基于云填充和蚁群聚类的协同过滤图书推荐算法

针对传统协同过滤技术在图书推荐中效率不高、数据极端稀疏性及主观性强等问题,提出一种基于云填充和蚁群聚类的协同过滤图书推荐方法,首先根据蚁群聚类算法得到用户群分类,然后在进行协同过滤前预先通过云模型填充用户——项目矩阵,以降低数据的稀疏性。实验结果表明,该算法在推荐精度上有明显的提高。     

基于RBFN——项目聚类的协同过滤推荐算法研究

高维数据的稀疏性问题是降低协同过滤技术推荐质量的主要原因之一。提出了基于径向基函数网络(RBFN)——项目聚类的算法来降低数据的稀疏性,应用径向基函数网络(RBFN)处理高维稀疏数据得到一个完整的矩阵,应用基于项目聚类的协同过滤推荐算法产生推荐。实验结果表明,本算法比其他算法能更好处理协同过滤中的稀疏性问题。     

融合类目偏好和数据场聚类的协同过滤推荐算法研究

[目的/意义]基于近邻用户的协同过滤推荐作为推荐系统应用最广泛的算法之一，受数据稀疏和计算可扩展问题影响，推荐效果不尽如人意。[方法/过程]针对上述问题，提出了一种改进的推荐算法(Category Preferred Data Field Clustering Based Collaborative Filtering Recommendation, CPDFC-CFR)。首先，该算法舍弃用户评分，利用评论情感构建用户—项目矩阵，以增强用户偏好表示能力；其次，该算法引入类目偏好和语义偏好的概念，利用类目偏好比对高维用户—项目矩阵进行降维，并在用户相似度计算中纳入评论情感偏好、项目类目偏好和语义偏好，以降低数据稀疏性；最后，该算法将数据场作为用户聚类的前置算法，把数据场输出(极大值点)作为K-means算法输入，以提升算法实时性和稳定性。[结果/结论]实验结果表明：(1)项目类目级别越低，CPDFC-CFR算法准确性(F-measure)和即时性(相似度计算次数和推荐耗时)越优；(2)与其他推荐算法相比，CPDFC-CFR算法能够有效提升推荐准确性和计算效率，对协同过滤推荐系统建设具有重...     

一种基于指数遗忘函数的协同过滤算法

协同过滤算法是目前最成功的个性化推荐技术之一,但传统的协同过滤算法没有考虑用户兴趣随时间而产生的变化,影响了推荐质量。本文针对这个问题,提出一种改进的指数遗忘函数对用户—资源评分矩阵进行修正,并将修正的评分矩阵用于协同过滤算法,从而得到一种改进的协同过滤算法。实验表明,与传统协同过滤算法相比,改进的算法在推荐准确度上有显著提高。     

面向图书馆大数据知识服务的多情境兴趣推荐方法

大数据环境下,推荐系统项目评分的稀疏性问题愈加突出,单兴趣表示方法也难以对用户多种情境兴趣进行准确描述,导致推荐结果精度大大降低。鉴于此,提出一种多情境兴趣表示方法,在此基础上构建面向图书馆大数据知识服务的多情境兴趣推荐模型,通过对用户多情境兴趣的层次划分,利用蚁群层次挖掘的优势来发现目标用户的若干最近邻类簇,然后根据类簇内相似用户对目标项目的评分对未评分项目进行预测,最后结合MapReduce化的大数据并行处理方法来进行协同过滤推荐。实验结果表明,多情境兴趣的建模方法改善了单兴趣建模存在的歧义推荐问题,有效缓解了大数据环境下项目评分的数据稀疏问题,MapReduce化的蚁群层次聚类方法也大大改善了推荐系统的运行效率。     

基于用户聚类的推荐算法研究

随着21世纪的到来,市场上出现了以淘宝和亚马逊为代表的一些电商平台,这些平台为消费者提供了极大购物便利的同时,也出现了很多因为数据过大而导致的一系列问题,例如数据量过大,导致聚类算法效率低下,不能及时给用户推荐产品,同时数据量过大,导致数据稀疏性问题明显。因此,文章研究了基于用户聚类的服装推荐技术。基于传统协同过滤算法中,由于其本身特性造成的推荐效果实时性不高以及效率低下的问题,引入用户兴趣变化模型,以及评分预测时间模型,提出基于时间和用户兴趣改变的协同过滤推荐算法,对传统过滤算法进行针对性的修改。     

