结合项目区分用户兴趣度的协同过滤算法

协同过滤是推荐系统中应用最为广泛的方法.基于用户的协同过滤算法在计算用户相似性时,对不同的项目给予相同的权重,然而在现实中不同项目对刻画用户的兴趣所起作用不同,从而基于用户的协同过滤会造成对流行的项目打分高的问题,而不能真正反映用户的兴趣.本文提出项目的区分用户偏好值概念,从而更好的刻画了用户的兴趣,在此基础上,改进了计算用户相似度的方法,使推荐算法具有较高准确度.算法在标准数据集MovieLens上进行了测试,实验表明了算法的有效性.

融合用户兴趣度与项目相关度的电影推荐算法研究

在目前的电影推荐系统中,传统的推荐算法具有用户评分数据稀疏的不足,因此无法根据用户喜好进行准确推荐。针对上述问题,本文提出一种融合用户兴趣度与项目相关度的电影推荐算法,此算法基于项目类别属性的用户兴趣度计算用户间相似性,并结合基于关联规则思想计算项目间相似性从而产生推荐。基于Movielens数据集的实验结果表明,本文所提出的算法比传统的推荐算法在推荐准确度上有明显提高。

基于用户兴趣和项目周期的协同过滤推荐算法

协同过滤推荐算法以没有限定推荐对象类型、无需用户反馈信息等优势在众多个性化推荐算法中脱颖而出。但是现有算法缺乏对用户之间的差异和用户自身的兴趣考虑,对用户和项目之间的潜在关联考虑不充分,这些问题均会影响推荐精度。该文提出一种基于用户兴趣和项目周期的协同过滤推荐算法,该算法在计算相似度时引入用户兴趣权重UI、项目时间等因素,并采用融合因子将改进后所得用户和项目信息进行综合,获得推荐列表。对比实验得出:该算法在推荐精确度上提高了11.034%,研究结果表明:该算法可有效提高推荐精确度。

基于用户兴趣和项目属性的协同过滤算法

针对传统协同过滤算法不能及时反应用户的兴趣变化、时效性不足而导致推荐精度不高的问题,提出一种基于用户兴趣和项目属性的协同过滤算法。在传统协同过滤基础上综合考虑评分时间、相似度以及项目属性等因素,首先在计算相似度过程中加入基于时间的用户兴趣度权重函数,然后再与项目属性相似度进行融合,最后进行项目预测与推荐。在Movielens数据集上的实验结果表明,所提出的算法与已有的经典算法相比,平均绝对误差降低了3%~6%,有效提高了推荐的准确性。

基于共同评分项目数和用户兴趣的协同过滤推荐方法

在推荐系统中,为了在一定程度上减少用户评分数据稀疏对推荐效果的负面影响,提出了一种基于用户共同评分项目数和用户兴趣的协同过滤推荐算法。此算法将用户共同评分项目数和用户兴趣相似度相结合,使用户之间的相似度计算更加准确,为目标用户提供更好的推荐结果。仿真实验结果表明:所提算法比基于Pearson相似度计算方法的算法推荐效果更优,具有更小的平均绝对误差(MAE),表明了其有效性和可行性。

基于改进协同过滤算法的用户页面兴趣度预测研究

根据大数据稀疏性特征,把奇异值分解方法引入协作过滤算法中进行互联网站点用户的页面兴趣度的计算和验证,提出了一种基于改进协作过滤算法的用户页面兴趣度预测算法。该算法利用网络日志中的显性用户过往兴趣度评分数据发现用户页面兴趣度和其影响因素。MATLAB仿真结果显示:提出的基于改进协同过滤算法的用户页面兴趣度测量方法可有效克服海量数据的稀疏性,在预测准确性、测量速度方面都有很大的提高。

融合用户兴趣度的基于自注意力的序列推荐模型

序列推荐试图利用用户的连续行为、用户偏好、物品流行度以及用户和项目之间的交互动作进行建模,传统的马尔科夫链(MC)、递归神经网络(RNN)和基于自注意力的模型已被大量应用于序列推荐,但它们只是将交互历史假设成有序序列,忽略各个交互之间的时间间隔,也不考虑序列中项目之间交互的可能性存在大小关系以及用户对项目的兴趣度可能随着时间推移而发生变化。文中对基于时间间隔感知自注意力的序列推荐模型TiSASRec进行优化,提出了考虑到用户对项目的兴趣度会发生变化的改进模型TiSeqRec,该模型基于TiSASRec,进一步捕获用户整体偏好和局部偏好,并使用一致性感知门控网络将两种偏好智能结合,预测下一项的内容。通过大量的实验验证了TiSeqRec模型在稀疏、密集数据集和不同的评价指标上都优于已有的最新的序列推荐模型。

