结合项目属性协作信号减少无关邻域的推荐

在推荐系统中,知识图谱(knowledge graph,KG)作为辅助信息,提高了算法的性能以及可解释性。但在聚合多跳邻居时,它通常把所有的实体信息加以聚合并传播。KG中不是所有的信息都有助于改善推荐结果,当聚合邻域信息不加以区分时,实体的嵌入就会受到不相关实体的干扰。针对上述问题,提出一个项目属性协作信号和筛选高相关的邻域策略的模型(RUNCS),用以提高推荐的效果。具体来说,把点击过相同项目的用户称为相似邻居,通过相似邻居点击的项目和KG中的项目属性相结合,从而得到项目属性协作集;通过计算项目属性的相似性,得到相关性分数,用以筛选高相关的邻居;利用注意力机制对其分配权重进行信息聚合。在音乐和电影两个基准数据集中的实验结果表明,与现有最优主流方法相比,该模型在CTR预测上AUC提升0.6~2.7个百分点。

基于项目属性的用户聚类协同过滤推荐算法

协同过滤推荐算法是个性化推荐服务系统的关键技术,由于项目空间上用户评分数据的极端稀疏性,传统推荐系统中的用户相似度量算法开销较大并且无法保证项目推荐精度。通过对共同感兴趣的项目属性的相似用户进行聚类,构建了不同项目评价的用户相似性,设计了一种优化的协同过滤推荐算法。实验结果表明,该算法能够有效避免由于数据稀疏性带来的弊端,提高了系统的推荐质量。

考虑项目属性的协同过滤推荐模型

针对传统的基于用户的协同过滤(UCF)模型在相似性度量过程中没有充分考虑项目属性的问题,提出了两种考虑项目属性的协同过滤推荐模型。模型首先对用户评分相似性进行优化;然后从项目属性的角度统计用户关于不同项目的评价次数,获得优化的基于项目属性的用户相似性;最后通过自适应平衡因子协调处理两方面的相似性结果进行项目预测与推荐。实验结果表明,在不同的数据集中,新提出的模型不仅时间花费较为合理,而且评分预测准确性明显提高,平均提高了5%,从而证明了模型在改进用户相似性度量精度方面的有效性。

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。

基于用户对项目属性偏好的协同过滤算法

为了缓解用户项目评分矩阵数据的稀疏性,在传统的协同过滤项目评分矩阵的基础上,对项目的特征进行分析,引入项目特征矩阵,然后结合余弦相似性和基于用户对项目属性偏好相似性综合计算用户的相似性,并通过一个权值来控制两者的重要程度,提出了一种基于用户对项目属性偏好的协同过滤算法。研究结果表明余弦相似性和用户对项目属性偏好的用户相似性比重相等时,推荐系统的推荐质量最好;而且当评分矩阵越稀疏的时候,用户对项目属性偏好的用户相似性的比重越大越可以提高推荐质量;同时提出的基于用户对项目属性偏好的协同过滤算法在MAE值都要小于两种传统的协同过滤算法。

基于项目属性的相联规则提取

相联规则是数据库知识发现领域的重要方法之一 ,用于发现满足用户指定最小支持度和最小信任度阈值的规则 .其中 ,最小支持度阈值确定了研究数据集的规模 ,最小信任度阈值用来衡量一个规则可靠性 .在通常的支持度 /信任度框架下 ,用户只能给出一对最小支持度和最小信任度阈值 ,因此 ,对于所有数据项均采用统一标准处理 .但是 ,实际数据库中的数据项目具有各自的特点 ,该文旨在根据项目的属性特征 ,通过模糊综合评判 ,决定项目合理的最小支持度阈值 ,进而确定各个项目的支持度区间 ,达到在一次数据挖掘中同时发现频繁规则和稀有规则的目的 .由于基于最小信任度的规则提取具有冗余性 ,文中提出规则前件和后件的重要程度对比的思想 ,借助主观判断去除冗余规则 ,从而挖掘出尽可能接近自然的完全规则 .