十字链表存储技术在协同过滤中的应用

基于项目的协同过滤推荐算法离线生成项目相似性,但是高维、稀疏的用户-项目评分矩阵对服务器存储空间要求较高,同时还存在空间浪费.针对上述问题,将十字链表存储技术引入到协同过滤中,对用户-项目评分矩阵进行压缩存储,从而有效减少了物理空间占用,并用C Builder 6.0实现了十字链表存储程序.     

用户意图聚类的数字资源推荐方法

综合用户背景与资源特点,基于用户的协同过滤更适合高校图书馆在信息推荐中的应用。对其由于馆藏数字资源空间增大而导致推荐系统性能下降以及数据稀疏性问题,提出一种用户意图聚类的方法。通过运用K—means算法,对资源类别的意图特征值相似用户进行聚类,来提高推荐的实时性,降低数据稀疏性对信息推荐造成的影响。实验结果表明,基于用户意图聚类的协同过滤算法能有效提高推荐质量。     

一种利用项目文本信息与评分信息的混合推荐方法

协同过滤推荐方法由于只利用用户对项目的评分数据,常常会遭遇到评分数据稀疏问题和项目的冷启动问题。本文提出了一种利用项目文本信息与评分信息的混合推荐方法。首先,利用doc2vec处理与项目相关的文本信息数据,通过对项目相关的文本信息数据进行无监督训练得到文本特征向量。然后,利用概率矩阵分解技术融合文本特征向量和评分数据两类信息进行训练,得到用户的潜表示和项目的潜表示,利用用户的潜表示和项目的潜表示可以对用户未打分的项目进行预测。通过实验验证,本文的混合推荐方法在没有显著降低预测精度的同时能够处理项目冷启动问题。     

基于共同评分的协同过滤算法

协同过滤是目前电子商务推荐系统中使用最广泛最成功的一种个性化推荐算法.受数据稀疏性影响,传统协同过滤算法在较小共同评分项集上计算出的相似度不能准确反映用户间的相似关系,严重影响了推荐系统的精度.针对该问题,在分析共同评分分布及其与相似度关系的基础上,提出了基于共同评分的协同过滤算法,无须计算相似度,直接将共同评分作为最近邻选择标准.MovieLens实验表明该算法能明显提高预测结果的准确性和覆盖率.     

基于用户特征和用户兴趣的推荐计算

协同过滤技术是个性化推荐系统中最经典的代表,但传统的协同过滤技术也面临着冷启动、数据稀疏性等弊端,加上协同过滤技术很少考虑用户兴趣随时间变化和用户特征等因素,导致推荐质量不尽如人意。在传统协同过滤的基础上,结合用户兴趣变化和用户特征两方面,提出一种改进算法的协同过滤技术,与传统技术相比推荐质量显著提高。     

基于相似传播和情景聚类的网络协同过滤推荐算法研究

互联网时代,个性化推荐系统逐渐被应用到各个不同的领域,随之个性化推荐算法也成为目前研究的热点。然而,传统的推荐算法往往存在着冷启动、数据稀疏等问题。本文在对传统推荐算法研究的基础上,提出了一种基于相似传播和情景聚类的协同过滤推荐算法,根据计算用户间的情景相似度对用户进行聚类,然后根据相似传播原理找出目标用户更多的最近邻居,最后根据预测目标用户对项目的评分进行推荐。借助网上公共数据集在Matlab上实现了该算法并验证了算法的有效性。实验结果表明,本文所提算法的准确性相比传统算法有所提高,同时缓解了传统推荐算法存在的冷启动和数据稀疏性等问题。     

基于混合模式的网络超市商品推荐方法

在分析现有网络商品推荐算法的优缺点及主要问题的基础上,提出一种基于混合模式的网络超市商品推荐方法。其主要思想是：通过商品本体概念和属性构建商品子模型,采用基于内容的推荐算法填充用户——商品评分矩阵;依据用户背景信息、评分数据和查询关键字构建用户子模型,采用K均值算法进行用户聚类;利用基于用户的协同过滤产生推荐。实验表明,混合算法提供的推荐结果更加准确高效。     

