基于BP神经网络的协作过滤推荐算法

研究、探讨了协同推荐问题,提出了一种基于两层面的多个后向传播(BP)神经网络的协作过滤推荐算法(TMNN-CFRA).两层面的多个BP神经网络协同工作,高层面BP网反向误差传播直至低层面多个人工神经网络(ANN)进行网络权值修正,以此为基础,借助用户评价等特征前向给出项目推荐.标准评测集Movielens上的实验评测表明了TMNN-CFRA的可行性和有效性.

基于影响集的协作过滤推荐算法

传统的基于用户的协作过滤推荐系统由于使用了基于内存的最近邻查询算法,因此表现出可扩展性差、缺乏稳定性的缺点.针对可扩展性的问题,提出的基于项目的协作过滤算法,仍然不能解决数据稀疏带来的推荐质量下降的问题(稳定性差).从影响集的概念中得到启发,提出一种新的基于项目的协作过滤推荐算法CFBIS(collaborative filtering based on influence sets),利用当前对象的影响集来提高该资源的评价密度,并为这种新的推荐机制定义了计算预测评分的方法.实验结果表明,该算法相对于传统的只基于最近邻产生推荐的项目协作过滤算法而言,可有效缓解由数据集稀疏带来的问题,显著提高推荐系统的推荐质量.

一种基于协作过滤的电影推荐方法

在海量网络资源中,用户为了寻找喜欢的视频往往需要进行频繁操作,个性化推荐服务可以有效解决该问题,但当前推荐服务准确度较低,为此,提出一种基于协作过滤的改进推荐方法。根据相似用户群,即邻居集的点播记录确定当前用户的推荐电影子集,挖掘当前用户的喜好,建立兴趣模型,并与推荐子集中的电影进行匹配,按匹配度高低进行推荐。对推荐电影子集进行分类,以适应家庭中多用户观看的情况。另外在系统运行初期采用相似影片的推荐以一定程度地缓解冷启动问题。实验结果表明,与现有协作过滤算法相比,改进推荐方法的推荐准确度有明显提高。

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.

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。

优化的协作过滤推荐算法

基于用户的协作过滤推荐技术中存在的稀疏问题和冷开始问题,影响推荐系统的性能,使协作过滤的效果得不到充分的发挥,提出了一种优化的协作过滤推荐算法,对用户-项目评价矩阵进行降维预处理,对原始评价矩阵降低了噪音,有效地解决了稀疏问题,验证了使用相关相似度的度量标准所得到的算法要比余弦相似度算法的推荐质量要高,验证了采用中心加权求和的方法能很好地弥补协作过滤算法在冷开始中的新项目问题上的不足,可以提高推荐系统的推荐质量与推荐精度。

基于协作过滤的个性化服务技术研究

随着网络的普及和发展以及网络信息量的日益增加,为广大用户提供个性化服务显得尤为必要。在对个性化服务技术相关知识进行概述的基础上介绍了协作过滤信息推荐技术的基本原理、分类、所面临的困难等,并对国内外研究现状等进行了综述。最后对基于协作过滤的个性化服务技术进一步的研究工作进行了展望。

基于矩阵聚类的协作过滤算法

通过分析现有的协作过滤技术,提出了基于矩阵聚类的协作过滤算法,把矩阵聚类算法和协作过滤相结合,自动划分原始用户———资源评分矩阵,依据划分后的子数据矩阵生成推荐结果.实验结果表明,提出的基于矩阵聚类的协作过滤算法优于传统协作过滤算法,减少了近邻搜索范围,提高了算法的推荐精度.

基于资源的协作过滤推荐算法研究

协作过滤是当今应用最为普遍的个性化推荐算法,然而数据的稀疏性和算法的可扩展性一直是协作过滤算法所面临的两大问题。提出了一种新的推荐算法——基于资源的协作过滤算法。该算法在对资源项目依内容划分的基础上,将用户—项目评分矩阵转换为用户—资源类别评分矩阵,然后对用户聚类,在目标用户所在的簇中寻找其最近邻居并产生推荐。实验表明,该算法不仅降低了数据的稀疏性和维度,缩小了目标用户最近邻的查找范围,算法的扩展性得到了有效改善,而且提高了最近邻的准确度,推荐精度较以往传统算法有明显提高。

基于协作过滤的Web日志数据预处理研究

协作过滤是当今应用较为成功的个性化服务技术,Web日志可以为个性化服务技术提供重要的数据源,只要对日志数据进行高效预处理,就能提高协作过滤算法有效性和个性化服务质量。结合实际日志数据的处理,给出了基于协作过滤的Web日志数据预处理过程结构图和一种可行的数据预处理方法,该方法不仅可以提供更加干净、规则的数据源,而且在用户兴趣度量方面,弥补了以往诸多兴趣度量方法的不足,为协作过滤算法提供了更加准确的数据支持。

预测Web QoS的协作过滤算法

不同环境中用户对同一服务质量的感受可能存在较大差别,针对这一问题,提出了一种QoS预测方法.该方法不仅使用了历史QoS信息,还将环境因素、用户输入等对QoS的影响考虑进去.以这些信息为基础,首先通过高斯法对原始信息数据进行规范化处理,然后计算其他服务与待预测服务的相似度,找到与目标服务相似度较大的服务集,并根据服务相似度预测空白信息,在此基础上计算用户的相似度,从而为用户预测目标服务的QoS值.实验结果表明,这种方法可以显著提高Web服务质量预测的准确性.

