融合影响因子的加权协同过滤算法

现有的协同过滤算法在计算用户间或项目间相似度时,由于数据集稀疏导致相似度差值过小,难以找出真正的相似用户与相似项目。为此,提出一种融合影响因子的加权协同过滤算法。利用基于用户间与项目间共同评分用户个数的影响因子,修正用户及项目相似度,并分别定义基于项目与用户的预测评分计算算法,将项目间与用户间的共同评分项作为加权系数,得出最终的预测评分算法,根据最终预测评分,采用TopN算法进行推荐。在真实数据集上的实验结果表明,该算法在不同邻居数上的平均绝对误差小于0.78,明显提高了推荐质量。

融合协同过滤和主题模型的弹幕视频推荐算法

针对弹幕视频网站通常不为用户提供评分功能并且使用弹幕池策略以降低存储压力导致的缺少用户评分和无法准确建模用户主题的问题,提出融合主题模型和协同过滤的弹幕视频推荐算法(DRCFT)。首先根据用户行为构造隐式评分矩阵,并得到项目评分相似度;其次建立LDA主体模型,生成项目主题,计算项目主题相似度;再加权生成综合项目相似度,由此结合评分矩阵计算用户—项目预测评分;然后对项目主题相似度矩阵进行sigmoid惩罚,结合用户历史记录得到用户—项目主题相似度;最后将用户—项目主题相似度作为权重,与预测评分相乘,得到最终的预测评分。对比实验表明,该算法能够得到合理的推荐结果,提高推荐的准确性。

基于加权多融合偏好与结构相似度的协同过滤算法

当推荐系统中用户评分数据集是稀疏数据时,使用基于评分相似度或基于结构相似度的传统协同过滤算法会增加最近邻选取误差。针对这一不足,综合用户对于类别的偏好情况,提出基于融合评分及类别偏好相似度的协同过滤算法。为更准确地发现相似用户,考虑用户在评分结构上存在的相似性,进一步提出加权多融合偏好及结构相似度度量方法。实验结果表明,该算法可减少平均绝对误差,提高推荐质量。

加权融合基于内容和协同过滤的音乐推荐算法

随着互联网技术及音乐资源电子化地发展,用户获取音乐资源越来越容易。但音乐库不断增大却使得用户快速找到心仪音乐变得愈发困难。为解决传统单一音乐推荐算法的不足问题,提高音乐推荐质量,在深入研究基于内容和协同过滤推荐算法基础上,文章提出在基于协同过滤推荐算法中融入时间因素并与基于内容推荐算法加权融合的音乐推荐算法。实验结果表明,与传统单一推荐算法和部分相关算法相比,这种算法为用户推荐音乐的效果更好。

基于内容和协同过滤加权融合的音乐推荐算法

随着互联网的普及以及音乐库的高速更新换代,用户对音乐的需求变得越来越大,传统的推荐算法已经无法满足用户及时准确地寻找到所喜欢的音乐。因此,针对传统音乐推荐算法的不足,通过对协同过滤推荐算法的分析,提出基于内容和协同过滤加权融合的音乐推荐算法。与传统推荐算法及部分相关推荐算法比较,加权融合推荐算法计算出的推荐结果可以更高效快速地将用户感兴趣的音乐推荐出来。

基于全加权矩阵分解的用户协同过滤推荐算法

针对传统的基于用户协同过滤推荐算法将用户对某物品的喜好程度等同看待的问题,文中提出了一种融合全加权矩阵分解的用户协同过滤模型。该模型首先为观测值设计频率感知加权,且非均匀地设计用于未观测值的用户导向加权。然后组合观测值和未观测值的加权,并根据评分确定用户声誉和用户关系的相似性,构建融合全加权矩阵分解的用户协同过滤模型。为了验证提出的推荐算法的性能,在Douban、Epinions和Last.fm 3个真实数据集上进行了仿真实验。实验结果表明,所提出的AWMF_UCFR算法的推荐准确性与MF算法、WRMF-UO算法、SoRS算法相比有显著提高。

一种新型有向加权协同过滤算法的推荐技术研究

在"互联网+"的大数据时代,要获得有价值的信息需耗费大量的时间与精力,网络资源个性化推荐技术有望解决这个问题。研究指出修正协同过滤算法的优点及不足,重点就重合因子的不足进行修正和改进,从而推荐一种新的基于有向重合因子的相似度修正方法。以四个不同稀疏度的数据集为样本进行实践论证,通过算法的分析对比得到结论,各数据集中DWSCF(有向加权相似度协同过滤算法)效率最高,其次为JSCF(Jaccard修正协同过滤算法)及WSCF(加权相似度协同过滤算法),最低的是CF(协同过滤算法),大量样本数据验证了创新的基于有向加权相似度协同过滤改进算法是有效和可行的。

