基于长短期记忆的稀疏数据过滤推荐算法

采用目前算法对稀疏数据进行过滤推荐时,没有综合考虑用户的整体评分特征和不同项目的单独评分对数据补全的影响,导致MAE值和RMSE值大、F1值小。提出基于长短期记忆的稀疏数据过滤推荐算法,首先通过相关因子对相似性进行计算,利用云模型将稀疏数据缺失项进行补全,然后采用补全后的数据构建长短期记忆网络,通过长短期记忆网络得到简单优化函数并对其求解,最后建立稀疏数据过滤推荐算法模型,完成基于长短期记忆的稀疏数据过滤推荐。实验结果表明,所提方法的MAE值和RMSE值更小、F1值更大。

基于税收数据的协同过滤推荐算法设计与实现

针对商品流通环节采购商与供应商信息不对称问题,采用现阶段主流的协同过滤推荐算法设计个性化推荐方案,为供应商匹配“资信良好”的采购商信息,为采购商提供“质优价廉”的供应商信息,有效沟通供求双方需求。文章首先介绍了基于税收数据进行协同过滤推荐算法设计的必要性,然后设计了基于近邻的协同过滤推荐算法,分别论述了基于用户的协同过滤和基于物品的协同过滤;为克服数据稀疏问题,进一步设计了基于模型的协同过滤推荐算法,通过隐语义模型构建User与Item的关联,详细阐述了基于用户相似度的Incremental SVD推荐算法实现过程,丰富了个性化推荐的应用场景。

协同过滤推荐算法综述

推荐系统是电子商务系统最重要的技术之一,协同过滤推荐是目前应用最广泛和最成功的推荐系统.介绍协同过滤推荐算法的基本思想和最新研究进展,分析目前出现的代表性算法.总结协同过滤推荐算法中的关键问题和相关解决方案,比如相似性比较,数据稀疏性问题,推荐的实时性,推荐策略,评估方法等,同时也对比分析各种方法的优缺点.最后介绍协同过滤推荐算法需要进一步解决的问题和可能的发展方向.

一种改进的协同过滤推荐算法

电子商务的蓬勃发展,使网站中能够提供的商品种类日益繁多,如何迎合客户的兴趣来推荐商品,成为当前电子商务亟待解决的重点问题.协同过滤作为目前推荐系统应用中最为成功的个性化推荐技术,也得到了越来越多研究者的关注.文章在简要介绍传统协同过滤推荐算法的基础上,重点对推荐算法无法适用于用户多兴趣下的推荐问题进行了剖析,提出了一种基于用户多兴趣的协同过滤推荐改进算法.通过实验仿真,验证了该算法的有效性.

用户间多相似度协同过滤推荐算法

传统的User-based协同过滤推荐算法仅采用了单一的评分相似度来度量用户之间对任何项目喜好的相似程度。然而根据日常经验,人们对不同类型事物的喜好程度往往是不同的,单一的评分相似度显然无法准确描述这种不同。针对上述问题,提出了一种基于用户间多相似度的协同过滤推荐算法,即基于用户间对不同项目类型的多个评分相似度来计算用户对未评分项目的预测评分。实验结果表明,该算法可以有效地提高预测评分的准确性及推荐质量。

基于多属性的动态采样协同过滤推荐算法

针对目前协同过滤推荐算法推荐精度和用户数据在算法中匹配度都不高的问题,提出一种多属性的条件受限波尔兹曼机协同过滤推荐模型(MA-CRBM)。该模型基于实值状态的条件玻尔兹曼机,融合了用户职业和性别属性,充分利用数据集中潜在的评分与未评分信息。在训练过程中,采用动态迭代采样算法对原采样算法进行了改进,克服了训练后期数据采样误差波动太大导致精确度不高的问题。在MovieLens数据集上的实验结果表明,MA-CRBM模型具有较好的推荐效果,可以有效提升推荐模型的精度和效率。

基于Hadoop平台协同过滤推荐算法

针对协同过滤推荐算法在数据稀疏性及在大数据规模下系统可扩展性的两个问题,在分析研究Hadoop分布式平台与协同过滤推荐算法后,提出了一种基于Hadoop平台实现协同过滤推荐算法的优化方案.实验证明,在Hadoop平台上通过MapReduce结合Hbase数据库实现算法,能够有效地提高协同过滤推荐算法在大数据规模下的执行效率,从而能够进一步地搭建低成本高性能、动态扩展的分布式推荐引擎.

