融入项目相关性的加权Slope One算法研究

在基于项目的协同过滤推荐算法中,Slope One算法的应用较为广泛。但该算法在对项目相似度计算过程中没有考虑项目类型因素的影响,导致类型不相关的项目参与到相似度计算中而影响推荐效果,而且该算法在数据稀疏的情况下预测准确度不高。针对上述不足,考虑使用项目相关性来考量项目间的关系,提出了融入项目相关性的加权Slope One算法,该算法从项目自身的所属类型和项目的评分数据两方面来综合计算项目间的相似度关系,并在此基础上增加了项目筛选策略,达到了稳定评分差、获取局部较为密集的项目评分矩阵的目的。最后将所提算法应用在MovieLens数据集上与其他相近算法进行对比实验,实验结果显示所提算法在明显提高推荐准确度的同时也有效缓解了数据稀疏问题。

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.

受限玻尔兹曼机与加权Slope One的混合推荐算法研究

针对传统协同过滤算法所面临的稀疏性及预测准确度不高的问题,提出一种基于受限玻尔兹曼机与加权Slope One的混合推荐算法。首先通过受限玻尔兹曼机对评分矩阵的初步填充,缓解数据的稀疏性问题;然后通过一种混合项目相似度计算方法,引入项目属性信息;最后通过加权Slope One算法的二次预测,提升推荐效果。在MovieLens100K数据集上的实验表明,两种算法的结合提高了推荐的准确度。

融合改进加权Slope One的协同过滤算法

针对传统协同过滤算法中存在的数据稀疏性问题,提出一种融合改进加权Slope One的协同过滤算法.该算法首先使用改进后的Slope One算法计算出的评分预测值,对初始的用户-评分矩阵进行有效填充,然后在新的评分矩阵上通过基于内存的协同过滤算法进行预测与推荐.经改进Slope One算法填充后的矩阵不仅大大降低了原始评分矩阵的稀疏性,同时也避免了回填数据过于单一的问题.在MovieLens-100k数据集上对文中算法进行仿真实验,结果表明,改进算法有效降低了MAE和RMSE,在提高推荐准确度的同时也缓解了数据稀疏性的问题.

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。

融合巴氏系数的加权Slope One算法

针对用户共同评分很少甚至没有时,传统相似度计算性能较差的问题,以及传统加权slope one算法在进行预测评分时未考虑项目相似度对预测结果的影响,提出一种融合巴氏系数的加权slope one算法(BCWSOA)。该算法主要针对上述两个问题进行改进,一是利用巴氏系数对用户相似度进行改进。首先用皮尔逊相关系数计算用户局部相似度,Jaccard相似性计算用户全局相似度,巴氏系数分析用户相关性,然后将巴氏系数作为权重因子优化用户局部相似度,最后使用参数α组合优化用户局部相似度和用户全局相似度,从而获得融合相似度。参数α用来凸显不同相似度在融合相似度中的权重;二是利用巴氏系数改进预测评分,考虑项目相似度对预测结果的影响,计算项目相似度并将其作为权重改进加权slope one算法预测评分公式。通过在MovieLens100k数据集上的实验表明,相比于其他算法,提出的BCWSOA算法准确度有所提高。

基于评分填充和时间的加权Slope One算法

针对数据稀疏性,常用的评分矩阵填充方法主要是通过平均数、中位数等进行填充,该文提出一种新的评分矩阵填充方法。利用项目-属性矩阵计算用户对项目属性偏好,由于每个项目都有各自属性,从而可以获得用户对项目的偏好值,以用户平均评分为基准,实现对评分矩阵填充。基于填充后的评分矩阵,又考虑到用户兴趣爱好随时间会发生改变,因此引入时间因子,提出一种基于评分矩阵填充和时间因子的加权slope one算法(FTWSOA)。通过时间函数修正评分矩阵,优化的评分数据可以更好地体现用户兴趣爱好随时间变化的情况。在时间加权的评分矩阵下,计算出属性兴趣偏好,在共同评分很少甚至没有时,利用属性兴趣偏好可以较为准确地计算用户相似度。由于在共同很少或者没有时,原始评分矩阵中用户没有交集,而在属性兴趣矩阵下用户会存在交集,因此,使用参数λ将填充矩阵下的用户相似度和属性兴趣偏好矩阵下的用户相似度相结合得到最终的用户相似度,可以缓解在稀疏数据下相似度计算性能差的问题,最后使用加权slope one预测评分时,将时间衰减函数加入到预测公式中来优化预测评分公式。通过在MovieLens100k数据集上的实验表明,相比于其他算法,FTWSOA算法准确度有所提高。

