基于时间衰减的物品相似度协同推荐算法改进

推荐系统作为信息过滤技术的典型代表,是目前解决信息过载问题的重要实现手段.其中协同过滤算法是目前推荐系统中应用最广泛的推荐算法之一.基于物品的协同过滤推荐算法,实质上是在邻近相似度计算的基础上,根据用户的历史行为特征,给用户推荐与用户之前喜欢物品相似物品的过程.文章在传统的基于物品推荐的协同算法基础上,针对用户-物品评分矩阵以及数据处理时可能存在的数据稀疏性问题,辅以时间衰减函数与修正的夹角余弦,对传统物品相似度计算方法做出改进,经过实验证明,基于时间衰减的物品相似度协同推荐算法可提高推荐结果准确性.

基于用户兴趣融合的协同过滤推荐算法

协同过滤推荐算法已成功应用在各类门户网站,越来越多的研究者参与其中,然而在协同过滤推荐过程中用户—项目评分矩阵数据稀疏性以及推荐的准确性低等问题,始终制约着该算法的发展。为此,从用户兴趣角度出发,单独构建情景用户兴趣模型及社交网络用户兴趣模型,再通过Logit Boost算法将2个兴趣模型融合得到准确的用户兴趣模型。Slope One算法填充用户—项目评分矩阵,解决用户—项目评分矩阵数据稀疏性问题;同时,通过用户兴趣模型计算目标用户的最近邻居用户,通过计算用户相似性,得到推荐集来提高协同过滤推荐算法的推荐准确度。

基于矩阵分解和聚类的协同过滤算法

基于矩阵分解和聚类提出一种协同过滤推荐算法.先利用交替最小二乘(ALS)算法进行矩阵分解,再利用改进的k-均值聚类算法弥补单一ALS算法在后期协同过滤阶段产生的大计算量问题,解决了由于减小原始矩阵高维度、高稀疏性带来的推荐准确度较低的问题,极大提高了计算速度和推荐精度.实验结果表明,改进算法在推荐准确性上有明显提高.