一种结合项目属性的混合推荐算法

传统的协同过滤推荐算法中仅仅根据评分矩阵进行推荐,由于矩阵的稀疏性,存在推荐质量不高的问题.本文提出了一种结合项目属性相似性的混合推荐算法,该算法通过计算项目之间属性的相似性,并且与基于项目的协同过滤算法中的相似性动态结合,通过加权因子的变化控制两种相似性的比重来改善协同过滤中的稀疏性问题,并且将综合预测评分和基于用户的协同过滤预测评分相结合来提高推荐质量,最终根据综合评分来进行推荐.通过实验数据实验证明,该算法解决了协同过滤算法的矩阵稀疏性问题.

基于用户偏好和项目属性的协同过滤推荐算法

协同过滤推荐算法是目前应用最为广泛的个性化推荐方法之一,但传统的推荐算法在计算目标用户邻居集时只考虑用户项目评分矩阵中的具体数值,没有考虑用户偏好以及用户评分与项目属性之间的关系,推荐精度也有待进一步提高.针对这一问题,提出了一种基于用户偏好和项目属性的协同过滤推荐算法(UPPPCF).本算法在传统的用户项目评分矩阵基础上综合考虑用户偏好以及项目属性,把评分矩阵转变成基于用户偏好的用户项目属性评分矩阵,然后根据这一评分矩阵来计算目标用户的最近邻居集,克服了传统相似性计算方法只依靠用户评分值的不足,同时本文对预测值判定给出了一种有效的度量方法.在Movie Len数据集上的实验结果表明,本文提出的UPPPCF算法能够有效弥补传统协同过滤算法中的不足,而且在推荐精度上有了明显的提高.

结合评分比例因子及项目属性的协同过滤算法

针对传统的协同过滤算法存在用户评分矩阵稀疏及未考虑项目属性之间关系的问题,提出了结合评分比例因子及项目属性的协同过滤算法。首先利用评分矩阵得出项目之间的共同与非共同评分用户数量比矩阵,以此增加项目共同评分用户的影响度,减少用户—项目评分矩阵的稀疏性对项目相似度计算带来的误差;然后对项目属性量化得出其对项目相似度的影响权重,提高项目相似度计算的准确性,根据以上两点提出了一种结合评分比例因子及项目属性权重作为项目相似度权重的算法。实验结果表明,该算法在召回率和准确率上相比现有的方法分别提高了5.1%和4.7%,适用于电商类网站的个性化推荐。

奖励型众筹项目筹资完成率关键影响因素研究——基于筹资方属性和项目属性的探索

互联网奖励型众筹项目筹资完成率的显著差异性,逐渐引起从业人员和学术界的极大关注。为探究影响奖励型众筹项目筹资完成率的关键因素,对众筹网(zhongchou.cn)发布的1 898条奖励型众筹项目数据进行模型检验,结果表明:(1)中国互联网众筹研究情境下,影响奖励型众筹项目筹资完成率的因素与国外研究呈现出不同特点;(2)项目属性对众筹项目筹资完成率的影响程度高于筹资方属性;(3)艺术类和科技类项目显著影响众筹项目筹资完成率。研究构建的分析框架和相应结论可为学术同行与实践者提供借鉴。

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%。

融合项目属性和云填充的计算机智能图像识别算法

提出了一种项目属性和云填充的计算机智能图像识别算法。使用重复边收缩方法对图像进行识别,通过项目属性来度量整个图像的识别程度,在累加边折叠代价中,利用三角形权值,能够对较大形变图像的细节特征进行识别。作者提出的云填充方法可以确保图像识别时间的一致性,减小相邻帧之间的视觉跳变。实验结果表明:该算法具有较高的效率,易于实现,可以识别较低分辨率的图像。

