融合评分上下文和物品相似度的推荐算法

推荐系统中用户的评分往往会受到评分上下文的影响,即用户先前对一些物品的评分会影响其对当前物品评分的客观性。稀疏线性方法在计算物品相似度时将受到上下文影响的用户评分与其他评分同等看待,然而该部分评分并不能客观地反映出物品之间的相似度。针对以上问题,在稀疏线性方法的基础上提出了融合评分上下文和物品相似度的推荐算法,算法分为三个阶段:第一个阶段使用加权评分计算物品最近邻进行特征选择;第二个阶段利用评分误差权重减少算法模型对受到上下文影响的评分的拟合,训练得出物品相似度矩阵;第三个阶段根据用户评分和物品相似度进行评分预测以完成物品推荐。在MovieLens的四个数据集上进行实验,采用平均准确率(MAP)、平均倒数排名(MRR)和归一化折损累计增益(NDCG)指标来评估算法效果。实验结果表明,融合评分上下文将进一步提高物品相似度的准确性,从而提高推荐的性能。

面向稀疏数据的物品相似度和评分预测算法研究

在基于邻域的协同过滤算法中,相似度和评分预测方法的设计是其核心步骤.由于数据稀疏问题,导致所选邻居的质量和评分预测能力受到较大影响.针对以上问题,提出面向稀疏数据的物品相似度和评分预测算法.首先,根据模糊集和推荐系统的关联,从用户偏好概率的角度提出基于Vague集的KL(Kullback-Leibler)散度,以衡量物品相似度.其次,定义权重因子α,强调评分数量信息的重要性,进一步提高相似度计算的准确性.最后,提出改进的评分预测方法,整合更多的评分信息来调整预测结果,提高稀疏数据下评分预测的能力.在基准数据集上的实验表明,与其余代表性算法相比,本文方法具有较高的预测和推荐质量,并有效缓解了数据稀疏问题.

融合用户偏好和物品相似度的概率矩阵分解推荐算法

传统的概率矩阵分解算法虽然较好的解决了推荐系统中的用户数据稀疏性问题,但是没有同时考虑到用户之间的关系及物品之间的关系,导致用户物品评分预测准确性仍然不高.本文利用用户物品评分数据及物品信息提出了融合用户偏好和物品相似度的概率矩阵分解推荐算法UPIS-PMF(Probability Matrix Factorization Recommendation Algorithm Combining User Preferences and Item Similarity).首先根据用户评分数据计算用户之间的偏好相似度,得到用户相似度矩阵,再利用物品标签关联度数据和物品流行度数据计算物品相似度,得到物品相似度矩阵,最后将用户相似度矩阵,物品相似度矩阵及用户物品评分矩阵融入概率矩阵分解模型中进行评分预测,Movielens数据集中的实验表明该算法在评分预测准确性方面优于传统的推荐算法,同时也说明了在概率矩阵分解模型中融合用户信息或者物品信息均可以提高评分预测的准确性.

改进物品相似度计算的协同过滤算法

针对传统协同过滤算法不能及时反映用户兴趣随时间的变化以及热门商品会影响用户相似度计算,从而产生推荐结果不精确的情况,提出将时间衰减函数与物品惩罚因子融合到相似度矩阵计算中,并通过对比实验验证不同参数对推荐算法的影响,以弥补传统协同过滤算法的不足。实验结果表明,当物品返回数为40,K值(近邻用户个数)=200时,改进相似度算法的精确度和召回率均达到最大,分别比传统协同过滤算法提高了9%、7.2%。将商品近邻数设置为40,通过设置不同推荐列表长度N测试改进算法的精确度和F1值。结果表明,随着推荐长度的增加,传统协同过滤算法的精确度和F1值会大于改进相似度算法,因此在利用改进相似度算法推荐商品时,推荐列表长度不宜过长。

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.

