问题,提出一种基于融合用户标签和蚁群的协同过滤微博推荐算法。将表示用户兴趣的标签引入推荐模型中,利用标签和用户以及标签和微博的关联度,建立用户对微博的兴趣度模型。另外结合蚁群聚类和协同过滤为目标用户进行用户聚类,计算出对目标用户的待推荐微博集。最后利用用户对微博的兴趣度模型从待推荐微博集中选出Top-N为目标用户进行推荐。实验引入标签和蚁群算法的有效性,将测试结果与传统协同过滤推荐算法和纯基于标签的微博推荐算法进行比较,该算法不仅改善了协同过滤算法中数据稀疏和冷启动的问题,而且推荐准确度有明显提高。