协同过滤算法在微信推荐小程序的应用

为了使客户能够方便、快速从大量数据中获取有效信息,本文对微信小程序采用Mvc的开发模式,并以Node.js技术进行设计,其总体架构主要包括交互层、数据访问层、控制层和数据库层。采用基于用户的协同过滤推荐算法和基于特征的协同过滤推荐算法结合的方式进行商品的推荐。对于基于用户的算法,采用IG特征选择算法进行商品特征的选取,再采用改进的Pearson相关系数进行相似性计算,获取推荐商品。对于基于特征的算法,采用改进的余弦相似性进行用户相似度的计算,根据相似性用户推荐商品。将推荐商品按照比例结合,最终进行商品的推荐。为了验证该微信小程序的性能,对其进行微信推荐小程序运行测试和商品推荐测试。试验结果表明微信小程序的各移动端均可正常运行,各项功能可进行操作,且向用户推荐的有效信息符合设计要求。

一种基于改进的巴氏系数的协同过滤推荐算法

传统基于邻居的协同过滤推荐方法必须完全依赖用户共同评分项,且存在极为稀疏的数据集中预测准确性不高的问题。巴氏系数协同过滤算法通过利用一对用户的所有评分项进行相似性度量,可以有效改善上述问题。但该种方法也存在两个很明显的缺陷,即未考虑两个用户评分项个数不同时的情况以及没有针对性地考虑用户偏好。在巴氏系数协同过滤算法的基础上进行了改进,既能充分利用用户的所有评分信息,又考虑到用户对项目的积极评分偏好。实验结果表明,改进的巴氏系数协同过滤算法在数据集上获得了更好的推荐结果,提高了推荐的准确度。

基于巴氏系数和Jaccard系数的协同过滤算法

针对传统基于邻域的协同过滤推荐算法存在数据稀疏性及相似性度量只能利用用户共同评分的问题,提出一种基于巴氏系数和Jaccard系数的协同过滤算法(CFBJ)。在项目相似性度量中,该算法引入巴氏系数和Jaccard系数,巴氏系数利用用户所有评分信息克服共同评分的限制,Jaccard系数可以增加相似性度量中共同评分项所占的比重。该算法通过提高项目相似度准确率来选取最近邻,优化了对目标用户的偏好预测和个性化推荐。实验结果表明,该算法比平均值-杰卡德差分(MJD)算法、皮尔森系数(PC)算法、杰卡德均方差(JMSD)算法、PIP算法误差更小,分类准确率更高,有效缓解了用户评分数据稀疏所带来的问题,提高了推荐系统的预测准确率。

一种巴氏系数改进相似度的协同过滤算法

针对传统协同过滤算法中评分数据稀疏性及所造成推荐质量不高的问题,提出一种巴氏系数(Bhattacharyya Coefficient)改进相似度的协同过滤算法。在基于近邻协同过滤算法基础上,首先利用Jaccard相似性来计算用户间的全局相似性;其次使用巴氏系数获得评分分布的整体规律,并结合Pearson相关系数来计算其局部相似性;最后融合全局相似性和局部相似性得到最终的相似度矩阵。实验结果表明,该算法在稀疏数据集上获得更好的推荐结果,有效地缓解了评分数据稀疏性问题,提高了推荐的准确度。

基于巴氏系数和信息熵的协同过滤算法

为改进传统协同过滤算法的推荐质量,文章提出一种考虑巴氏系数和信息熵的协同过滤算法。首先通过巴氏系数和项目相关性权重建立用户相似度模型;其次,通过信息熵衡量用户在评分分布上的相似度,引入用户相近度、同类性和交叠度因子,挖掘用户多维评分特性;然后,以参数调节两种相似度计算模型的重要程度,形成综合推荐模型;最后,在两种数据集中对比四种算法的推荐表现。研究表明,该算法的MAE和Top-N结果准确度均优于传统的协同过滤算法,具有更好的推荐效果。

基于Jaccard的协同过滤刀具推荐算法

针对目前系统给用户推荐刀具的准确率不高的问题,提出基于Jaccard的协同过滤刀具推荐算法。首先,通过用户对刀具进行评分;其次,引入巴氏系数和KL散度,充分考虑用户的所有评分信息,来解决受共同评分项的限制的问题;最终给目标用户推荐刀具。实验结果表明,该协同过滤算法在稀疏数据集上获得很好的推荐效果,提高了推荐准确率。

