基于用户模糊相似度的协同过滤算法

针对离散评分不能合理表达用户观点和传统协同过滤算法存在稀疏性等问题,借鉴年龄模糊模型,提出了梯形模糊评分模型。该模型将离散评分模糊化为梯形模糊数,考虑了评分模糊性和信息量,通过梯形模糊数来计算用户相似度,据此设计了协同过滤算法,并证明了该算法是传统协同过滤算法在模糊域的扩展。实验表明,该算法在数据稀疏且用户数远多于项目数时性能突出,并且算法运行时间远小于传统协同过滤算法。

基于项目模糊相似度的协同过滤推荐算法

针对传统协同过滤算法中评分和标签存在的模糊性问题进行了研究,利用梯形模糊数描述评分与满意度的映射关系,在考虑评分稀疏性的基础上构建了一种新的梯形模糊评分模型以判断基于模糊评分的相似度,分析标签与项目的隶属度,构建模糊项目标签矩阵以衡量基于标签隶属度的相似度,最终采用改进的评分预测策略进行评分估计。在MovieLens数据集上的实验结果显示,所提算法在抑制项目冷启动、缓解模糊性和稀疏性问题的同时,提高了预测精度,表明了该算法的有效性。

基于模糊近似度的隐私敏感数据过滤算法

针对目前现有算法对隐私敏感数据进行过滤时,仅使用单一的近似度获取方法,在求取近似度时存在一定的局限性,导致平均绝对误差(MAE)值和均方根误差(RMSE)值高的问题,提出了一种基于模糊近似度的隐私敏感数据过滤算法。首先通过改进的局部敏感哈希算法E2LSH对数据进行降维处理,获取到更利于后续近似度计算的低维数据,然后采用Paillier同态加密算法在保证数据安全性的前提下对隐私敏感数据信息进行提取,最后构建梯形模糊评分模型,通过修正余弦相似性和皮尔森相关相似性的混合模型相似性算法对模糊近似度进行计算,完成对隐私敏感数据的过滤。分析实验结果可知,本文方法的MAE最低值低于0.82,说明该方法能够有效地降低MAE值和RMSE值,提升数据过滤效果。