基于Hadoop平台的优化协同过滤推荐算法研究

针对协同过滤推荐算法在大数据环境下存在的数据稀疏性和可扩展性问题,在分析研究Hadoop分布式平台与协同过滤推荐算法后,本文提出一种基于Hadoop平台的优化协同过滤推荐算法。该推荐算法将相似度高的用户或项目聚为一类,再设计用户和项目矩阵,以更有效的获得各自的最近邻居集,采用加权系数处理两者的预测评分,并对设计矩阵完成MapReduce并行化实现,这种加权系数处理后的推荐架构,很好的缓和了数据稀疏性且提高了预测精度。实验验证该算法能有效提高推荐系统的推荐效率,同时获得良好的可扩展性。

一种优化组合相似度的协同过滤推荐算法

为了进一步提高相似度计算的准确性,提出了一种优化组合相似度的协同过滤推荐算法。首先,建立用户-项目评分时间矩阵,根据用户对共同评分项目的评分时间先后顺序,计算用户之间的影响力;其次,根据用户对共同评分项目的评分差异,计算评分差异的加权信息熵;最后,将时序行为影响力融入到基于加权信息熵的相似度中,其中融合参数α由随机粒子群优化算法选择。通过与其他相似度计算方法比较,该算法降低了标准平均绝对误差和流行度,在一定程度上降低了数据稀疏性的影响,能更准确地计算相似度,从而提高了推荐质量。

基于Spark架构的艺术学慕课资源协同过滤推荐算法研究

传统资源协同过滤推荐算法MAE值偏高,因此提出基于Spark架构的艺术学慕课资源协同过滤推荐算法。采用分级响应形式,建立用户⁃资源评分关系模型,用户对资源的评分减掉该用户评分平均值,完成资源协同过滤相似度计算的优化,引入集成度高的Spark架构,预测用户对资源的评分并生成推荐列表,实现艺术学慕课资源的精准推荐。经过与两种传统算法的对比实验结果可知,研究的算法在不同比例训练集和测试集的情况下,MAE值均低于两种传统方法,说明基于Spark架构的艺术学慕课资源协同过滤推荐算法推荐精度更高,性能更好。

电子商务系统中协同过滤推荐算法研究

针对电子商务发展的需求,本文通过对协同过滤推荐算法的文献综述,提出传统过滤算法无法适用于用户多兴趣下的推荐问题进行了剖析,提出了一种基于用户多兴趣的协同过滤推荐改进算法,分析了基于用户多兴趣的协同过滤推荐算法的电子商务系统。

数据缺失下的IFRSIFCM协同过滤推荐算法

为了进一步提高协同过滤算法的精确性,更好地满足用户需求、进行商品推荐,针对传统推荐算法存在的缺失数据和模糊性问题,构建了直觉模糊粗糙集和基于目标函数的直觉模糊C均值聚类相结合的协同过滤推荐算法(IFRSIFCM-CF)。算法首先运用直觉模糊粗糙集对缺失数据进行处理,并计算直觉模糊数;其次用密度函数初始化聚类中心,并通过直觉模糊C均值聚类找到目标用户所在聚类类别;最后用特征系数代替传统相似系数来确定邻居集,用优先关系定序法代替传统的推荐算法形成推荐列表。在MovieLens与Jester数据集上对算法进行有效性检验,实验结果表明所提算法能够有效解决数据缺失问题并提高推荐精度。

用户特征和项目属性相融合的协同过滤推荐算法

协同过滤推荐算法是电子商务中的一研究重要研究方向,当前协同过滤推荐算法存在推荐精度低、冷启动等难题。为了改善协同过滤推荐的效果,设计了用户特征和项目属性相融合的协同过滤推荐算法。对当前协同过滤推荐算法的研究现状进行分析,找出它们存在不足的原因,根据用户特征和项目属性对评分相似度进行估计,并根据估计得到协同推荐的结果,选择MovieLens数据集对协同过滤推荐算法的性能进行了分析。结果表明,较好的解决了当前协同过滤推荐算法存在的局限性,提高了协同过滤推荐的精度,具有更好的实际应用价值。

基于R树的协同过滤推荐算法

R树是一个高度平衡树,也是目前应用最为广泛的空间索引结构.本文以用户行为的历史数据之间的相似度构造R树,提出一种基于R树的协同过滤推荐算法(R_CF);另外,从用户的隐式反馈着手,构建用户兴趣行为数据模型,并进行数据标准化处理.仿真实验表明:较之传统的协同过滤推荐算法(CF),本文提出的R_CF算法可以极大提升推荐top-n个相似度最高的用户时的查询速度.

