在推荐系统中利用时间因素的方法

针对传统推荐算法忽略时间因素的问题,根据个体用户短期行为的相似性,利用时间衰减函数计算项目间相关关系,提出基于用户兴趣的项目关联度;将其用于项目相似度的计算,提出基于用户兴趣的项目相似度;同时基于项目关联度对ItemRank算法进行改进,提出一种结合时间因素的TItemRank算法。实验结果表明,利用项目关联度对推荐算法进行改进时,在推荐项目数较少的情况下能够明显地改善推荐效果。特别地,在推荐项目数为20时,基于用户兴趣的项目相似度相比余弦相似度和Jaccard相似度,推荐准确率分别提高了21.9%、6.7%;在推荐项目数为5时,TItemRank算法相比ItemRank算法推荐准确率提高2.9%。

一种改进的协同过滤推荐算法

在协同过滤推荐系统中,商品被视为特征,用户提供他们对购买的商品的评分。通过对用户评分的学习,推荐系统可以向用户推荐他们可能需要的产品。然而电子商务通常有相当多的产品,如果在推荐前要对每一个商品都进行考虑,推荐系统将是非常低效的。提出一种改进的ItemRank方法,应用自构建聚类算法来减少商品数量相关的维度,然后直接在聚类上运行推荐算法。最后,对推荐聚类进行变换得到推荐商品列表推荐给不同的用户。所提出的方法在计算推荐商品时所需的时间大大减少。实验结果表明,在不影响推荐质量的前提下,推荐系统的效率得到了提高。