一种基于多属性评分的协同过滤算法

协同过滤算法是个性化推荐领域中使用最为广泛的算法,传统协同过滤算法是基于全部属性评分对项目进行推荐,而用户在项目选择或对项目满意度评价时主要关注项目的关键属性,因此传统协同过滤算法的推荐准确度和个性化服务水平不高.针对此问题,提出了一种基于多属性评分的协同过滤算法,文中算法通过获取用户对项目多个属性的评分,以准确描述用户的个性化偏好,再通过信息熵来对用户的历史属性评分变化幅度进行计算,同时对用户的属性评分相似性计算,从而对项目进行综合推荐.最后,经实验分析验证了所提算法切实可行.用户的历史属性评分反映了用户之前的评分习惯和对项目属性的个性化偏好,基于多属性评分的协同过滤推荐不仅能够提高推荐准确度,而且在一定程度上解决了数据稀疏问题.

基于多属性评分的电子商务个性化推荐算法分析

随着社会经济的发展和科学技术的进步,在当前的时代背景下,信息化技术已经广泛应用在人们的生产与生活中,特别是在电子商务中尤为常见。基于此,论文以基于多属性评分的电子商务个性化推荐算法作为研究对象,分析研究的意义所在,对属性评分变化幅度进行分析,根据计算得到的结果探究多属性评分的电子商务个性化推荐算法的实际应用,从而帮助广大用户发现更多有用的信息,研究的信息领域也变得越来越广阔。

基于多属性评分隐表征学习的群组推荐算法

【目的】克服个体用户表征学习受个体用户评分稀疏性影响严重的问题,提高推荐算法的准确率和反应速度。【方法】提出一种基于神经网络的多属性评分隐表征学习方法,并应用该方法从用户群组和项目两个维度学习多属性评分的隐表征,最后分别通过用户群组偏好匹配和项目吸引力计算实现两个群组推荐。【结果】基于TripAdvisor数据集的实验结果表明:本文算法的准确率、时间性能优于典型的多属性推荐算法和群组推荐算法;准确率略差于个体推荐算法,但在线和离线运行时间较个性化推荐算法分别至少降低30%和50%;用户群组的隐表征学习相比项目的隐表征学习对推荐性能的提高作用更明显。【局限】由于真实群组数据难以获取,仅基于某种聚类算法生成虚拟群组,因此群组较理想化。虚拟群组的偏好比真实群组的偏好可能更易聚合。【结论】基于神经网络学习群组用户的隐表征(即聚合群组用户的偏好)和项目的隐表征,可以有效提高群组推荐算法和多属性推荐算法的准确率和召回率,效果非常接近最新的个性化推荐算法。

融合隐式信任与属性偏好的群组推荐算法

随着互联网和推荐系统的不断发展,推荐服务的对象由单一用户扩展为群组成员,获取并融合组内成员的偏好、提升群组推荐效果成为当前推荐领域研究的热点问题.利用用户提供的多属性评分矩阵,提出一种融合隐式信任与属性偏好的群组推荐算法.首先,基于用户共同评分项目数和多属性评分相似度计算用户间的直接隐式信任,并利用信任传递机制获取用户间的间接信任,降低数据稀疏性.然后,通过计算用户各属性评分与总体评分间的距离来挖掘用户的属性偏好,在此基础上,利用注意力机制学习组内用户权重,将用户偏好聚合为群组偏好,进而结合深度学习框架对候选项目进行预测,生成最终的推荐列表.最后,四个数据集上的实验验证了提出的算法的有效性和可行性,实验结果表明,该算法的准确率、nDCG等评价指标明显优于对比算法.

多属性协同过滤推荐在物流配送服务平台的应用

为了帮助用户选择尽可能满足其个性化偏好的物流配送服务,结合配送服务的多属性评分特点,本文构建了基于多属性协同过滤的推荐算法,对传统协同过滤算法进行了延伸与改进,首先预测目标用户对候选服务各属性的评分值,通过引入服务的个性化特征因子减小热门服务对用户相似度计算的误差,考虑到用户的服务属性评分存在波动性,使用信息熵将用户历史评分均值与协同过滤得到的预测值相结合进行修正,然后基于同一用户对不同属性评分波动性的差异,计算得到用户对服务所有属性的评分预测权重,将各属性的评分预测值与对应权重加权求和进行服务推荐.对配送服务交易的评分数据样本进行实验验证,在准确率和平均绝对误差指标上有较好的表现,将算法应用于物流配送服务平台,构建推荐系统,能够提高平台个性化服务能力.

基于联邦学习框架的制造服务个性化推荐方法研究

针对工业云平台中海量的制造服务使得用户难以进行服务选择,以及推荐算法的使用使得平台存在泄露用户数据风险的问题,提出一种基于联邦学习框架的制造服务个性化推荐方法。采用基于模型的协同过滤推荐算法,在矩阵分解中考虑用户和服务的评分偏置项以提高推荐准确度。推荐算法所用的数据被分类存储于用户端与服务器端,其中包含用户隐私的数据留存至用户本地。本地数据经加密算法进行脱敏后,与服务器端的数据结合以共同训练模型。最终,用户对制造服务的不同属性的评分被预测得出。根据制造服务质量的特点,在多属性预测评分的基础上进一步量化用户个性化倾向。通过个性化倾向因子对预测评分的干预得到服务的Pareto非支配解集,生成制造服务的推荐列表。实例验证表明,该推荐方法能够在保护用户隐私的前提下获得良好的预测准确度,在考虑用户个性化偏好的情况下保证推荐服务的预测评分均值较高,从而帮助用户进行制造服务选择。