改进Apriori算法的高校图书馆图书智能推荐系统

为了提高高校图书馆图书推荐的准确性,设计了基于改进Apriori算法的高校图书馆图书智能推荐系统。首先描述高校图书馆图书智能推荐系统的基本架构,并通收集高校图书智能推荐系统中的借阅者和图书相关信息,然后引入Apriori算法对借阅者和图书之间的关联进行分析和挖掘,建立两者之间的关联规则,并针对Apriori算法的不足进行相应的改进,最后根据建立的关联规则进行借阅者的个性化图书信息推荐,采用具体仿真实验分析了与其它高校图书馆图书智能推荐系统的性能。结果表明,改进Apriori算法的高校图书馆图书推荐精度超过95%,推荐时间控制在有效范围内,提高了高校图书馆图书智能推荐效率,获得了比较其它高校图书馆图书智能推荐系统更加理想的结果。

一种基于时效近邻可信选取策略的协同过滤推荐方法

传统协同过滤推荐通常基于数据是静态的假设,在数据稀疏时存在推荐精度低下的问题。为解决该问题,一些研究尝试向推荐策略中添加有关用户兴趣变化、推荐能力可信度等补充信息,但对误导或干扰推荐的恶意用户兴趣策略变化和推荐能力波动等异常情况欠缺考虑,系统抗攻击性、推荐稳定性与可信性均难以得到保证。通过引入兴趣时效相似度和推荐信度重估两个概念,提出了一种基于时效近邻可信选取策略的协同过滤推荐方法。该方法充分考虑了影响目标用户近邻筛选质量的用户兴趣异常变化和推荐能力波动两个关键因素,构建了包含时效近邻筛选、可信近邻选取和评分预测3个策略的推荐流程。在MovieLens数据集和亚马逊video game数据集上,利用平均绝对误差,平均预测增量,攻击用户查准率、查全率和调和平均等评估指标,对所提策略与其他6种基准策略进行了比较。结果显示,新策略在推荐精度、抗攻击力和攻击者识别力上均有明显的性能提升。

一种基于多元社交信任的协同过滤推荐算法

协同过滤推荐是当前最成功的个性化推荐技术之一,但是传统的协同过滤推荐算法普遍存在推荐性能低和抗攻击能力弱的问题.针对以上问题,提出了一种基于多元化社交信任的协同过滤推荐算法CF-CRIS(collaborative filtering based on credibility,reliability,intimacy and self-orientation).1)借鉴社会心理学中的信任产生原理,提出基于多个信任要素(可信度、可靠度、亲密度、自我意识导向)的信任度计算方法;2)深入研究社交网络环境中各信任要素的识别、提取和量化方法;3)基于用户间的综合信任度选取可信邻居,完成对目标用户的个性化推荐.基于通用测试数据集的实验研究结果表明:该算法不但可以极大地提高推荐系统的精确度和召回率,而且表现出良好的抗攻击能力.

基于动态社会行为和用户背景的协同推荐方法

针对传统协同过滤推荐算法推荐精度低及冷启动的问题,提出了一种基于动态社会行为和用户背景的协同推荐方法。作为用户标注行为的结果,变化的标签体现了用户行为的动态性。该方法首先根据动态社会化标签得出用户的动态兴趣偏好相似度,然后根据用户背景信息计算出用户相似度,最后计算基于时间权重的用户评分相似度,并集成上述3个相似度找出最近邻居集,以为目标用户提供更加准确的个性化推荐。实验结果证明,该方法不仅能较好地解决数据稀疏和冷启动的问题,还能有效提高推荐算法的精确度。

一种基于商品基因的个性化推荐模型

个性化推荐技术在电子商务系统中得到了广泛应用.但现有的个性化推荐模型不能反映出商品的某些特殊属性对用户购买行为的影响及用户购买某商品的真正原因.引入生物界中基因的概念,提出了基于商品基因的个性化推荐模型,发现用户钟爱商品基因,并将钟爱商品基因遗传到用户选择的商品.该模型能更好地发现用户的购买动机,从而进一步提高个性化推荐精度和用户满意度.

