基于共同评分和相似性权重的协同过滤推荐算法

协同过滤推荐算法是在电子商务推荐系统中应用最成功的推荐技术之一。提出了一种基于共同评分和相似性权重的协同过滤推荐算法。该算法选择用户的共同评分数据计算用户的相似性,选择项目被用户共同评分的数据计算项目的相似性,再分别计算基于用户以及项目算法的预测评分,然后通过相似性权重结合两者得到最终的预测结果,最后再根据预测结果产生推荐。实际数据的实验结果表明,提出的算法显著提高了预测准确度,从而提高了推荐质量。

基于用户评分和共同评分项的协同过滤算法研究

针对协同过滤算法存在的问题进行改进,以提高评分预测和推荐结果的准确性。传统的相似度度量方法只考虑用户评分,过于简单,在皮尔森相似度的基础上引入用户评分时间和商品流行度对用户评分进行加权处理,并与基于共同评分项规模的相似度计算进行加权组合,使得计算结果更加准确,也更符合现实意义。实验结果表明,新算法评分预测的平均绝对误差明显低于皮尔森相似度,将MAE降低了10%以上,并提高了推荐的召回率和覆盖率。该算法只在电影评分数据集上进行实验验证有一定的局限,但能够提高协同过滤算法的准确性,具有一定的现实意义。

基于时间和共同评分项目数的协同过滤算法研究

针对协同过滤系统中数据稀疏导致推荐质量下降的问题,提出了一种基于时间和共同评分项目数的协同过滤算法。其基本思想是:首先定义关于时间信息函数来降低预测误差,两个用户对共同评分的物品产生行为的时间间隔越远,他们之间的相似度就会越小;其次,定义和共同评分项目数量有关的函数,惩罚数量很少的两个用户之间相似度。实验表明,改进的算法通过调整用户相似度,比传统的协同过滤算法具有更好的推荐质量。

基于共同评分项目数和用户兴趣的协同过滤推荐方法

在推荐系统中,为了在一定程度上减少用户评分数据稀疏对推荐效果的负面影响,提出了一种基于用户共同评分项目数和用户兴趣的协同过滤推荐算法。此算法将用户共同评分项目数和用户兴趣相似度相结合,使用户之间的相似度计算更加准确,为目标用户提供更好的推荐结果。仿真实验结果表明:所提算法比基于Pearson相似度计算方法的算法推荐效果更优,具有更小的平均绝对误差(MAE),表明了其有效性和可行性。

基于共同评分数量及差异度的协同过滤推荐算法

协同过滤推荐算法是应用最广泛、最成功的推荐算法之一,该算法的核心是计算用户或项目相似度矩阵.首先分析了经典的相似度度量方法存在的缺陷,即在数据稀疏时会严重影响推荐结果.针对上述问题,提出一种基于用户间的共同评分数量及评分差异度的相似度度量方法,可以缓解数据稀疏对推荐结果的影响.选择Movie Lens站点提供的著名电影评分集作为实验数据并采用五折交叉法选取测试数据,分别将本算法和基于项目的协同过滤推荐算法、基于用户的协同过滤推荐算法进行对比,结果显示:采用新相似度所得到的推荐结果在一定程度上要优于上述2种经典相似度度量方法所得到的推荐结果.

基于共同评分的协同过滤算法

协同过滤是目前电子商务推荐系统中使用最广泛最成功的一种个性化推荐算法。受数据稀疏性影响,传统协同过滤算法在较小共同评分项集上计算出的相似度不能准确反映用户间的相似关系,严重影响了推荐系统的精度。针对该问题,在分析共同评分分布及其与相似度关系的基础上,提出了基于共同评分的协同过滤算法,无须计算相似度,直接将共同评分作为最近邻选择标准。MovieLens实验表明该算法能明显提高预测结果的准确性和覆盖率。

融合共同评分数量和质量的协同过滤个性化推荐算法

为了改善经典协同过滤个性化推荐算法准确性不高、推荐列表排序性能和偏好分类预测精确性低的缺点,综合考虑了用户共同评分物品数量及质量,通过降低共同评分物品数量较少或质量不高的邻居用户权重,设计了一种用户相似性度量方法进行协同过滤和评分预测。通过实验,在MovieLens电影评分数据集上与领域内几个典型协同过滤算法对比,研究发现本文设计的融合用户共同评分数量和质量的协同过滤个性化推荐算法可以将预测误差降低8.41%,将推荐列表排序性能提高10.21%,将偏好分类预测准确率提高2.55%。

