基于项类偏好的协同过滤推荐算法

协同过滤是推荐系统中广泛使用的最成功的推荐技术,但是随着系统中用户数目和商品数目的不断增加,整个商品空间上的用户评分数据极端稀疏,传统协同过滤算法的最近邻搜寻方式存在很大不足,导致推荐质量急剧下降。针对这一问题,本文提出了一种基于项类偏好的协同过滤推荐算法。首先为目标用户找出一组项类偏好一致的候选邻居,候选邻居与目标用户兴趣相近,共同评分较多,在候选邻居中搜寻最近邻,可以排除共同评分较少用户的干扰,从整体上提高最近邻搜寻的准确性。实验结果表明,该算法能有效提高推荐质量。     

协同过滤推荐研究综述

针对传统协同过滤算法的局限性,探讨目前的各种改进思路,主要结合聚类、关联规则、贝叶斯、神经网络、云模型、维数简化、对等网等技术进行改进,重点评述改进现状和存在的问题,并归纳推荐系统的评估方法,最后对协同过滤推荐的未来进行展望。     

拟合用户兴趣演变特性的协作过滤推荐算法

个性化推荐技术是将传统的数据挖掘技术同用户访问信息结合起来,根据用户的兴趣爱好来对用户可能访问的内容进行预测并预取其提供给用户进行选择.目前协作过滤技术是个性化推荐系统中应用最为成功的推荐技术之一,但传统的协作过滤算法没有考虑用户的兴趣演变,难以有效地反映用户真实兴趣.在分析目前协作过滤算法存在问题的基础上,利用用户访问兴趣分为偶然兴趣和稳定兴趣的特性,文章提出了基于偶然兴趣的推荐权重和基于稳定兴趣的推荐权重,并将它们融入新的拟合用户兴趣演变的协作过滤算法中.实验表明该算法能准确地反映用户访问兴趣,较传统的协作过滤算法可以有效提高推荐精度.     

基于相似项目与用户评分的协同推荐算法

推荐系统是电子商务系统中最重要的技术之一.随着电子商务系统用户数目和商品数目日益增加,在整个商品空间上用户评分数据极端稀疏,传统的相似性度量方法均存在各自的弊端,导致推荐系统的推荐质量急剧下降.针对用户评分数据极端稀疏情况下传统相似性度量方法的不足,本文提出了一种基于相似项目与用户评分预测的协同过滤推荐算法,综合利用相似项目和相似用户评分信息预测用户对未评分项目的评分.通过聚类算法形成用户候选近邻集,减小了算法搜索空间,降低了最近邻用户的搜索时间,从而增强了算法的扩展性.实验结果表明,本算法可以有效解决用户评分数据极端稀疏情况下传统协同推荐算法存在的问题,显著提高推荐系统的推荐质量.     

一种基于Rough集理论的最近邻协同过滤算法

目前协同过滤被广泛应用于数字图书馆、电子商务等领域的个性化服务系统.最近邻算法则是最早提出和最主要的协同过滤推荐算法,但用户评分数据稀疏性严重影响推荐质量.针对上述问题,提出了一种基于Rough集理论的最近邻协同过滤算法,以用户评分项并集作为用户相似性计算基础,并将非目标用户区分为无推荐能力和有推荐能力两种类型;对于无推荐能力用户不再计算用户相似性以改善推荐实时性,对于有推荐能力用户则提出一种基于Rough集理论的评分预测方法来填补用户评分项并集中的缺失值,从而降低数据稀疏性.实验结果表明新算法能有效提高推荐质量.     