基于巴氏系数的协同过滤算法

为了克服协同过滤算法的稀疏性问题和传统相似度计算方法过度依赖共同评分的问题,本文引入巴氏系数改进修正余弦相似度,进而提出基于巴氏系数的协同过滤算法(CFBC)。改进的算法考虑了项目全局评分信息和局部评分信息,克服了对于共同评分项的依赖。为了证明CFBC算法的有效性,我们基于已有的相似度计算方法实现了协同过滤算法,实验结果表明CFBC算法提高了推荐的准确性。

用户集聚系数对协同过滤算法的影响研究

本文研究了用户-产品二部分网络中用户集聚系数对协同过滤算法的影响。用户集聚系数是度量目标用户的所有邻居用户的特点或者兴趣爱好相同程度的一个统计量,文章将其引入协同过滤算法的相似性计算中,并提出一种改进的算法。数值模拟显示,引入用户集聚系数统计属性的改进算法相比于CF准确性可以提高12.0%,当推荐列表的长度为50时推荐列表多样性可以达到0.649,相比于经典的CF算法提高18.2%。该工作表明用户集聚系数对推荐算法具有非常大的影响,体现了个性化推荐以用户兴趣的度量为核心的基本思想。

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。

基于熵优化近邻选择的协同过滤推荐算法

协同过滤推荐系统的近邻选择环节中不仅没有考虑目标项目对用户间相似性计算的影响,而且也未考虑邻居用户对目标用户的推荐贡献能力,导致既降低了相似性计算的准确性,也提高了近邻集合中伪近邻的比例。针对这些问题,提出了一种基于熵优化近邻选择的协同过滤推荐算法。算法使用巴氏系数计算项目间相似性,并以此为权重加权计算用户间相似性。引入熵描述用户评分分布特性,根据评分分布差异性衡量邻居用户的推荐贡献能力。最后,利用双重准则共同计算推荐权重,并构建近邻集合。实验结果表明,该算法能够在不牺牲时间复杂度的条件下准确地选取近邻集合,提升推荐准确度。

一种改进相似性度量的协同过滤推荐算法

协同过滤算法是目前电子商务推荐系统中最重要的技术之一,其中相似性度量方法的效果直接决定了推荐系统的准确率。传统的相似性度量方法主要关注用户共同评分项之间的相似度,却忽视了用户共同评分项和用户所有评分项之间的关系。用户共同评分项和用户所有评分项之间的关系可以通过Tanimoto系数来计算,然而Tanimoto系数是基于二值模式下的运算,因此直接运用于推荐系统中的效果并不理想。基于上述问题提出了修正的Tanimoto系数,并将用户共同评分项和用户所有评分项之间的关系融入到传统的相似性度量方法中。实验表明该算法在一定程度上提高了推荐的效率和准确度。

一种有效缓解数据稀疏问题的协同过滤推荐算法

文章针对数据的稀疏会导致传统的协同过滤(collaborative filtering,CF)推荐算法不能准确地查找到最近邻居问题,提出了一种改进的基于用户Tanimoto相似性系数预填充的算法,通过改进的Tanimoto相似性系数得到更加合理的用户相似度,并结合提出的预测公式对目标用户的未评分项进行预测评分和填充,从而降低矩阵的数据稀疏度。实验结果表明,该算法对稀疏数据集具有较好的表现,能够提高推荐的质量。

协同过滤算法中的用户相似性度量方法研究

传统协同过滤算法中的用户相似性度量方法基于用户之间共同评分项计算用户的相似度,用户-项目评分矩阵的数据稀疏问题会导致该相似度的计算不够准确。为此,提出一种新的用户相似性度量方法。该方法采用结合修正公式改进的Jaccard相似性系数计算用户之间的相似度,在计算过程中考虑用户之间共同评分项和所有评分项的关系,以及用户在共同评价项目上的评分差异对用户相似度的影响,从而获取更加精确的用户相似度矩阵。实验结果表明,与余弦相似性方法和修正的余弦相似性方法相比,该方法能提高预测准确度。

Apache Mahout协同过滤算法评估方法的改进

Apache Mahout推荐系统的评估方法目前仍局限在较传统的平均数绝对误差,不能真实反映推荐系统的准确率。故提出一种新的评估方法:使用M系数对Apache Mahout推荐系统的准确率和覆盖率进行综合评估。通过实验验证,发现平均数绝对误差越低并非准确率就越高,而最好的准确率和覆盖率平衡的结果是高覆盖率加上低相似度阈值。这种评估方法找到了Mahout作为个性化推荐系统的最佳实践。

