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。     

基于贝叶斯网络的协同过滤推荐算法

网络技术的快速发展产生了海量用户数据,为在海量数据中寻找与用户需求相符的数据,提出一种能快速得到较准确推荐结果的基于贝叶斯网络的协同过滤推荐算法。实验结果表明,与传统协同过滤推荐算法相比,该算法准确度更高。     

物联网环境下大数据流中有效信息过滤算法研究

针对常规有效信息过滤算法对数据间关联规则识别能力较弱等问题,提出物联网环境下大数据流中有效信息过滤算法。该算法根据数据权重向量维度,通过余弦夹角构建目标相似的大数据推荐模型;设置表层关联与隐含关联预测规则,利用预测函数确定数据间的关联程度;按照数据间的衔接性质,将数据集合划分成若干子集,模糊聚类物联网中的有效信息;根据用户主观倾向设置偏好函数,以协同过滤方式,得到有效信息过滤算法。实验结果表明,与常规有效信息过滤算法相比,该算法对数据关联规则识别能力提升 14.97%,满足当前物联网大数据流中对有效数据的过滤要求。     

改进预测评分矩阵的协同过滤算法

为解决传统协同过滤推荐算法数据稀疏、可扩展性差等问题,采用改进预测评分矩阵的协同过滤算法。首先使用基于线性回归分析的加权Slope One算法,在传统Slope One算法中加入可信度,提高共同评分基数;然后采用网上标准数据集movielens作为测试数据,结合协同过滤算法进行top-N推荐。实验结果表明,使用改进预测评分矩阵的协同过滤算法的MEA较小,在近邻数大于25时达到0.74,表明该算法改善了传统协同过滤算法数据稀疏、扩展性差问题,降低了推荐误差,提高了推荐系统准确度。     

基于Apache Spark的协同过滤系统设计与实现

随着Web技术的发展,互联网用户数量持续增长,快速为用户生成精确推荐变得愈加困难。提出了项目协同过滤算法,采用余弦相似性计算项目间相似度并用加权平均值的方法为用户生成推荐结果。在Apache Spark上构建该系统,对抓取到的某电商商品数据进行测试。实验结果表明,基于Spark的推荐系统可以显著提高推荐生成的速度和有效性。     

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。     

基于改进协同过滤算法的个性化美食推荐APP开发

为了改善基于个人喜好或营养成分等单一特征的传统协同过滤算法推荐效果不好、缺乏实时性及使用不方便等问题,将中医体质、地方口味、营养成分等多种特征相结合,利用基于Spark Streaming的协同过滤算法,设计一款基于 Android 平台的智能饮食推荐APP。实验结果表明,改进协同过滤算法能够大幅改善推荐效果,该APP不仅可为用户推荐符合身体健康需要,且合乎口味的饮食,而且能够较好地满足用户对实时性与便捷性的要求。     

一种基于Web日志的Item Based协同过滤算法改进

在目前众多的电子商务推荐方法中,协同过滤的研究和应用最为广泛。但由于其自身存在的一些诸如数据稀疏性与缺少个性化等问题,导致推荐的准确度与效率不高。而且User Based协同过滤算法存在用户规模过大、不易寻找最近邻的问题。因此,引入了Web日志挖掘方法,并利用Item Based等相关技术,以提高推荐准确度。     

一种改进时间上下文关联的餐饮智能推荐模型

针对基于用户的协同过滤推荐模型对搜索兴趣最近邻居准确度不高等问题,提出了一种时间上下文关联的智能推荐模型。该模型考虑了现实情况中顾客之间兴趣的时间同步性与顾客之间的相似性成正比的关系,并在模型中引入了时间衰减因子来表示这种关系,从而提高搜索兴趣最近邻居的准确度。实验结果表明,改进的时间关联推荐模型的准确度比协同过滤推荐模型的准确度提高了25%。     