一种解决协作过滤中矩阵稀疏性问题的算法

为了帮助用户有效地发现、过滤和利用信息 ,信息过滤技术应运而生。协作过滤作为其中一种技术也得到迅速发展 ,但传统的协作过滤算法存在矩阵稀疏性等问题 ,影响预测效果。本文给出一种基于信息项的新算法 ,它从矩阵的列来考虑 ,能有效地解决矩阵稀疏性等问题 ,并提高预测准确性。     

时间上下文优化的协同过滤图书推荐

针对高校图书馆场景存在的无显式反馈、借阅数据稀疏和传统推荐算法效果不好问题,提出基于时间上下文优化协同过滤的推荐算法,包含读者阅读行为评分、时间上下文和内容兴趣变迁3个要素。在数据准备阶段,通过制定评分转化规则、设计标准化函数来构建一种基于用户行为操作的兴趣评分模型,以解决用户评分缺失问题;在推荐召回阶段,提出一种非线性的时间衰减模型来对评价矩阵进行优化,以提高推荐效果;在推荐排序阶段,提出一种兴趣捕捉模型对召回结果按照图书类别进行精排序,以缓解数据稀疏问题并进一步提高推荐效果。实验结果表明,文章提出的优化算法在Top5的F值较未经优化的协同过滤提升增幅达141%。     

基于项目分类预测的协同过滤推荐算法

在电子商务系统中,为了帮助用户有效地发现、过滤和利用信息,信息过滤技术应运而生.协同过滤技术作为其中的一种技术被成功地应用于推荐系统中.随着电子商务用户数目和商品数目的日益增加,整个项目空间上用户评分数据极端稀疏,传统的相似性度量方法均存在各自的弊端,导致推荐系统的推荐质量急剧下降.针对这一不足,提出基于项目分类预测的协同过滤算法,通过对用户评分矩阵中的项目进行相应的分类,缩小邻近搜索的范围,预测项目评分,减少稀疏性,并采用新的相似度计算方法.实验结果表明,该算法能提高个性化推荐算法的准确性.     

基于内容和协作的信息过滤方法研究

随着互联网上信息的迅速增长,信息过滤技术得到越来越广泛的应用。本文论述了内容过滤和协作过滤两种信息过滤技术,针对它们存在的问题,提出一种结合两种过滤技术的方法。实验结果表明,该方法能较好地解决问题,提高过滤结果的准确性,是一种更好的信息过滤方法     

基于属性值偏好矩阵的协同过滤推荐算法

传统的协同过滤推荐算法面临用户评分数据稀疏性和冷启动问题的挑战.针对上述问题,提出了基于属性值偏好矩阵的协同过滤推荐算法,首先采用奇异值分解(SVD)对用户-项目评分矩阵降维得到目标用户的初始邻居用户集,生成新的用户-项目评分矩阵;然后将用户评分映射到相应的项目属性值上,生成每个用户的属性值偏好矩阵,并基于属性值偏好矩阵进行用户相似性度量,从而缓解了评分数据稀疏性;将新项目的属性值与用户的属性值偏好矩阵进行匹配,从而找出匹配度最高的前N个用户作为新项目的推荐受众.实验结果表明了该算法的有效性.     

利用云模型改进基于项目的协同过滤推荐算法

基于项目的协同过滤推荐算法能有效解决传统的基于用户的协同过滤推荐系统可扩展性差、缺乏稳定性的缺点,但仍然不能解决数据稀疏的问题,在数据极度稀疏的情况下,传统的项目相似性度量方法无法实现准确度量,导致推荐效果急剧下滑。本文借鉴基于云模型的云相似性度量方法来实现基于知识层面的项目相似性度量,提出了一种新的基于项目的协同过滤推荐算法。实验结果表明即使在数据极度稀疏的情况下,改进后的算法仍然能取得较好的推荐效果。     

基于矩阵划分和兴趣方差的协同过滤算法

数据稀疏性是协同过滤系统面临的一个巨大挑战。本文提出了一种新的推荐算法———基于矩阵划分和兴趣方差的协同过滤算法。该算法采用矩阵分块的思想来缩小最近邻搜索的范围。矩阵分块时,采用聚类的方法,大大降低了矩阵的维度和稀疏等级。同时引入兴趣方差的概念,提高了计算最近邻的准确度。实验证明,本文提出的过滤算法在预测精度上较传统的推荐算法有很大的提高。     

基于组合加权评分的Item-based协同过滤算法

针对Item-based协同过滤算法中用户评分数据稀疏性严重影响推荐质量的问题,提出一种基于组合加权评分的Item-based协同过滤算法,以用户评分项并集作为用户相似性计算基础,并提出一种组合加权评分方法来对并集中的未评分项进行计算和填补,从而降低了数据稀疏性。实验结果表明该算法能有效提高推荐质量。     