基于巴氏系数与矩阵分解的推荐算法

针对传统的协同过滤算法的数据稀疏性以及相似度计算中对用户的共同评分项过度依赖问题,提出一种改进相似度与矩阵分解的协同过滤推荐算法。首先,利用矩阵分解对用户评分矩阵降维处理,缓解数据稀疏对推荐准确率的影响;其次,将巴氏系数融入到用户的相似度计算公式中,解决传统计算方法中依赖于用户间的共同评分信息的问题,并将用户属性相似度与改进的相似度加权融合,解决系统新用户的评分数据稀少问题;最后,根据预测评分给目标用户生成推荐。将该算法在MovieLens数据集.上与传统协同过滤算法、基于巴氏系数与用户属性改进的算法以及基于矩阵分解的推荐算法进行准确率、召回率、F1值对比分析。实验结果表明,当邻居个数为25时,与后三种算法相比,所提出算法的准确率分别提高了38.89%、37.97%、33.71%;召回率分别提高了38.92%、38.05%、33.84%;F1值分别提高了38.88%、38.02%、33.74%。

基于云填充和混合相似性的协同过滤推荐算法的研究

针对传统推荐算法的相似性度量准确性不高及数据极端稀疏性等问题,提出一种基于云填充和混合相似性的协同过滤推荐算法。首先通过云模型填充用户-项目评分矩阵,然后对相似性度量方法进行改进,将基于时间序列的用户间影响力融合到基于Jaccard系数的相似性度量方法中。在MovieLens数据集上的验证结果表明,改进后的算法提高了推荐精度同时在一定程度上克服了数据稀疏性的影响。

基于近邻协同过滤算法的相似度计算方法研究

基于近邻的协同过滤算法是目前最为成功的个性化推荐算法之一,相似度计算方法是其核心内容.然而,该算法通常存在冷启动,数据稀疏性以及在相似度计算的时候只能使用共同评分之类的问题.为了有效改善上述算法推荐质量不高的问题,本文介绍了巴氏系数(Bhattacharyya Coefficient),结合修正余弦相似度、杰卡德相似度和皮尔森相关系数的优点,提出一种考虑了项目全局评分信息和局部评分信息的多重相似度融合的协同过滤算法(CFSI).在数据集MovieLens上的实验表明,CFSI在一定程度上有效缓解了数据稀疏性和冷启动问题,并且提高了推荐质量.

一种改进相似度的协同过滤算法实现

计算相似度时,协同过滤算法会赋予所有用户或物品一致的相似度权重,进而导致相似度计算出现偏差。针对这一问题,文中提出一种改进相似度的协同过滤算法。该算法首先在计算用户间相似度时根据用户活跃量增加活跃用户惩罚因子,然后在计算物品间相似度时根据物品流行度增加热门物品惩罚因子,再对相似度做最大值归一化,最后根据相似度矩阵进行电影评分预测。实验结果表明,改进的相似度算法在评分预测时更加准确,平均绝对误差稳定在0.72左右。

基于用户和项目双向聚类的协同过滤推荐算法

针对传统协同过滤算法数据稀疏性问题,提出一种基于用户和项目双向聚类的协同过滤推荐算法CFBC(Collaborative Filtering based on Bidirectional Clustering),将评分矩阵从用户和项目两个方向进行聚类,降低数据稀疏性的影响,提出一种改进的相似度计算方法P-J(Pearson-Jaccard)相关系数,提高相似度计算精度。实验证明,相较于传统协同过滤算法,该算法能有效提高推荐准确度。

基于案例推理和协同过滤的公路工程项目施工方案辅助决策模型研究

科学利用和挖掘已有成功施工经验对未来项目施工方案确定起到重要参考作用。本文基于案例推理技术和协同过滤算法构建辅助决策模型,用于公路工程项目的施工方案辅助推荐。首先基于框架表示法构建公路工程项目案例库,对已有案例进行表示;随后采用基尼系数客观赋权法对项目属性进行赋权,针对不同类型的项目属性分别计算属性相似度,进而计算项目相似度,实现案例检索;然后对项目相似度大于阈值的项目,确定输出施工方案并建立偏好度评分矩阵;最后使用协同过滤算法结合项目相似度计算施工方案得分确定推荐结果。本文以某工程路基土方开挖施工方案的选择为例进行应用分析,推荐结果与原施工方案一致,表明该模型适用于编制施工方案的辅助决策。