融合项目属性和用户兴趣迁移的协同过滤算法

协同过滤算法作为各种商业推荐技术最常使用的方法之一。然而,由于数据的稀疏性和用户的评分存在单一的相似性,低精度相似度度量降低了推荐系统的性能。针对上述问题,提出了一种协同过滤改进方法。方法基于项目的分类属性,以用户的兴趣度量用户的相似度,量化用户的兴趣所发生的动态迁移,构建新的相似度量模型。Movielens测试结果表明,提出的算法缓解了数据稀疏性,优化了最近邻的选取,与传统算法相比有着更高的推荐精度。

加入用户和项目属性的奇异值分解推荐算法

传统推荐算法仅利用用户的评分行为进行相似度计算来实现目标推荐,未考虑用户和项目的属性信息,推荐精度低,因此提出加入用户和项目属性的奇异值分解推荐算法。该算法在奇异值分解算法中加入用户和项目的属性信息,并在此基础上设计一种新的相似度计算方法,在相似度计算中为属性分配不同的权重,充分考虑每一种属性对推荐效果的影响,从而为目标用户和项目找到最相似用户集和最相似项目集。在数据集MovieLens上的实验结果表明,其在召回率、精确率值上均优于传统推荐算法。

基于评分矩阵填充与用户兴趣的协同过滤推荐算法

针对传统协同过滤推荐算法评分矩阵稀疏和推荐精度不高的问题,提出一种改进的协同过滤推荐算法。通过用户属性偏好和项目流行度计算用户对项目的偏好度,结合用户平均评分对评分矩阵中未评分项目进行填充。考虑到用户兴趣随时间的变化,将基于时间的兴趣度权重函数和偏好度引入到项目相似度计算和推荐过程中,确定项目最近邻集合,从而实现最优推荐。实验结果表明,与传统协同过滤推荐算法相比,该算法较准确地反映了用户的兴趣变化趋势,并且在有效解决评分矩阵稀疏问题的同时提高了推荐准确率。

反映用户兴趣变化的协同过滤算法

针对传统协同过滤算法存在的两个弊端:一是传统的相似性度量方法在评分矩阵稀疏的情况下很难准确地反映用户间的相似性,二是不能及时反映用户的兴趣变化,提出一种新的相似性计算方法。此方法把基于用户兴趣度的相似性度量与基于项目相似度的数据权重结合,形成一种考虑用户兴趣变化的相似性度量方法。实验结果表明,改进后的算法集成了上述两种方法的优点,对传统算法中存在的两个弊端进行了改善,在推荐准确度上有所提高。

一种融合用户与项目属性的协同过滤算法的设计与实现

针对传统的协同过滤算法存在数据稀疏、冷启动、推荐精度低等问题,提出一种充分融合用户与项目属性的协同过滤算法。利用项目属性和用户属性分别对用户相似度和项目相似度计算方法进行改进,并将用户和项目协同过滤进行组合加权,提高预测兴趣度的准确度。引入用户属性-项目类型偏好权重因子,利用天牛须搜索方法对兴趣度计算方法进行改进。实验结果表明:该算法能有效地缓解冷启动、数据稀疏对推荐系统的影响,且推荐精度有一定的提高。与传统的项目和用户协同过滤算法相比,召回率分别提高了8.65%和3.39%。

项目子相似度融合的协同过滤推荐算法

针对用户评分数据稀疏性和项目最近邻寻找的不准确性问题,提出了一种项目子相似度融合的协同过滤推荐算法.该算法根据目标用户每一属性取值,选取与该属性值一致的用户作为用户子空间,并在此空间上计算目标项目与其他项目之间的相似度(称其为项目子相似度).在此基础上,以项目子相似度为依据选取目标项目的 K最近邻,计算其预测评分;最后对用户不同属性上的预测评分进行加权求和,得到目标项目的最终评分.实验结果表明,该算法能准确地选取目标项目的最近邻,明显改善了推荐质量.