基于物品相似度的异类商品推荐算法研究

现有的推荐算法大多是基于同类商品进行推荐,容易形成“信息茧房”。为了解决同类商品推荐的局限性,将推荐算法引申到不同类别的商品推荐之中,本文提出了一种基于物品相似度的异类商品推荐算法。在应用了物品相似度的基础上,提出交叉相关推荐理论,解决了目标商品与推荐商品集异构推荐的问题。最后,本文从天池淘宝穿衣搭配数据集中提取商品数据,通过对所提出的算法设计程序语言,应用到数据集中进行分析。根据所得到的实验结果,该算法得到的推荐成功率较高,推荐效果较好。

基于长尾理论的物品协同过滤Top-N推荐算法

传统的基于物品的协同过滤算法在计算物品相似度时,热门商品难以与冷门商品相似,从而冷门商品的推广就更为困难。针对上述问题,在传统的物品协同过滤算法基础上,提出一种改进的类TF-IDF物品相似度算法,同时考虑并排除刷分现象对物品推荐产生的负面影响,使冷门商品在基于长尾理论的推荐系统中有更高的覆盖率和准确率。以MovieLens上的数据集作为实验数据进行实验,实验结果表明,改进后的算法在保持甚至提高准确率的前提下,有效地提高在推荐冷门商品时系统的覆盖率。

改进的基于物品的协同过滤推荐算法

传统的基于物品的协同过滤推荐算法根据用户的历史行为,给用户推荐与用户之前行为相似的物品.这种传统的基于物品的协同过滤算法忽略了物品本身之间内在的联系,完全只是依赖于用户-物品矩阵,这无法避免由于用户主观上的偏见所导致推荐精度的偏差.针对上述的问题,本文重新定义了物品相似度的计算方法,该方法加入了对于物品内在之间联系的计算.实验结果证明:本文提出的改进的基于物品的协同过滤算法能在进一步提高了推荐的准确率.

基于项目聚类和时间因素改进的推荐算法

针对传统推荐算法忽略时间因素影响的问题,根据用户行为在短期内存在较高的相似性,在计算物品相似度时引入时间衰减函数,提出一种考虑时间因素的物品相似度计算方法。同时基于聚类的思想,对项目作聚类,充分挖掘用户对项目类的兴趣度以及物品在类内的权重关系。基于上述两点对传统的协同过滤推荐算法进行改进,提出一种结合时间因素和项目聚类的TCItem CF算法。实验结果表明,采用改进的推荐算法能够明显改善推荐效果;特别地,在阻尼系数为0.01、时间衰减因子为0.5、聚类数目为160、推荐列表长度为20时,改进的推荐算法相比基于项目聚类的推荐算法Item Cluster推荐准确率提高4.9%。

耦合辅助信息的矩阵分解推荐模型

近十年来,协同过滤(CF)推荐系统成功地为用户提供了个性化的产品和服务。然而,用户—物品矩阵的稀疏性、推荐精度不高等问题仍然是一个挑战。针对这些问题,在矩阵分解模型基础上,提出了耦合用户和物品辅助信息的矩阵分解混合协同过滤框架;然后,基于此框架又提出了耦合物品属性信息相似度(COS)的过滤模型。大规模真实数据集上的实验表明,该模型不但可以有效解决物品相似度度量问题,而且相比传统方法,尤其是在物品特征非常稀疏的情况下,推荐准确性得到了有效改进。

加入惩罚因子的基于物品的协同过滤算法

作为业界应用最成功、最广泛的个性化推荐算法之一,协同过滤算法依然面临着诸多问题与挑战,数据的长尾分布便是其中之一。由于用户行为数据往往存在长尾分布的现象,同时采用Jaccard相似度作为物品相似度计算公式的协同过滤算法往往倾向于为用户推荐热门物品,致使热门的物品越来越热门,冷门的物品越来冷门。在不断给用户推荐物品的过程中,该传统协同过滤算法推荐给用户的物品集合越来越小,可能会渐渐失去个性化推荐的能力,影响用户体验,为降低热门物品对物品相似度计算结果的影响,本文提出一种基于物品流行度的惩罚因子(Penalty Factor)来修正物品相似度公式。通过在三个公开数据集上的实验验证与分析,该改进方法可在一定程度上提高推荐算法发掘新物品的能力。