基于受限信任关系和概率分解矩阵的推荐

现有的推荐算法很难对没有任何记录的冷启动用户或者历史记录稀疏的用户给出准确的推荐,即用户的冷启动问题.本文提出一种基于受限信任关系和概率分解矩阵的推荐方法,由不信任关系约束信任关系的传播,得到准确且覆盖全面的用户信任关系矩阵,并通过对用户信任关系矩阵和用户商品矩阵的概率分解联合用户信任关系和用户商品矩阵信息,为用户给出推荐.实验表明该方法对冷启动用户和历史记录稀疏的用户的推荐效果有较大幅度的提升,有效地解决了用户的冷启动问题.

融合用户相似度与评分信息的协同过滤算法

推荐系统利用机器学习的技术进行信息过滤,准确地定位用户需要的信息,并且能够预测用户对目标项目的喜好程度。但是由于新用户和新项目的存在,传统的协同过滤推荐系统面临着冷启动问题的挑战。为了解决协同过滤推荐系统中用户冷启动问题,设计了融合用户相似度与评分信息的协同过滤算法(SR-CF)。该算法用基于人口统计学的推荐算法找出用户基本信息之间的相似度,再根据最速下降法对用户评分矩阵进行更新,从而产生对目标用户的推荐。基于Moive Lens公开数据集的实验结果表明,所设计的算法在保证推荐准确率的同时提高了推荐的覆盖率,能有效解决用户冷启动问题。

基于互信息的鲁棒跨域推荐系统

由于大量新用户和新产品的出现,跨域推荐系统已经成为解决推荐系统冷启动问题的关键。然而,现有的跨域推荐系统都假设其训练数据中不存在任何的错误标注,但是在现实情况下,该假设很难得到满足,这就导致了跨域推荐系统在相当多的真实推荐场景下的表现很难令人满意。为了减少现实情况下错误标注对跨域推荐系统的影响,提高真实推荐场景下跨域推荐系统推荐结果的准确性,本文提出了一种基于互信息的鲁棒跨域推荐系统,该推荐系统由域分离网络和互信息鲁棒风险两个模块构成。域分离网络模块很好地解决了源域与目标域差异的问题;在互信息鲁棒风险模块中,提出了一个基于互信息的风险函数来过滤掉数据中的错误标注,使用该风险函数所训练出的跨域推荐系统可以很好地处理训练数据中存在的错误信息,使跨域推荐系统能更好地应用在各种真实的推荐场景下。本文采用对比试验的方法,在真实的数据集上将所提出的方法与几种现有的推荐方法进行了比较,试验表明,现有的推荐方法在现实情况下很难不受到错误标注的影响,而本文提出的方法很好地应对了错误标注的影响,具有更优越的性能。

针对协同过滤系统冷启动问题的混合优化算法

为更好地解决协同过滤推荐系统存在的冷启动问题,依据对现有信任网络和用户标签行为的概念研究,明确其算法思想,对原有协同过滤系统算法做出优化。通过对原有信任网络算法和用户标签化行为算法逐一进行优化,并凭借一定的手段有效地使二者结合,建立了一个效能较好的推荐系统算法。经试验验证该算法在一定程度上较原有算法有了更好的改进,能更好地解决协同过滤冷启动问题。对协同过滤推荐系统的冷启动问题的研究提供了新的思路和方法。