融合标签和长短期兴趣的矩阵分解推荐算法

为提高用户兴趣挖掘的准确性,实现更加精准的用户个性化推荐,提出一种融合标签和长短期兴趣的矩阵分解推荐算法。利用用户使用各标签的次数和生命周期挖掘用户的长短期兴趣,计算用户标签偏好值;利用用户标签偏好值比较用户间的兴趣,获得更加精准的用户间兴趣相似度;将用户间兴趣相似度引入矩阵分解模型,预测项目评分并进行推荐。实验结果表明,该算法挖掘出的用户兴趣比其它推荐算法准确。

协同过滤的相似度融合改进算法

针对传统协同过滤推荐在数据稀疏性条件下性能不佳的问题,在相似度计算上做出了优化,提出了一种基于项目类别和用户兴趣相似度融合的协同过滤算法,算法将相似度的计算分解为两个方面进行:用户-项目类别评分相似度和用户-项目类别兴趣相似度,将两者用合适的权值加以融合得到最终相似度,参与最终预测评分的计算.利用MovieLens公用数据集对改进前后的算法进行对比.结果表明,基于项目类别和用户兴趣的协同过滤改进算法有效地缓解了数据稀疏性问题的影响,提高了推荐的准确性.

结合用户偏好和相似性的网络结构推荐算法

网络结构推荐算法在资源分配过程中,仅判断用户是否选择过项目,未考虑用户显式偏好对资源分配的影响,导致推荐项目单一,为此提出一种结合用户偏好和相似性的网络结构推荐算法。在二部图网络结构推荐的基础上,引入用户显式评分,采用最大最小值方法标准化用户不同评分作为网络结构的权值,在资源分配过程中综合考虑项目的度以及用户间相似性对资源分配的影响。实验结果表明,该算法与其它算法相比明显提高了平均排序值(ranking score)和海明距离,提高了推荐的准确性和多样性。

跨类型的学术资源优质推荐算法研究

提出一种新的融合内容特征和非内容特征以及用户行为的推荐算法ER(Excellent Recommendation),快速准确地为用户推荐感兴趣的、高质量的5类学术资源,以实现学术资源的优质推荐。ER算法从资源类型、学科分布、关键词分布和LDA(Latent Dirichlet Allocation)主题分布共4个内容特征对5类学术资源建模,融合用户行为后进行用户兴趣偏好建模,根据权威度、社区热度和时新度等3个非内容特征对学术资源的质量值进行评估,最终根据学术资源的兴趣值和质量值进行Top-N推荐。通过预测准确度对推荐结果进行评估,实验表明ER算法的推荐效果最佳,证明了ER算法的有效性。

题库建设讲话(一)

在我国,各种类型、各种层次的外语考试经常举行。考试的次数日益频繁,参加考试的人数日渐增多,动辄上万。但是,对这些重大的教育实践,我们却往往缺乏足够的理论指导。为了推动我国测试研究的开展,我院已成立测试研究与发展中心,本刊也计划开辟《测试理论与应用》专栏,为我国外语测试工作者提供一个发表研究成果的园地。题库建设是一项理论性强,实际意义重大的基本建设。本期起我们发表题库建设的系列文章,就是想在这个方面做些工作,希望引起有关部门的注意和读者的兴趣,以期加快我国题库建设的科学化、理论化进程。我们希望读者踊跃投稿,共同办好这个专栏!

中国哈弗参展2021ChinaJoy传播项目

项目主体:哈弗品牌执行单位:爱创营销与传播项目简述:中国哈弗不断洞察年轻消费趋势,为迎合年轻受众喜好,以年轻化产品不断激发用户兴趣,聚焦用户运营、聚集及沉淀等多种形式,中国哈弗首次以“进击的中国哈弗拥抱次元时代”为主题参加次元漫展ChinaJoy,以年轻用户话语体系对话乙时代。漫展上通过发布赤兔电竞巅峰赛、Coser潮流新次元表演秀、哈弗大狗&赤兔潮改车贴、摇尾舞等主题活动,吸引Z世代人群,打造私域流量池,线上聚焦用户运营,通过视频号、抖音、微博等平台,占领#202lchinajoy#流量阵地,为官方平台引流,并不断强化品牌年轻化形象,提升品牌关注度。