基于隐含上下文支持向量机的服务推荐方法

结合上下文信息和支持向量机(SVM),提出了一种基于隐含上下文支持向量机的服务推荐方法。首先,根据用户所处的不同上下文信息对用户评分矩阵进行修正,使其带有隐含的上下文信息;其次,将带有隐含上下文信息的服务评分向量作为服务的特征向量,构建训练集,上下文信息的引入并没有增加服务特征向量的维数;然后,根据训练集使用SVM获得目标用户的分类超平面,构建SVM预测模型;最后,计算目标用户未使用服务的特征向量点与超平面的距离,综合考虑该距离以及相似用户的推荐,做出服务推荐。实验结果表明,所提推荐方法在不同的评分矩阵密度下均具有较好的推荐精度,并且能够缩短推荐时间。

基于行为分析的学习资源个性化推荐

随着数字化学习资源规模急剧扩张,"知识过载"和"学习迷航"等问题限制了在线学习资源推荐的性能,学习者从海量的学习资源中选择合适资源的难度随之增大。针对传统推荐算法中存在的数据稀疏和学习资源个性化推荐精度不高等问题,提出了基于行为分析的学习资源个性化推荐算法。首先,构建学习者-学习资源评分矩阵;其次,挖掘学习者行为数据并将行为数据格式化融入到协同过滤个性化推荐过程;最后,计算学习者相似度并为待推荐学习者生成学习资源推荐列表。为验证模型的有效性,以"Live Course在线课程平台"数据为样本构建实验数据集,通过对比实验表明,该方法具有更高的推荐精度,能够更加精确和全面定位学习者的真实需求,实现学习资源个性化推荐。

融合时间偏差信息的邻域型因子分解推荐算法

针对传统推荐算法在进行评分预测时推荐精度低这一问题,提出了融合时间偏差信息的邻域型因子分解推荐算法(简称NFDRA)。它以因子分解算法为主,随机梯度下降寻优为辅,并融合了用户评分的邻域信息以及三种时间偏差信息。实验表明,融合时间偏差的邻域型因子分解推荐算法,相比传统的因子分解推荐可以产生更高精度的推荐结果并具有显著性差异。

基于云平台的慕课资源协同过滤推荐算法

针对当前慕课资源协同过滤推荐算法存在推荐误差大、无法实现在线推荐的难题,为了提高慕课资源协同过滤推荐精度,设计了基于云平台的慕课资源协同过滤推荐算法。首先分析慕课资源协同过滤推荐的原理,提取慕课资源相似度特征,然后引入k-最近邻对慕课资源相似度进行评价,实现慕课资源分类和协同过滤推荐,最后在云平台分布式、并行实现慕课资源协同过滤推荐算法,并与传统算法进行了仿真对比实验。结果表明,相对于传统算法,提出的算法使得慕课资源协同过滤推荐精度得到较高提升,能够解决当前慕课资源协同过滤推荐算法存在的一些缺陷,而且可以实现慕课资源协同过滤在线推荐,实际应用价值也得到了改善。

基于社会网络的协同推荐方法

针对传统协同过滤推荐算法存在推荐精度低的问题,提出了一种基于社会网络的协同推荐方法。该方法融合了社会网络中用户的相似度与信任度,首先计算用户间的评分相似度;再由直接信任度与间接信任度加权得出用户信任度;最后综合用户相似度与信任度得出用户间的推荐权重,并以推荐权重来选取最近邻居集,为目标用户形成推荐。试验结果证明,该方法可有效提高推荐系统的推荐精度。

基于可信预测值的协同过滤推荐算法

针对在传统协同过滤算法中存在的推荐精度较低、预测质量不佳的问题,该文提出一种基于可信预测值的协同过滤算法(RPCF).该算法在使用基于记忆的协同过滤方法计算预测值的基础上,引入可信度概念和技术方法,运用对推荐项目评级的邻居数评估可信度,融合可信度与传统预测值得到可信预测值,再根据可信预测值进行推荐,从而达到提升算法质量的目标.在MovieLens数据集中与其他提高精度方法进行实验对比,实验结果表明:RPCF方法能够提高预测精度和算法鲁棒性,具有更好的推荐质量.