基于组合加权评分的Item-based协同过滤算法

针对Item-based协同过滤算法中用户评分数据稀疏性严重影响推荐质量的问题,提出一种基于组合加权评分的Item-based协同过滤算法,以用户评分项并集作为用户相似性计算基础,并提出一种组合加权评分方法来对并集中的未评分项进行计算和填补,从而降低了数据稀疏性。实验结果表明该算法能有效提高推荐质量。

融合惩罚因子和时间权重的协同过滤推荐算法

协同过滤算法是一种经典的推荐算法,思想是依据近邻用户或者相似物品对目标进行推荐,常被应用在各类推荐系统中。但传统算法过分考虑热门物品对评分的影响,而忽略了冷门物品对用户兴趣特征度量的贡献,也未考虑用户兴趣动态变化的问题。对此,提出一种新的相似度改进算法,改进后的协同过滤算法将物品热门惩罚因子和时间数据权重进行加权计算,优化了用户相似度计算方法,形成了一种新的相似性度量模型。利用MovieLens电影推荐数据集验证改进后的算法,实验结果表明,该算法将推荐平均绝对误差(MAE)与传统算法相比降低了13.2%,推荐质量有了明显提升。

标签相关度加权的协同过滤个性化推荐算法

现有的基于标签的协同过滤推荐方法虽然利用标签区分信息的属性,但是并不考虑标签本身的相关性,使得多数情况下信息推荐结果倾向于热门或常用标签,影响了推荐质量。针对上述问题,引入衡量标签之间的关联程度的指标——标签相关度,并基于此计算标签与信息之间对应关系的概率,从而建立一种新的标签相关度加权的协同过滤推荐算法。利用标签相关度来解决权重偏差问题,平衡热门信息和个性化信息的权重。主要方法是建立基于标签相关度特征表示的用户和信息表示,并通过特征相似性度量方法计算标签相关度加权的信息相似度,最后采用K最近方法对用户-信息偏好进行预测。实验结果表明,该方法与表现较好的LS和LW算法相比,能够在一定程度上提高推荐的精确度和召回率,更好地满足用户的实际需求。

基于GAIFWFCM和TFNs的协同过滤算法

针对传统推荐系统中使用离散评分未能合理表达用户偏好的问题,将遗传算法引入优化特征加权模糊C均值,通过梯形模糊聚合相似目标用户,提出基于遗传算法的优化加权模糊C均值聚类融合梯形模糊数的协同过滤模型。通过遗传算法进行增强初始聚类中心,利用优化加权模糊C均值聚类融合梯形模糊数,分析类内与类间属性特征关系,实现用户精细划分,合理过滤推荐。在两组数据集中以MAE和RMSE作为评估指标进行实验,实验结果表明,所提算法在与其余6种算法对比中分类误差更低,对用户意愿识别更加清晰。

改进加权Slope one协同过滤推荐算法研究

协同过滤推荐是最成功的推荐技术之一,但数据稀疏性问题导致推荐准确度和推荐效率不高。针对这个问题,提出了一种改进的加权Slope one协同过滤推荐算法。计算用户之间的评分相似度,找出每个用户的最近邻;根据最近邻用户评分,使用基于用户的协同过滤和改进的加权Slope one算法的加权评分预测目标用户的未评分项目;给出推荐。实验过程中采用Movie Lens数据集作为测试数据。实验结果表明:与原算法相比,算法提高了预测准确度,有效提高了推荐性能。

基于模糊C-均值和特征加权法的协同过滤推荐算法

随着用户对推荐精准度和个性化的要求越来越高,传统推荐算法对于用户-项目的非理性评判弊端以及稀疏性等带来的问题,严重影响推荐的精准度及个性化。基于这些问题,提出了一种基于C-均值和特征加权法的协同过滤推荐算法,该算法首先对用户-项目的评分、转存、特征值等建立矩阵来计算它们之间的相似度,然后通过FCM算法筛选出候选集;而候选集中的项目、用户又具有特征值权重向量的划分,所以再对候选集通过特征加权法获得最终推荐集,从而实现精准、个性化及高效推荐。实验结果表明,该算法能够有效提高相似度计算精度,从而解决数据稀疏性及评分极端带来的不良性,进而提高推荐的精准度、个性化及执行效率。

基于评分矩阵预填充的协同过滤算法

随着用户和项目数量的增长,用户-项目评分矩阵变得极其稀疏,导致基于相似度计算的推荐算法精度降低。为此,提出一种基于加权Jaccard系数的综合项目相似度度量方法,使用项目综合相似度对评分矩阵进行预填充。实验结果表明,在用户-项目评分矩阵极其稀疏的情况下,该算法能产生比传统算法更精确的推荐结果。