一种基于情景的多维协同过滤新方法研究

介绍传统协同过滤方法,提出一个新的基于情景的多维协同过滤推荐模型。在该模型中,介绍情景的概念;阐述建立基于情景的多维用户模型的方法,并对基于情景的多维协同过滤推荐模型的组成部分进行详细介绍。提出一种计算情景相似度的新算法。基于该新算法,可以得到当前用户的“最近邻”在当前用户所在情景下对项目的评分。     

基于专家信任优先的协同过滤推荐算法

针对传统协同过滤推荐算法的不足,依据现实生活经验,认为在协同过滤推荐过程中考虑用户的专家信任因素十分必要。详细阐述专家信任的概念以及利用用户评分数据计算专家信任度的方法,提出一种基于专家优先信任的协同过滤推荐算法。在公开数据集GroupLens上的实验结果表明,该算法预测用户评分的精度和成功率都明显优于传统的最近邻法。     

协同过滤系统中基于种子集评分的新用户冷启动推荐研究

认为建立种子集引导用户评分是解决协同过滤推荐系统新用户冷启动问题的方法之一。尝试将关联度引入种子集的构建策略,提出基于多属性综合评价的种子集策略,并利用公开数据集MovieLens设计实验,模拟推荐系统的新用户环境,对比不同种子集策略的预测准确度和成功率。实验结果表明,在更符合实际推荐系统需求的少量种子集情况下,考虑种子之间的关联性可以改善推荐效果。     

基于知识的协同过滤推荐系统研究

传统的基于项目的协同过滤算法,不能很好地解决数据稀疏和新项目问题(冷启动)带来的推荐质量下降的问题.笔者从智能检索的思想出发,提出一种新的基于知识的协同过滤推荐算法.该算法借助于领域本体,表达语义知识,增加了项目之间的关联信息;考虑到领域本体中结点、边、深度和密度对相似性计算的不同影响,算法结合信息论中的互信息相关概念,对相似性计算公式进行改进,提高了运算精度.实验结果表明,该算法相对于传统的基于项目的协同过滤推荐算法而言,可有效缓解由数据集稀疏和冷启动带来的问题,显著提高推荐系统的推荐质量.     

An Empirical Analysis of Design Choices in Neighborhood-Based Collaborative Filtering Algorithms

Collaborative filtering systems predict a user's interest in new items based on the recommendations of other people with similar interests. Instead of performing content indexing or content analysis, collaborative filtering systems rely entirely on interest ratings from members of a participating community. Since predictions are based on human ratings, collaborative filtering systems have the potential to provide filtering based on complex attributes, such as quality, taste, or aesthetics. Many implementations of collaborative filtering apply some variation of the neighborhood-based prediction algorithm. Many variations of similarity metrics, weighting approaches, combination measures, and rating normalization have appeared in each implementation. For these parameters and others, there is no consensus as to which choice of technique is most appropriate for what situations, nor how significant an effect on accuracy each parameter has. Consequently, every person implementing a collaborative filtering system must make hard design choices with little guidance. This article provides a set of recommendations to guide design of neighborhood-based prediction systems, based on the results of an empirical study. We apply an analysis framework that divides the neighborhood-based prediction approach into three components and then examines variants of the key parameters in each component. The three components identified are similarity computation, neighbor selection, and rating combination.     

基于协作过滤的Web智能信息推荐方法

传统的协作过滤方法存在的主要问题是需要人为地提供评价,论文设计的协作过滤方法对其进行了改进,根据用户模式自动获取用户评价,构建评价矩阵。将设计的协作过滤方法应用到个性化信息推荐,提出一种基于协作过滤的Web智能信息推荐方法(WIIRM)。WIIRM考虑用户访问页面的时间特性,不需要用户注册,在推荐时考虑页面的新颖性,同时实现离线处理与在线推荐的结合。实验结果表明,WIIRM是有效的。