一种电子商务协同过滤推荐算法

依据当前社会发展趋势及电子商务发展要求,设计了一种以用户偏好挖掘为基础的电子商务协同过滤推荐算法。此算法将用户隐性及显性偏好知识,运用用户偏好挖掘技术进行深入挖掘剖析,促进以用户偏好知识的智能推荐及最近邻居社区的构建得以实现。从本次研究的实验结果显示,此种算法在预期效果上比较理想,对于协同过滤推荐的准确性和质量具有显著提升效果。

融合多因素的专家组评分协同过滤推荐算法

针对传统协同过滤推荐算法的不足,提出一种新的推荐算法,该算法重新诠释专家与用户的关系。首先,结合全局专业指数和局部活跃指数定义专家的条件,再选取合适的比例组成专家组,然后按照专家的判断力以及与目标用户的相异度分配评分权重,最后定义预测评分选出最佳推荐,同时,专家组成员是动态变化的,其评分也各有权重,推荐的结果更贴近目标用户。因此,本算法推荐的信息利用率高,推荐的结果清晰明了,在公开数据集Group Lens和Netflix上的实验结果表明,本算法预测用户评分的准确率明显优于传统算法。

一种改进的top-N协同过滤推荐算法

针对传统的相似度计算方法仅依靠用户评分信息矩阵来计算物品或用户相似度,物品相似度的计算考虑了所有用户的历史反馈信息等问题,提出一种改进的协同过滤推荐算法。以所有物品的度的平均值作为阈值,在用户相似度计算公式中引入用户共同评分权重以及流行物品权重;在物品相似度计算公式中引入物品时间差因素和用户共同评分权重。将兴趣相似的用户聚成一类,在类内应用推荐算法分别为用户进行推荐。实验结果表明,相比于传统的协同过滤推荐算法,新算法得到的推荐结果在召回率上提高了2.1%。该算法可在一定程度上提高推荐算法的精度以及推荐质量。

结合CFDP与时间因子的协同过滤推荐算法

在这个网络数据呈现爆炸式增长的时代,如何利用用户行为数据,对每位目标用户进行精准的项目推荐是一个极有价值的研究方向。协同过滤推荐算法作为最常见的推荐算法之一,如何对传统的协同过滤算法进行优化,便是该文的研究内容。针对传统协同过滤算法存在的数据稀疏、冷启动以及实时性问题。采用CFDP算法对项目集合进行聚类,并对采用Slope-One算法进行数据填充,有效地缓解了数据稀疏以及冷启动的问题。针对传统算法的实时性问题,引入了时间因子,对每一项预测评分都乘以时间权重,使得预测评分更加科学准确,解决了推荐系统的实时性问题。采用MovieLens 1M数据集分别对传统协同过滤算法以及改进协同过滤算法进行对比实验,得出新算法的平均绝对偏差MAE要小于传统的协同过滤推荐算法,表明改进算法有效地优化了传统算法。

基于Hadoop的协同过滤推荐算法的研究

1.传统协同过滤推荐算法协同过滤推荐算法主要利用用户过去的行为或意见预测目标用户最可能喜欢哪些东西或者对哪些东西感兴趣,然后向目标用户做出TOP-N推荐。相似度计算方法对于协同过滤的推荐方法来说是很重要的,最常用的有Pearson相关系数法、余弦相似度等。2.改进协同过滤推荐算法针对传统协同过滤推荐算法中相似性计算的不足,提出了一种基于用户兴趣的改进协同过滤推荐算法。针对不同用户兴趣的动态变化,将基于用户兴趣度的相似性度量方法应用于改进的协同过滤推荐算法中,基于用户的兴趣,提高推荐系统的准确性。

基于约束校对的协同过滤推荐算法

根据用户的个性化需求进行网络信息推荐,在电子商务商品推荐和网络信息推送中具有应用价值。本文针对传统的语义关键词推荐方法的指向性精度不高的问题,提出一种基于协同过滤融合和个性化特征约束校对的信息推荐算法,首先构建P2P网络模型下的信息传输模型,对用户的个性化需求信息进行信息融合和语义信息素特征提取,然后采用自相关匹配滤波方法进行信息融合和滤波,实现对个性化特征的协同过滤和信息推荐,最后通过仿真实现进行性能测试。仿真结果表明,采用该算法进行信息推荐的数据召回率和配准度较高,耗时较短,实现个性化信息定制和推荐。