融合关系挖掘与协同过滤的物品冷启动推荐算法

针对新物品缺乏(非完全冷启动)或没有(完全冷启动)评分信息,协同过滤无法为新物品进行个性化推荐的问题,文中提出融合关系挖掘与协同过滤的推荐算法.首先,利用关系挖掘提取物品关系特征,根据属性之间的多种二元关系构建关系属性,丰富可用属性信息.然后,提出基于关系挖掘的近邻选取方法,增加邻近物品的多样性.最后,融合协同过滤方法,同时解决完全和非完全新物品冷启动问题,实现新物品的个性化推荐.在两个真实数据集上的实验表明,文中方法可以系统解决推荐系统中新物品的冷启动问题.

一种改进的缓解推荐系统物品冷启动的方法

信息爆炸的时代,推荐系统越来越成为网民的依赖,它有效的解决了信息过载的问题,但是却没有解决推荐系统的冷启动问题。为了缓解新项目的冷启动问题,结合基于物品的协同过滤算法与决策树思想,这篇文章在孙等人的算法上做了改进,把算法的第一步替换为用显示的信任网络对用户做划分的方法。显示的信任网络,可以对用户做了更细致的分类,把信任网络添加到算法中,原算法便被改进为基于信任网络的推荐系统。改进后的算法不仅满足了一大部分用户的偏好与需求,而且使得系统用户更加依赖推荐系统。实验表明,利用显示的信任网络对新项目的推荐,其推荐结果的准确性比原算法高,推荐的结果也更加稳定。在评分个数分别为0,5,10的情况下,平均绝对误差比原算法的低了16.7%,21.6%,31.7%。

完全冷启动下的个性化推荐算法

为解决推荐算法中新物品完全冷启动问题,针对数据精准性不足和用户个性化缺失问题,提出一种完全冷启动个性化推荐算法。在运用过滤方法形成精准数据的基础上,引入个性化因子,改变原有物品的相似关联性,推荐依据会随着用户个性化特征而有所变动。经过对比分析,发现融入个性化的完全冷启动推荐算法仅查全率基本不变,精确率、假正率和F1值多个评价指标得到提升,此外,P-R曲线、ROC曲线以及提升曲线都说明该算法具有更好的推荐效果。