针对云平台协同推荐的近邻项目最优临界点优化

针对单一的基于用户或者基于项目的推荐算法在个性化推荐的应用中还存在精度不高、推荐结果不佳的问题,本文提出了一种近邻项目最优临界点优化的云平台协同推荐模型。首先根据所有的使用客户本身存在一定的偏向爱好,计算项目之间的相似度,得到用户对物品的相似度评价,然后采用线性回归的方法对相似度评价结果进行重新预测估计,最后对多个近邻用户和多个近邻项目的最优临界点进行优化,以提高推荐精度。仿真实验结果表明,本文提出的改进模型在个性化推荐的应用中,具有更高的稳定性和推荐精度。

基于项目近邻的约束概率矩阵分解算法

在个性化推荐领域,协同过滤是目前最为成功应用最为广泛的推荐技术之一。约束概率矩阵分解算法便是一种基于模型的协同过滤算法,它能有效地面对推荐系统中遇到的海量数据问题,保证推荐的实时性。然而,传统的约束概率矩阵分解算法并没有考虑用户或者项目之间的关系,使得算法的推荐质量受到影响。为进一步提高算法推荐的质量,文中在约束概率矩阵分解算法模型的基础上引入项目近邻关系,通过结合从项目简介中提取的固有特征和用户评定的标签特征两方面信息来确定项目的最近邻居集合,并将该邻居集合融合到基于约束的概率矩阵分解模型中产生推荐。通过在真实的数据集上的验证结果表明,该算法能够更有效地预测用户对项目的评分,提高算法的推荐精度。

融合项目分类的加权Slope One算法

互联网的迅速发展,将人们带入了信息爆炸的时代,而个性化推荐系统是解决该问题的一种非常有效的方法.研究的Slope One算法是一种基于项目的协同过滤推荐算法,该方法简单、高效、易于实现且具有合理的准确性.然而,该算法在偏差计算时考虑了所有共同评分的项目,在某些情况下,对不相关项目计算偏差可能会降低预测的准确性.为了在计算偏差时过滤掉不相关项目对预测结果的影响,将项目分类和K近邻引入Slope One算法,以期得到更好的准确性.最后,在MovieLens数据集上的实验结果表明,提出的方法在数据稀疏和共同评分项目较少的情况下仍能得到较好的准确性.

一种优化的Item-based协同过滤推荐算法

针对传统的Item-based协同过滤推荐算法在推荐系统应用中存在的不足,提出一种优化的Item-based协同过滤推荐算法.从项目相似性计算,项目近邻选取和预测评分计算三个方面对算法进行了优化,使计算结果更具有实际意义和准确性.实验结果表明,提出的算法可解决传统方法中由于数据稀疏所导致的相似性度量不准确的问题,并显著地提高了算法的推荐精度.