基于用户模式聚类的协同过滤个性化推荐方法

最近邻协同过滤常用的计算用户访问行为相似程度的距离函数仅是测定访问者对象在所有测试属性空间上的平均测定,而在属性集的子维空间上的相似模式并没有有效地挖掘出来,用户评分数据稀疏等问题使其推荐质量下降。针对这些问题,提出一种基于用户模式聚类的协同过滤推荐算法,该算法采用基于用户模式相似的子空间聚类方法产生聚类,并且利用模式相似度改进协同过滤,从而对用户产生个性化推荐。实验结果表明,该方法改善了推荐系统的效率和精度。     

迁移学习优化TB算法的个性化推荐模型

针对标准Trada Boost算法在个性化推荐的应用中还存在精度不高的问题,本文提出了一种基于迁移学习优化Trada Boost算法的个性化推荐模型。首先采用迁移学习对Trada Boost算法的类簇进行平滑处理,即使用聚类算法对用户—项目评分数据进行预处理,并产生预选最近邻用户,接着使用基于内存的协同过滤算法在聚类结果数据上对评分数据进行平滑,最后采用改进的Trada Boost算法构建个性化推荐模型。通过仿真实验表明,本文提出的改进算法相比较目前常用的算法具有更高的个性化推荐精度。     

基于项目的协同过滤推荐算法的改进

个性化推荐技术是在互联网迅速发展下应运而生的。协同过滤是各种个性化推荐技术中最受欢迎的,它在取得巨大成功的同时也同样遭遇到挑战。目前它所面临的最紧要问题就是如何解决数据稀疏带来的难题。本文主要研究协同过滤中的一种,即基于项目的协同过滤推荐算法,提出了一种改进算法:融合差异度和时间函数的协同过滤推荐算法,并通过实验证明改进的算法对于数据稀疏的问题确有改善作用。     

一种有效缓解数据稀疏问题的协同过滤推荐算法

传统协同过滤推荐算法依据共同评分项目计算用户相似度, 进而产生推荐项目。然而, 随着用户和商品数量的不断增加, 用户共同评分的项目会越来越少, 甚至没有, 因此传统协同过滤推荐算法对用户之间相似度的衡量将会越来越不准确, 从而影响推荐系统的性能。针对这一问题, 本文对用户相似度的计算方法进行了改进, 提出直接相似度和间接相似度的概念, 同时引入关键人物权重, 进一步提高推荐系统的准确性。     

协同过滤算法中一种改进的预测值计算方法

传统的协同过滤算法中预测值的计算只考虑了用户评分而缺乏对用户评分是否可信的考虑,针对这个问题．文章提出了对用户的评分进行信用评估的方法。实验表明,改进后的协同过滤算法在推荐效果方面得到了更好的改善。     

移动环境下基于隐性评分的博客推荐技术

在移动环境下让用户对博客进行直接评分有很多弊端.因此,如何获取用户对博客的评分信息已成为一个亟待解决的问题.基于隐性评分技术,通过分析用户阅读博客时的阅读速度和阅读文章的比例,计算出用户对博客的偏好信息,进而将传统的基于项目的协同过滤技术应用到博客推荐中,提出了移动环境下基于隐性评分的协同过滤博客推荐技术.最后,通过实验证明该技术可以在移动环境下有效地为用户推荐符合其兴趣的博客.     

基于上下文的分布式协同过滤推荐技术

针对传统协同过滤推荐技术应用于大规模动态数据集时难以兼顾准确度和效率的问题,提出了一种基于上下文的分布式协同过滤推荐技术,其中首先引入了推荐上下文的概念,并在此基础上通过充分考虑用户的即时兴趣以提高推荐的准确度,同时采用评分矩阵的分布式存储和计算以提高推荐的效率。实验结果表明,这里所提出的分布式协同过滤技术能够同时保证推荐的准确度和效率,使其在大规模动态数据集上的应用更具优势。