基于用户项目属性偏好的协同过滤推荐算法

协同过滤推荐系统是广泛应用的推荐技术之一,但是其面临着推荐精度低和托攻击问题。为了提高传统协同过滤推荐系统的推荐精度和抗攻击能力,提出了一种基于用户项目属性偏好的鲁棒协同过滤推荐算法。该算法在用户相似性计算过程中引入用户项目属性偏好相似性,并通过动态加权因子与传统的用户评分相似性进行组合,获得用户的综合相似性,在用户共同评分项匮乏的情况下也可以根据相同的项目属性偏好度量用户相似性,缓解评分数据稀疏性。在预测评分阶段,根据用户项目属性偏好类型条件过滤最近邻集合中的攻击概貌,消除攻击概貌对评分预测的不良影响,提高系统的抗攻击能力。实验结果表明,该算法可以有效提高推荐系统的推荐精度和抗攻击能力。

结合用户偏好和项目属性的网络结构推荐算法

针对基于网络结构的推荐算法在资源分配过程中采用平均分配方式,产生的推荐结果个性化程度低的问题,提出了一种结合用户偏好和项目属性的网络结构推荐算法。通过用户评分数据和用户对项目属性偏好程度计算用户偏好相似度,在资源分配过程中根据用户偏好相似度调整资源分配方式,使其更加合理,产生更好的个性化推荐结果。Movie Lens数据集上的实验表明,所提出的推荐算法相比于其它算法,显著提高了准确率、召回率、多样性,降低了推荐项目的流行度。

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。

基于项目属性和局部优化的协同过滤推荐算法

针对数据稀疏性问题对于传统协同过滤推荐带来的影响,提出基于项目属性和局部优化的协同过滤推荐算法（collaborative filtering recommendation algorithm based on item attribute and local optimization,简称CUCF）.算法首先改进jaccard系数来优化评分的项目相似性;其次引入拉普拉斯平滑方法对基于项目属性的项目相似性进行优化;最后结合两方面的相似性结果,并且利用局部优化方法选择目标的近邻对象作为推荐群.实验结果表明,该算法减小了数据稀疏性对推荐结果的负面影响,有效地降低了预测结果的平均绝对误差MAE.实验进一步对比了其他4种不同推荐方法,预测精度提高7.1%-15.5%,从而证明了CUCF方法在预测准确率方面能够取得较好的效果。

图书馆书刊招标的项目属性选定及其影响

图书馆书刊招标经过10多年实践,相对成熟,但各馆招标项目属性不一。文章根据相关法规论述书刊招标项目属性选定应遵循的依据,并推导出书刊招标的项目属性应为服务类,继而阐明此界定对书刊招标产生的正面影响。

基于项目属性的初中田径大单元教学设计理念与实施要点

初中教育阶段是人才培养的关键时期,鉴于初中学生青春期身心发育的特点,在体育教学中要关注学生心理和生理的变化,立足不同运动项目的属性,制定有效的体育教学设计,这对培养学生的学习兴趣和学习能力至关重要。田径是初中阶段体育教学的重要内容之一,基于项目属性,结合学生的身心发展规律和多学科教学的融通性,以三年为一个单元进行整体的大单元教学设计,是新时代、新目标、新教学的必然要求。

考虑项目属性的中压配电网投资决策方法

针对我国电网公司普遍存在的合理投资规模难以确定、资金分配不均衡、配电网项目优选缺乏明确标准等问题,提出了考虑项目属性的中压配电网投资决策方法。首先在构建配电网规划项目评价指标体系、分析项目属性与评价指标映射关系的基础上,提出项目属性重要程度确定方法;其次结合对项目实施效果与配电网投资历史数据的分析,提出配电网规划投资规模和项目属性投资分配比例的确定方法;继而综合考虑项目属性分类、投资规模和投资分配比例、项目评价结果,构建配电网规划项目优选模型;最后通过实际配电网算例分析验证了研究成果的有效性。

基于项目属性分类的协同过滤算法研究

用户对项目的评分数据是传统协同过滤算法进行项目或用户推荐的唯一依据,项目或用户本身的属性特征并未进行过多考虑。为此,在计算项目之间的相似度时融合了项目标签属性,提高了项目推荐的准确率。具体方法是首先通过创建项目属性分类表,得到项目属性之间的差异度,然后将项目属性差异度融入pearson相关系数公式中,计算项目之间的相似度。通过实验验证,改进后的方法比传统的基于项目的协同过滤算法的推荐结果平均偏差小,命中率高,推荐结果更加准确。