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。     

基于页面的用户偏好协同过滤算法研究

本文针对传统的协同过滤推荐算法存在的影响推荐质量的数据稀疏性问题和实用准确性问题,设计了一种基于页面的用户偏好协同过滤算法,并通过实验验证了该算法在数据稀疏性等方面均优于传统算法。     

基于用户的协同过滤推荐算法MapReduce并行化实现

基于用户的协同过滤推荐算法是应用范围广且应用效果较好的推荐算法之一。传统单机模式下运行的基于用户的协同过滤推荐算法在面对海量数据时存在严重的性能瓶颈问题,很难满足实际计算需求,而基于MapReduce的并行计算框架为解决该问题提供了新思路。MapReduce是Hadoop开源框架的核心计算编程模型, MapReduce的设计目标是方便编程人员在不熟悉分布式并行编程的情况下,可将自己的程序运行在分布式系统上。根据基于用户的协同过滤推荐算法特点,提出MapReduce并行化实现方法。实验结果表明,在MapReduce并行计算框架下实现的基于用户的协同过滤推荐算法在算法性能及稳定性方面都取得了理想效果。     

基于混合模型的个性化阅读系统设计

为解决协同过滤推荐算法冷启动和数据稀缺的问题,提高个性化阅读系统推荐准确性,根据图书特点,提出一种融合协同过滤算法和兴趣标签算法的个性化阅读系统设计。通过交叉调和方法,给定一个适当的融合比将两种推荐算法的推荐结果进行融合,保证系统在解决冷启动问题的同时,能够增加推荐列表新鲜度,提高推荐准确度,保持个性化阅读系统优越性。结果表明,该方法即使没有评级也能合理推荐,在推荐准确性和图书种类方面优于传统方法。     

基于矩阵分解的兴趣点推荐算法研究

单类协同过滤面临的主要问题是:仅仅正例数据能够被观察到,类高度不平衡,大量数据点丢失。为解决该问题，基于迭代最小二乘法，采用一种加权的带正则化项的单类协同过滤算法，即wALS算法。通过在真实的Foursquare、Movie Lens数据集上进行验证，证明了这种算法性能优于其它几个经典的单类协同过滤算法。     

基于文献引证关系的数字图书馆协同推荐系统

协同过滤算法应用于数字图书馆推荐系统有诸多优点,然而在系统启动初期存在最初评价问题和数据稀疏问题。针对这些情况,提出引入文献引证关系于数字图书馆协同过滤算法。文献引证关系能够较好的反映文献作者对参考文献、引证文献的兴趣评价。基于文献引证关系的数字图书馆协同过滤算法引入作者的文献评价信息,解决了协同过滤算法固有的问题。实验结果表明,该算法能有效地提高系统的推荐质量。     

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。     

基于改进RFM模型的协同过滤推荐算法研究

为了提高协同过滤推荐技术的服务效率和质量,给出了一种基于改进RFM模型的协同过滤推荐算法。该算法把利润引入RFM模型中,用利润代替购买金额,形成RFP模型,利用RFP来完善基于RFM的相似性计算,充分体现用户价值对推荐结果的影响。实验表明,该算法在提升推荐结果的覆盖率和准确率方面都有着较好的优势。     

基于融合卷积神经网络的协同过滤模型

在传统推荐系统中,通常基于协同过滤推荐算法挖掘评分中的隐含特征,但在实际应用中,评分矩阵往往十分稀疏,很难充分地表示用户偏好特征与物品描述特征。为了充分挖掘评论文本中的隐含特征,并在一定程度上缓解数据稀疏性问题,提出一种深度协同过滤模型(CFiCNN)：融合卷积神经网络的协同过滤模型。该模型利用卷积神经网络抽取用户-物品评论数据中的隐含特征,基于协同过滤的矩阵分解方法,进行评分预测。在4个真实数据集上对该模型进行了评估实验,并与3个常用模型进行对比。实验结果表明,该模型能够很好地抽取到用户与物品的隐含特征,并且进行更准确的评分预测。