Pearson相关系数下非对称相似度计算及其应用

稀疏性是推荐算法存在的问题之一,解决稀疏性问题的常用方法是矩阵分解,矩阵分解结合用户相似度可以提高推荐的准确率,但是传统的相似度计算方法并未考虑用户对项目评分数量的差异,因此构建的相似度矩阵是对称的.针对这一问题,结合Pearson相关系数,给出一种新的计算方法——用户非对称相似度.在考虑用户对相同项目评分的同时,计算用户间评分相同的项目数与用户所有评分项目数的比值,以此拉近用户之间相似的程度,且得到用户之间的非对称关系.其次,利用用户非对称相似度方法计算用户间相似度矩阵,将相似度矩阵与用户评分矩阵融入到概率矩阵分解框架中,实现用户的社会化推荐.在公开数据集上测试,结果显示改进的非对称相似度公式相比传统的相似度计算公式,在稀疏的数据集上进行社会化推荐能得到更准确的推荐结果.

一种非对称相似度矩阵约束的群组协同过滤算法

针对传统协同过滤算法无法处理社交网络中逐渐形成的以群组为中心的群体行为且很少考虑用户间普遍存在的不对称关系,提出一种非对称因子约束相似度矩阵的群组协同过滤算法.首先通过构建虚拟用户作为群组特征,把多维数据降维成与用户特征等价的虚拟用户,以替代群组进行相似度计算.其次引入影响因子和偏移因子两种相似度限制因子来构建非对称相似矩阵,影响因子表示用户相互影响力的大小关系,偏移因子则考虑用户评分习惯间的差异.实验结果表明该方法与传统推荐算法相比具有收敛速度快、预测精度高的优势,提高了推荐质量并解决了群组特征处理问题.

一种利用非对称相似度强化信任用户关系的推荐算法

为提高推荐算法的准确率,针对Social MF中用户将其信任用户同等对待的问题,提出一种在评分数据稀疏情况用于计算信任用户相似度的方法—非对称相似度方法(AC-Sim),通过AC-Sim来判别存在信任关系用户间是否有共同偏好,并将此偏好信息融合到已有的用户关系网中,达到强化信任网络的目的;其次将强化后的信任网络应用到PMF算法中,评分矩阵在分解过程中,用户特征向量受信任用户影响的同时,也受到与其有共同偏好用户的影响.实验结果表明,与目前较为流行的算法相比,新算法在RMSE和MAE上均取得更好的推荐效果.

改进非对称相似度和关联正则化的推荐算法

为了改善传统推荐系统中数据稀疏问题给推荐效果带来的影响,提出了改进非对称相似度和关联正则化的推荐算法。根据不同用户和不同项目之间的不对称关系,提出一种改进相关度计算式,用于预测评分。同时,由于社会化隐式关系的获取难度较大,利用传统相似度获取邻域集合作为用户社会关系,将关联正则化用于约束矩阵分解目标函数,缓解用户信息不对称造成的数据稀疏问题。最后在一些真实数据集上对算法进行验证,实验结果表明,与主流的推荐算法相比,该算法能够更加有效地预测实际评分。

基于概率矩阵分解的用户相似度计算方法及推荐应用

用户相似度计算的合理性直接影响到协同过滤推荐的效果。提出了一种基于时序行为关系的用户消费网络图构建方法,通过定义用户间非对称相似度计算方法,确定用户间的初始相似度矩阵,然后利用概率矩阵分解的方法重构用户的相似度矩阵,挖掘潜在的用户近邻,将近邻关系应用到目标用户的项目推荐中,同时提出了基于时序行为关系和矩阵分解的协同过滤推荐框架结构。在实际数据集上对具体参数进行实验,并和其他方法进行了比较。实验结果表明,该方法可以有效提高协同过滤推荐效果。