基于图嵌入的用户加权Slope One算法

针对传统Slope One推荐算法在稀疏数据集上预测准确率较低的问题,提出一种基于图嵌入的加权Slope One算法。本文算法首先以融合时间信息的用户相似度为边权建立用户关联图,对该图进行图嵌入得到用户特征向量,然后基于Canopy聚类对用户进行类内加权Slope One推荐。另外,为优化算法性能,本文算法基于Spark计算框架实现。实验结果表明,对比传统的加权Slope One,本文算法在稀疏数据集和显式、隐式评分数据集上的推荐效果和评分预测准确率都更优。

融合用户模糊聚类和相似度的加权Slope One优化

在数据集稀疏的情况下传统的Slope One算法推荐效果差、精确度低,并且该算法对所有用户一视同仁,没有考虑用户间相似性和差异性的情况;同时,随着数据量越来越大,实时性也逐渐变差。针对以上问题,进行加权Slope One算法优化的研究。首先,利用模糊聚类技术将不同类型用户进行分类,减少最近邻搜索范围,降低计算复杂度;然后,对加权Slope One计算公式进行改进,在计算中引入皮尔逊相关系数加以限定;最后,在每个类簇中利用改进的加权Slope One算法进行用户评分预测,进而产生推荐集。实验表明,本文算法有效提高了推荐精确度,增强了推荐实时性。

基于关联规则策略加权的Slope One算法改进

针对Slope One推荐算法在数据稀疏性高时推荐结果不够精准的问题进行研究,将关联规则思想与加权分析的方法相结合,提出基于关联规则策略加权的Slope One算法,从用户评分和项目特征两个角度对算法进行改进。实验采用Film Trust数据集,其中包含1 508个用户对2 071部电影共35 497条评分记录。经多次实验测试分析,提出的方法切实达到了预期优化效果,也为后续算法的更多元化改进方案探究提供了研究基础。

基于降低数据稀疏度的协同过滤算法

协同过滤算法是推荐系统的一种常见算法,其核心思想是通过历史数据挖掘用户偏好,计算对象相似近邻项进行推荐。但是一般真实数据都存在严重的数据稀疏性问题,用户或者项目之间的共同评分项目过少,使得一些传统相似度算法计算不准确、推荐准确度不高。传统Slope One算法准确度不高,但其实现简单,运行效率高,可以用做稀疏数据预填充,从而改善相似度计算的准确度。因此,结合Slope One算法,该文提出了一种基于降低数据稀疏度的协同过滤算法。首先对用户评分数据进行分层聚类,再使用Weighted Slope One算法对高稀疏度数据集部分空白数据进行预测填充,从而大幅度降低数据稀疏度,提高了皮尔逊相似度计算的准确度,最后再引入对象属性偏好相似度进行融合。通过MovieLens 100 K数据集进行算法验证,从结果中可以清晰地看出其平均绝对误差(Mean Absolute Error,MAE)有所降低,证明该算法能在一定程度上提升推荐结果的准确度。

基于评分填充与信任信息的混合推荐算法

针对推荐系统的数据稀疏性导致的推荐效果不佳的问题,提出一种基于评分填充与信任信息的混合推荐的算法RTWSO(Real-value user item restricted Boltzmann machine Trust WSO)。首先,使用改进的受限玻尔兹曼机模型对评分矩阵进行填充,以缓解评分矩阵的稀疏性问题;其次,从信任关系中提取信任与被信任关系,并通过基于矩阵分解的隐含信任关系相似度来解决信任信息稀疏的问题,而且对原有算法进行了包含信任信息的修正,以提高推荐准确度;最后,通过加权Slope One(WSO)算法对矩阵填充与信任相似度信息加以整合,并对评分数据进行预测。在Epinions与Ciao数据集中验证算法性能,可见所提出混合推荐算法较组成算法在推荐准确度上提升3%以上,较现有社会化推荐算法SocialIT(Social recommendation algorithm based on Implict similarity in Trust)在推荐准确度上提升1.2%以上。实验结果表明,所提出的基于评分填充与信任信息的混合推荐算法在一定程度上提高了推荐准确度。