融合评分差异和兴趣相似性的协同过滤推荐算法

为了解决在传统的协同过滤推荐算法中存在的相似性计算不准确的问题,并提高推荐系统的质量,提出一种用户相似度计算方法。在用户共同评分的基础上,该方法根据评分差值和时间特征来计算评分差值的信息熵;然后,利用用户评分差值的信息熵和评分项目属性计算出用户的相似度;最后,根据用户相似度计算出用户的最近邻居,以此预测目标项目的评分。实验结果表明,所提算法更加准确地实现了目标用户最近邻居的查找,有效地提高了推荐的准确性。

基于改进相似度的协同过滤算法研究

协同过滤利用邻居用户的偏好对目标用户的偏好进行推荐预测,相似度计算是其关键。传统的相似度计算忽略了用户共同评分项目数与用户平均评分的影响,以至于在数据稀疏时不能很好地度量用户间的相似度。提出了两个修正因子来改进传统相似度,同时改进了协同过滤算法,将其应用于电影推荐。仿真结果表明,在电影推荐中,基于改进后相似度计算的协同过滤算法能取得比传统算法更低的MAE值,提高了电影推荐质量。

一种改进的协同过滤推荐算法

协同过滤推荐算法是电子商务推荐系统中应用最成功的推荐技术之一,而影响协同过滤推荐算法准确率的关键因素是用户相似性度量方法。针对传统相似性度量方法没有考虑共同评分项数量对推荐质量的影响,将用户之间的共同评分项数量作为相似性计算的一个重要指标,从而得到一种改进的相似性度量方法。但这仍然不能解决数据稀疏带来的推荐质量下降的问题,鉴于此,在上述改进的基础上,提出了利用复杂网络中的结构相似性来度量用户之间相似性的方法,使计算结果更具实际意义和准确性。实验表明,通过这些改进能够有效避免传统方法带来的弊端,提高系统的推荐质量。

基于改进相似度的协同过滤算法

在个性化推荐算法中,相似度计算方法是决定推荐算法准确度的关键因素之一。在MovieLens数据集下,传统相似度的计算没有考虑用户共同评分项目、用户评分时间及用户平均评分的影响,以至于在数据稀疏的情况下不能很好地度量用户间的相似度,导致推荐结果不准确,因此,就以上问题,提出加入三个修正因子改进传统的相似度计算方法。在MovieLens数据集下,实验结果表明,改进后的协同过滤算法的平均绝对误差(MAE)比基于改进相似性度量的项目协同过滤推荐算法(ICF_IPSS)低7.4%,比基于加权多融合偏好与结构相似度的协同过滤算法(MCF)低6%,比协同过滤的相似度融合改进算法(ICF_SI)低1%,可见改进的算法在推荐准确性方面有显著的提高。

融合帕累托占优的用户协同过滤方法

针对冷启动条件下传统基于用户的协同过滤方法不能获取充分代表目标用户的邻居用户,采用帕累托占优理论预过滤掉那些低相似度的用户。由邻近度、影响力、流行度结合的PIP相似度计算方法结合共同评分占比的影响因素改进相似度计算方法。实验采用Movielens100KB数据集,MAE作为评测指标,结果证明,融合帕累托占优和改进相似度的协同过滤算法MAE值对比只做过滤和只改进相似度有所改进。

基于改进相似度计算方法的协同过滤算法

在协同过滤算法中,相似度度量方法是其核心。传统的相似性度量方法主要关注了共同评分项之间的相似度,却未考虑其评分标准和共同评分数量对相似性的影响。本文提出了平均分惩罚机制和共同评分项惩罚机制,对缺失的项目评分进行计算。实验表明,本文所提方法能较好的提高推荐的准确性和稳定性。

基于稀疏聚类和信任度的协同过滤算法

针对数据稀疏性问题,提出一种基于稀疏子空间聚类和预测评分的协同过滤算法。利用稀疏子空间聚类对用户评分矩阵进行聚类,可以保留更多有用信息。考虑用户评分尺度和用户之间的可信度问题,提出融合信任度的概念,通过计算用户间的信任度,最终使用用户间的信任度与相似度的结合作为新的权重进行推荐。

基于KL散度的用户相似性协同过滤算法

大多数用户相似性算法在计算用户相似性时只考虑了用户间的共同评分项,而忽略了用户其他评分中可能隐藏的有价值信息.为了准确评估用户间的相似性,提出了一种基于KL散度的用户相似性协同过滤算法.该算法不仅利用了共同评分项,还考虑了其他非共同评分信息的影响.该算法充分利用了用户的所有评分信息,提高了用户相似性度量的可靠性和准确性.实验结果表明,该算法优于当前主流的用户相似性算法,且在没有共同评分信息的条件下,仍能有效地完成用户相似性度量,解决了对共同评分项的完全依赖问题,具有更好的适应性.