改进邻居集合的个性化推荐算法

协同过滤算法是目前个性化推荐系统中应用最成功的推荐算法之一,但传统的算法没有考虑在不同时间段内寻找最近邻居问题,导致寻找的邻居集合可能不是最近邻居集合。针对此问题,提出一种改进邻居集合的个性化推荐算法。该算法赋予每项评分一个按时间逐步递减的权重,利用加权后的评分寻找目标用户的最近邻居。实验表明,改进的算法提高了推荐系统的推荐质量。

一种基于用户相似性的协同过滤推荐算法

个性化推荐技术研究用户行为,分析用户兴趣,主动为用户推荐合适的资源,较好地解决了互联网信息日益庞大与用户需求之间的矛盾。协同过滤算法中,基于邻居的方法和基于潜在因子的方法是目前应用于推荐系统最成功的技术。前者虽然简单易行,但精度有待提高;后者精度较高,但模型复杂,参数难以学习。提出了一种改进的基于用户相似性的协同过滤算法,通过修正用户相似性的度量方法,产生更合理的用户邻居,实现对用户的评分推荐。实验结果表明,所提出的算法相比基于潜在因子的方法简单易行;同时,相比基于邻居的方法,在一定程度上提高了推荐的精度。

基于用户行为的长短期序列推荐模型

针对现有推荐模型忽略用户兴趣的动态变化,导致推荐精度较低等问题,提出一个基于用户行为的长短期序列推荐模型(long and short term sequence recommendation model based on user behavior,UBLSR)。在序列信息挖掘部分设计一种多路空洞卷积网络,将网络扩展成多通路结构挖掘复杂的用户行为特征;将短期时间窗口内的序列行为和目标物品进行关联,通过自注意力网络动态地对用户短期兴趣进行建模;设计一种邻居用户表示方案,借助注意力机制关注邻域内有影响力的用户子集,对用户长期兴趣进行建模;将短期兴趣建模和长期兴趣建模的结果联合进行推荐预测。UBLSR模型在Gowalla、Movielens-1M两个数据集上进行实验,其结果表明,该模型优于其它基准模型,达到较为突出的性能。

基于时间加权的协同过滤算法

协同过滤是个性化推荐系统中采用最广泛的推荐技术,但已有的方法是将用户不同时间的兴趣等同考虑,时效性不足。针对此问题,提出了一种改进的协同过滤算法,使得越接近采集时间的点击兴趣,在推荐过程中具有更大的权值,从而提高了推荐的准确性。

协同过滤技术的改进研究

协同过滤算法应用于个性化推荐系统中取得了巨大成功,它是通过用户项目评分数据,以用户之间或者项目之间相互协作的方式来产生推荐。然而,邻居用户的相似度计算不精确一直是阻碍推荐系统推荐精度进一步提高的主要因素。从提高用户间相似度计算精度出发,提出了一种改进算法,该算法通过考虑不同特征、加强平均值影响、惩罚热门项目的比重,对用户的相似度计算方法进行改进,以期生成更加合理的邻居用户集,最后,根据评分预测公式进行预测,最终产生推荐。在MovieLens数据集上的实验表明,改进算法计算用户间的相似度更加精确,推荐算法的预测精确度有了显著提高。

基于时间加权的个性化推荐算法研究

协同过滤算法是个性化推荐系统中应用最成功的推荐算法之一,但传统的算法没有考虑在不同时间段内寻找最近邻居问题,导致寻找的邻居集合可能不是最近邻居集合。针对这个问题,本文提出了基于时间加权的协同过滤算法。该算法赋予每项评分一个按时间逐步递减的权重,利用加权后的评分寻找目标用户的最近邻居。实验表明,改进的算法提高了协同过滤推荐系统的推荐质量。

基于时间的个性化推荐算法在电大在线远程教学平台的应用

协同过滤算法是个性化推荐算法中使用最广泛的,但是传统的推荐算法是将用户不同时间的兴趣等同考虑,其推荐结果缺乏时效性。针对这一问题,文中提出一种基于时间的改进的协同过滤算法,使得越接近采集时间的用户兴趣在推荐过程中具有更大的权值,从而提高推荐的准确性。

使用正态分布函数修正推荐系统相关相似性

为提高协同过滤推荐系统寻找最近邻居集合的准确程度,在传统的相关相似性基础上,提出了一种利用正态分布函数作为修正函数的相关相似性计算方法,该方法依据双方共同评分的项目进行用户相似性评价,利用正态分布函数来修正用户之间评分项目数差距对相关相似性计算产生的负面影响,能够较好地体现用户的相似程度。实验结果表明,在相同条件下,该方法与传统的相关相似性计算方法,在一定程度上提高了寻找最近邻居用户集合的准确度。

基于子空间聚类的协同过滤推荐算法

为了降低数据稀疏性对推荐算法效率产生的影响,提出一种基于子空间聚类的协同过滤推荐算法(SCUCF)。该算法创建感兴趣、不感兴趣以及既不感兴趣也不不感兴趣三种类型被评价项目的不同子空间。利用项目子空间为目标用户绘制邻居用户树,以此来寻找目标用户的邻居。利用改进的用户相似性计算方法来确定推荐用户。通过MovieLens 100K、MovieLens 1M数据集对算法进行了验证,实验结果表明,该算法能够使推荐算法的推荐性能得到提升。并且,在与其他同类改进算法相比,该算法也表现出一定的优越性。

融合情景感知的音乐推荐方法研究

针对解决传统的音乐推荐主要基于“用户-项目”的二维分析,忽视了情景因素对于推荐结果的重要性的问题,在原有传统的协同过滤推荐的基础上融入情景信息,采用情景预过滤技术,将情景分为小数据集,根据当前情景找到对应数据集,利用隐式获取反馈评分转换解决数据稀疏性问题,计算与目标用户最近的K个邻居用户,将邻居用户项目集中评分较高而目标用户尚未评分的项目推荐给目标用户。研究结果表明融入情景信息后的推荐算法优于传统推荐算法,对优化音乐推荐系统起到一定借鉴意义。

基于项目聚类和评分预测的协同过滤推荐算法研究

协同过滤算法是目前个性化推荐系统中应用最成功的推荐算法之一。目前协同过滤构建的用户-项目矩阵,一般是按用户对所有项目的评分构建,却没有考虑项目之间的分类情况,导致寻找的邻居集合可能不是最近邻居集合。针对此问题,本文提出基于项目聚类和评分预测的协同过滤推荐算法,该算法首先按商品聚类,将大矩阵按聚类的商品来进行子矩阵的计算,在子矩阵里进行兴趣度的测量,最后将在所有区域相似用户的推荐项目合并,成为该用户的最后推荐结果。实验证明新算法能够提高协同过滤推荐系统的推荐质量。