基于用户兴趣和项目周期的协同过滤推荐算法

协同过滤推荐算法以没有限定推荐对象类型、无需用户反馈信息等优势在众多个性化推荐算法中脱颖而出。但是现有算法缺乏对用户之间的差异和用户自身的兴趣考虑,对用户和项目之间的潜在关联考虑不充分,这些问题均会影响推荐精度。该文提出一种基于用户兴趣和项目周期的协同过滤推荐算法,该算法在计算相似度时引入用户兴趣权重UI、项目时间等因素,并采用融合因子将改进后所得用户和项目信息进行综合,获得推荐列表。对比实验得出:该算法在推荐精确度上提高了11.034%,研究结果表明:该算法可有效提高推荐精确度。

融合主题信息和卷积神经网络的混合推荐算法

针对传统的协同过滤算法中数据稀疏和推荐结果不准确的问题,提出了一种基于隐狄利克雷分布(LDA)与卷积神经网络(CNN)的概率矩阵分解推荐模型(LCPMF),该模型综合考虑项目评论文档的主题信息与深层语义信息。首先,分别使用LDA主题模型和文本CNN对项目评论文档建模;然后,获取项目评论文档的显著潜在低维主题信息及全局深层语义信息,从而捕获项目文档的多层次特征表示;最后,将得到的用户和多层次的项目特征融合到概率矩阵分解(PMF)模型中,产生预测评分进行推荐。在真实数据集Movielens 1M、Movielens 10M与Amazon上,将LCPMF与经典的PMF、协同深度学习(CDL)、卷积矩阵因子分解模型(ConvMF)模型进行对比。实验结果表明,相较PMF、CDL、ConvMF模型,所提推荐模型LCPMF的均方根误差(RMSE)和平均绝对误差(MAE)在Movielens 1M数据集上分别降低了6.03%和5.38%、5.12%和4.03%、1.46%和2.00%,在Movielens 10M数据集上分别降低了5.35%和5.67%、2.50%和3.64%、1.75%和1.74%,在Amazon数据集上分别降低17.71%和23.63%、14.92%和17.47%、3.51%和4.87%,验证了所提模型在推荐系统中的可行性与有效性。

基于用户偏好度的双极协同过滤推荐算法

为了解决目前推荐方法中用户相似度计算不准确、推荐准确率较低的问题,建立一种基于用户偏好度的双极协同过滤推荐算法。计算用户间共同项目数量,当共同项目数量小于设定阈值时,选择用户、项目、项目属性特征构建用户对项目、属性的双极特征向量,表示用户的喜欢程度和讨厌程度。通过对双极特征向量进行加权计算,得到用户间相似度。在标准的MovieLens数据集上验证该算法。实验结果表明,该文算法的平均绝对误差(MAE)和均方根误差(RMSE)较其他算法降低了约9%,平均分值排名(R)降低了约10%。

融合机器学习的加权Slope One算法

Slope One算法是一种基于内存的协同过滤推荐算法,在计算时,内存消耗过大,尤其当数据集稀疏时,预测结果的准确度不高.基于此,将一种基于模型的算法融合到基于内存的Slope One算法中,提出一种使用机器学习中最小二乘法改进的加权Slope One算法,该算法简单直观且计算高效,可以克服传统基于内存推荐算法的诸多缺点.最后,在Filmtrust和Movielens数据集上的对比实验结果表明,融合偏差因子的加权Slope One算法在这两个稀疏度不同的数据集下,均能获得较高的推荐准确度.

填补法和改进相似度相结合的协同过滤算法

针对稀疏的用户评分数据,国内外学者对协同过滤算法作了很多改进,归纳为填充法、改进相似度方法、结合内容的推荐等,这些单一方法都不能真正解决数据稀疏的问题。针对这个问题,提出一种填充法和改进相似度相结合的协同过滤算法。该算法首先利用填充法随机填充部分数据,改进的填充法预测评分时融入了项目属性信息,然后利用填充后的数据和新相似度方法作推荐,产生推荐结果,迭代m次,按照迭代m次被推荐项目平均评分的高低进行最后的推荐。实验表明,在数据稀疏的情况下,该算法与单一的方法比有更好的推荐效果。

基于评分可信度的协同过滤融合方法

为了解决基于项目和基于用户的推荐结果的融合问题,提出了基于评分可信度的协同过滤融合方法。该方法在推荐对象集合中计算评分数大于平均评分数的对象作为信任子群,在信任子群上计算能够使推荐的平均绝对误差最小的融合参数λ。由计算得到的最优融合参数λ对基于项目和基于用户的推荐结果进行融合,作出推荐。实验结果表明,该算法有效提高了过滤推荐的精准度和可靠性,具有良好的推荐效果。