协作过滤算法中一种预测值判定方法的研究

协作过滤算法作为最成功的个性化推荐技术已经被应用到很多领域中.算法产生的预测值通常是一个小数,还需要判定为对应到某个评分级别的整数.传统的算法按照"四舍五入"原则产生判定值,考虑过于简单,忽略了用户的评分趋势.针对这个问题,提出了基于用户评分趋势的预测值判定算法.该算法综合考虑预测值与评分级别之间的偏离,以及用户的评分趋势,再对预测值进行判定.实验表明,改进后的协作过滤算法在推荐效果方面得到了更好的改善.

基于用户的协作过滤信息推荐模型研究

当网络成为人们获取信息的主要途径时,"信息过量"与"信息饥饿"的矛盾却日益凸现,因此,提供个性化服务显得尤为必要。提出了一种基于用户的协作过滤信息推荐模型,实验结果表明,该模型能够有效地改善传统协作过滤推荐技术所面临的扩展性和数据高维稀疏性问题,同时信息推荐质量较传统推荐算法还有明显提高。

一种基于协作过滤的电子图书推荐系统

推荐系统中最常见信息过滤技术是基于内容的过滤和协作过滤,协作过滤由于有其自身的优点得到迅速发展,并得到广泛应用,但传统的协作过滤算法存在着稀疏性、扩展性和同义性等问题。本文提出一种基于评价矩阵列向量的图书协作过滤算法,并把这个算法应用到了一个数字图书馆的电子图书推荐系统中。此图书协作过滤算法主要计算图书之间的相似度而不是用户之间的相似度,可以大大降低计算量。实验也表明,这个算法比传统的基于用户的协作过滤算法有优势。

一个新的基于协作过滤的用户浏览预测模型

本文提出了一个新的基于协作过滤的用户浏览协作预测模型——UNCPM，它有效地解决了目前协作过滤预测方法的准确性和覆盖率低等问题。UNCPM从Web日志中获取用户浏览信息，系统分为两个部分：离线构件和在线构件。离线构件用于用户浏览历史记录的K-means聚类，并在聚类时充分考虑URL的相似分析来避免协作过滤的同义性和分散性等不足；在线构件用于活动用户预测。该模型可以应用在大型电子商务网站的用户浏览预测上。

基于极速神经网络的协作过滤方法研究

协作过滤是一种有效的个性化推荐技术,针对该技术随着用户和资源的增多,数据的高维稀疏特性严重导致推荐质量的下降和计算速度减慢的问题,研究并实现了一种基于极速神经网络的协作过滤方法。采用主成分分析解决数据高维稀疏性问题,采用极速神经网络技术解决计算速度慢的问题。实验结果表明,该方法具有良好的泛化性能和学习速度,能很好的满足个性化资源推荐的需求。

基于兴趣度的协作过滤技术研究

随着互联网上的信息的迅速增长,协作过滤技术得到越来越广泛的应用。结合了显式和隐式计算兴趣度的方法,提出了一种新的计算用户兴趣度的方法。并在此基础上论述了基于兴趣度的协作过滤技术。该方法通过寻找相似用户群体,由相似用户群体来预测用户对某一WEB事务的喜好,并给出了相应的实现算法。实验结果表明,该方法能提供较好的协作推荐服务。

基于项目内容和评分的时间加权协作过滤算法

文中围绕传统的协作过滤推荐算法存在的局限性展开研究,提出了一种基于内容和评分的时间加权协作过滤算法。首先,计算用户已评分项目的时间权重,在此基础上,分别计算项目间基于内容和基于评分的时间加权相似度的值;然后,将二者相结合,计算用户间的相似度,形成兴趣更加接近的邻居集,进而进行高质量的推荐。实验结果表明,该算法不仅提高了推荐精度,降低了数据的稀疏性,而且算法的扩展性也得到了有效改善。

基于Nearest-Biclusters协作过滤技术的效用图结构学习算法

在多议题协商研究中,议题之间的依赖关系增加了协商Agent效用函数的复杂性,从而使得多议题协商变得更加困难.基于效用图的多议题依赖协商模型是体现议题间依赖关系的多议题协商模型.在该协商模型中,协商双方仅需要较少的协商步数就能够找到满足Pareto效率的协商结局.如何有效地学习买方Agent的效用图结构是该协商模型的关键.文中基于Nearest-Biclusters协作过滤技术的思想提出了一种新的效用图结构学习算法(NBCFL算法).该算法首先利用Nearest-Biclusters协作过滤技术发现买方偏好的局部匹配特性,提取与当前买方Agent类型相同的买方Agent所产生的协商历史记录,然后通过计算各议题间的依赖度学习买方Agent的效用图结构.实验表明在参与协商的买方Agent类型不同的条件下,NBCFL算法比IBCFL算法能更好地学习买方Agent的效用图结构.

基于聚类协作过滤的个性推荐系统的实现

根据目前电子商务网站中商品个性化推荐的现状,本文提出对不同的商品可分别根据商品间的相似性和顾客间的相似性进行聚类和协作推荐,并具体给出基于聚类协作过滤的商品个性化推荐的流程、系统设计和系统实现。