一种融合引力影响的新的矩阵分解推荐方法

矩阵分解运用于推荐系统受到越来越多的关注,改进算法也层出不穷,这些算法都面临预测精度不足,收敛速度过慢和不适用于大数据量的推荐系统等问题.针对上述问题,提出一种基于引力影响的矩阵分解推荐方法,物品影响力对推荐系统提高推荐精度具有重要的意义.基于物品流行度和物品质量的高低对用户评分的影响,通过引入物品对用户的引力,实现基于矩阵分解的引力推荐算法.实验表明:在用户没有任何历史行为的情况下也可以做出比较合理的推荐,迭代20次就能达到较好的收敛效果,且在推荐精度上有了明显的提高,并且该算法可适用于数据量大的推荐系统.

利用用户不偏好项目属性提高项目协同过滤算法效率和精度

针对传统项目协同过滤算法选择最近邻时需要计算待评分项目与所有其它项目之间的相似度而导致算法效率和推荐精度低的缺点,提出一种基于用户不偏好项目属性的项目协同过滤算法.该算法通过对用户评分偏低的项目属性进行归一化计数并设定阈值,从而将其分为用户不偏好项目属性和非用户不偏好项目属性.只有在其它项目与待评分项目同时具有用户不偏好项目属性或同时都不具有用户不偏好项目属性时,该项目才作为待评分项目最近邻的备选项,才需要计算两项目之间的相似度.该算法通过减少备选最近邻项目集大小和需要计算项目相似度的个数,提高了算法效率;与此同时,由于不合理项目已提前从备选最近邻项目集中排除,选取作为评分预测的最近邻会更为合理,推荐精度也会提高.在数据极度稀疏的Movie Lens-100K数据集上的五折交叉验证结果表明,相较于传统的项目协同过滤算法、基于项目偏好相似的项目协同过滤算法,该算法有更高的效率、精度和覆盖率.

基于多维度用户相似性度量的协同过滤推荐算法

文章针对传统推荐系统在数据稀疏性情况下用户相似性度量精度不高的问题,提出了一种多维度用户相似性度量的协同过滤算法。首先根据用户-项目打分矩阵,考察用户共同评分项目数和用户活跃度对用户相似的影响,并计算用户的相似度;然后通过修正皮尔逊用户相似性计算用户的相似性;最后通过一个权值来控制两者的重要程度,综合计算用户的相似性。研究结果表明权重系数为0.4,即修正的皮尔逊用户相似性的占的比重较大时,推荐系统的推荐质量最好;同时多维度用户相似性度量的协同过滤推荐算法在MAE、召回率RE和准确率三个方面都要优于经典的余弦相似性协同过滤算法以及皮尔逊相似性协同过滤算法。

基于Adaboost算法的推荐系统评分预测框架

在机器学习领域,Adaboost算法的实用性和有效性早已被证明.然而该算法原本是为分类问题设计,因而在推荐系统领域研究问题中无法直接应用,对其应用研究相对较少.本文对Adaboost算法进行改进,通过引入阈值,将评分预测问题转化为分类问题,并利用其权重更新的思想训练模型,提出了一个针对评分预测问题的框架,可以将训练出的多个模型集成起来得到最终的评分预测,提高了预测精度.我们选取矩阵分解模型作为基本模型,实验结果表明,使用该框架可以有效提高预测精度.

