基于皮尔逊相似度的食材推荐算法研究

由于个人的体质不同,遗传基因不同,生活地域不同,对于饮食的需求是存在差异的。笔者通过不断学习个人饮食科学和个人健康问题的关系,结合协同过滤推荐算法,设计出了基于皮尔逊相似度的食材推荐算法,实现了一款饮食记录软件,可以根据用户的历史饮食记录,分析出用户可能需要补充的营养,并进行相关的饮食推荐。通过一定数量人群的试用,实验证明了本算法的有效性。

基于降低数据稀疏度的协同过滤算法

协同过滤算法是推荐系统的一种常见算法,其核心思想是通过历史数据挖掘用户偏好,计算对象相似近邻项进行推荐。但是一般真实数据都存在严重的数据稀疏性问题,用户或者项目之间的共同评分项目过少,使得一些传统相似度算法计算不准确、推荐准确度不高。传统Slope One算法准确度不高,但其实现简单,运行效率高,可以用做稀疏数据预填充,从而改善相似度计算的准确度。因此,结合Slope One算法,该文提出了一种基于降低数据稀疏度的协同过滤算法。首先对用户评分数据进行分层聚类,再使用Weighted Slope One算法对高稀疏度数据集部分空白数据进行预测填充,从而大幅度降低数据稀疏度,提高了皮尔逊相似度计算的准确度,最后再引入对象属性偏好相似度进行融合。通过MovieLens 100 K数据集进行算法验证,从结果中可以清晰地看出其平均绝对误差(Mean Absolute Error,MAE)有所降低,证明该算法能在一定程度上提升推荐结果的准确度。

改进用户相似度的协同过滤算法应用研究

在基于用户的协同过滤推荐算法中,当用户-评分矩阵相对稀疏时,用户共同评分项目个数较少,皮尔逊相似度算法很难精确的计算用户之间的相似度,同时皮尔逊相似度算法对所有的商品赋予相同的相似度权重,没有考虑热门商品对相似度的影响。针对以上不足,文中在皮尔逊相似度算法的基础上,提出了一种改进的皮尔逊相似度公式,计算过程中考虑用户共同评价商品个数以及商品的热门程度这两个相似度影响因素,使得计算用户间相似度更加精确,从而获得更好的推荐效果。实验结果表明,文中改进的皮尔逊相似度算法能够在相似用户数较少时更加准确地计算用户之间的相似度,降低了平均绝对误差(Mean Absolute Error,MAE)。

融合物品热门因子的协同过滤改进算法

协同过滤算法是推荐系统中比较古老的算法,原理是根据近邻用户或者相似物品对目标进行推荐,因此相似度计算方法是关键部分.由于互联网的高传播性,物品热门周期变短,影响了用户之间相似性度量,传统的协同过滤算法已经不能达到很好的推荐效果.针对相似度改进,在皮尔逊相似度原理上添加物品热门因子,优化皮尔逊相似度计算,提高推荐效果.采用大数据技术并搭建spark分布式平台.在spark大数据平台上使用Movie Lens电影推荐数据集上验证改进后的算法,采用准确率、召回率和平均绝对误差(MAE)等指标来评价改进算法.实验结果表明改进算法在准确率和召回率上都比传统算法有很大的提高,在平均绝对误差上也有所下降.

面向电商的基于协同过滤的个性化推荐

以阿里为代表的巨头电商平台创造了一个又一个"双十一"促销奇迹,这得益于个性化推荐系统,协同过滤是其中应用广泛、效果较准确的一种技术,也是目前主流的推荐算法。本文采用基于用户协同过滤的个性化推荐技术对2014年"天池"大数据平台提供的四个月内884个真实用户对9531个商品的真实点击浏览、加入购物车、收藏和购买等四种行为的访问记录进行分析,以便对用户进行商品推荐。为真实反映用户对物品的偏好程度,对点击浏览、收藏、加入购物车和购买分别设置了权重0.0385、0.2375、0.3072和1,并采用皮尔森系数法计算用户之间的相似度,推荐结果与人们的经验是一致的。

基于协同过滤的影视营销推荐算法研究

随着三网融合的不断发展,传统广电媒体更需要建立一套完善的影视营销推荐系统,将海量的影视资源精准有效的推荐给每一位用户。在推荐系统中,协同过滤算法是应用较为广泛的一种推荐方法。讨论了传统协同过滤算法在影视营销中的应用,提出一种加权混合推荐算法,并将算法应用在影视营销推荐场景中,推荐算法的精准度得到了一定提升。

面向用户的个性化产品服务系统协同过滤推介方法

为快速准确地为用户推介新产品服务系统,提出了改进的协同过滤推介模型。首先,确定目标用户邻居集,针对传统协同过滤算法中数据冷启动问题,提出了用户属性相似度和用户体验相似度相结合的方法,并引入Jaccard系数、平均评分修正系数、热门系数,提高用户体验相似度的准确性。其次,确定新产品服务系统相似集,针对传统基于项目的协同过滤算法忽略项目属性对相似性制约的问题,提出了基于产品服务系统属性的改进皮尔逊余弦相似度算法,应用BP神经网络获得不同产品服务系统下各属性的客观权重,提高了属性重要度的可靠性。最后,构建了新产品服务系统的推介准则。以拖拉机产品服务系统推介为例,验证了所提模型的可行性和有效性。