面向移动APP的个性化推荐算法

针对移动互联网移动端的推荐系统推荐满意度和精度较低问题,在分析应用信息系统推荐方法的基础上,提出了一种基于用户相似度和主题相似度个性化的移动APP信息推荐方法,该方法采用用户相似度和个性化加权组合的方式生成信息推荐,使推荐信息更为个性化,提高了推荐精度。同时针对多用户公用账号和兴趣发生变化的推荐问题,提出了一种基于复杂兴趣的推荐算法,该方法通过挖掘用户间的相似度、用户的行为操作及兴趣取向,使推荐信息更为准确。同时,相比于性能较好的Popular推荐算法,本算法在准确率上提高了3. 91%,召回率提高了3. 45%,覆盖率提高了4. 84%,性能明显提高。因此,文中所提出方法用于移动APP的个性化推荐,为移动APP的个性化推荐提供了一种新方法。

基于用户购买意愿力的协同过滤推荐算法

针对网购行为中商品浏览量排名靠前而销量滞后的问题,在用户购买意愿力的基础上,提出一种增强评分矩阵协同过滤推荐算法.首先,利用惩罚因子作为增强型矩阵的评价权重,加权表征用户购物意愿力的商品画像,取得增强型矩阵的预测评分;其次,融合以基于项目的协同过滤推荐,建立由潜在兴趣商品间的项目相似度矩阵得到的基础型评分矩阵;最后,以TOP-N结果向购买意愿较强的目标用户推荐排名靠前的商品.实验结果表明:与传统基于项目的协同过滤推荐算法相比,增强评分矩阵协同过滤推荐算法的推荐准确率提升2.48%,召回率提升4.31%,综合值F_(1)提升3.19%,从而有效解决了用户感兴趣商品排名靠后,且不被购买或购买次数较少的问题,以达到购买意愿力较强、目标用户更准的推荐宗旨,进而提高推荐精度.

基于专家信任的协同过滤推荐算法改进研究

针对目前协同过滤推荐算法存在的冷启动、数据稀疏、可扩展性不高以及未考虑到不同社区簇之间可能存在相关性导致的推荐准确度低的问题,提出了一种在考虑同社区簇内专家信任基础上结合不同社区簇专家信任的推荐算法。在改进相似度计算时,改进算法不仅结合了Jaccard相关系数、用户的平均评分因子以及加权处理的Pearson相关系数,还结合了用来惩罚热门物品权重的流行度。在改进评分预测时,改进算法在引入了传统聚类推荐算法中的同社区簇专家信任后,还引入了不同社区簇专家信任。实验在MovieLens数据集上进行,实验结果表明,改进算法不仅缓解了冷启动和数据稀疏等问题,还显著提高了推荐准确度。

基于协同过滤的电子商务智能推荐方法研究

为获得更加理想的电子商务推荐结果,提出一种基于协同过滤的电子商务智能推荐方法。该方法收集电子商务用户相关信息,并对信息进行预处理,计算电子商务用户对项目评分,构建电子商务用户评分矩阵,采用余弦算法根据用户评分矩阵计算用户之间的相性度,基于用户相似度进行电子商务智能推荐。为了与其他方法进行比较,开展仿真实验。实验结果表明,提出的方法较好地解决了当前电子商务推荐方法存在的缺陷,提高了电子商务推荐精度,减少了电子商务推荐的错误率,具有明显的优越性。

基于模糊聚类的协同过滤算法

针对传统协同过滤算法普遍存在的稀疏性和扩展性问题,提出一种基于模糊聚类的协同过滤算法。利用模糊聚类的方法对项目进行聚类,通过用户-项目评分矩阵计算用户之间的相似度,从中选出与用户最相似的前k个用户,根据这k个用户对当前用户的未评分项目的打分进行预测,选出前n个推荐。实验结果证明,与基于用户的协同过滤算法相比,该算法能提高冷启动问题下的相似度计算精度。