基于项目相似度的加权Slope One算法研究

个性化推荐技术为人们处理信息过载问题提供了一种有效的解决方式。Slope One算法是预测评分的推荐算法,通过用户对项目的评分差异来预测评分,再根据预测评分进行推荐。但是,它并未考虑到项目相似度的问题。因此,提出项目相似度的加权Slope One算法,先使用Person相关系数计算出项目相似度,将Person相关系数归一化后与Slope One算法加权结合。最后,在Movielens数据集上进行实验,发现改进后的算法在MAE值上有较好的结果,使推荐更加准确。

融合用户相似度与项目相似度的加权Slope One算法

个性化推荐技术为人们处理信息过载问题提供了一种有效的解决方式.协同过滤是推荐技术常用的算法之一,本文研究的Slope One算法就是一种基于项目的协同过滤推荐算法,但是,它并未考虑到用户相似度及项目相似度的问题.因此,本文提出5种新的融合用户相似度与项目相似度的加权Slope One算法,即分别使用信任因子和Jaccard方法找出具有影响力的用户,使用Pearson方法找出当前项目的相似项目.最后,在Epinions和Movielens数据集上的对比实验结果表明,融合Jaccard和Pearson的混合算法在数据集稀疏以及邻居数目较少的情况下,仍能获得较高的推荐准确度.

结合项目相似度的协同过滤算法

传统的协同过滤算法因为数据集稀疏性的增加而导致推荐准确性降低。针对该问题提出一种结合项目相似度的协同过滤推荐算法。首先计算项目之间的相似度,然后根据项目之间相似度,预测用户未评分项目评分估值,以减小目标用户与候选最近邻居所形成的数据集稀疏性,最后根据用户相似度获得项目推荐集。实验结果表明,该算法能提高寻找最近邻居的准确性,从而改善协同过滤的推荐质量。

基于多层次项目相似度的协同过滤推荐算法

针对传统的基于项目的协同过滤推荐算法中项目相似度的计算上存在的缺陷,提出一种基于多层次项目相似度的协同过滤推荐(MLCF)算法。利用多维度启发式方法分析用户行为记录,从共同用户集、用户活跃度、项目得分时效和项目得分4个方面综合分析项目之间的相似程度,并在此基础上,设计多层次项目相似度计算方法。实验结果表明,基于多层次项目相似度的推荐算法相对于传统的基于项目的协同过滤推荐算法具有较高的推荐准确率、召回率和较低的平均绝对误差值。

项目相似度与ALS结合的推荐算法研究

协同过滤算法是当今推荐系统普遍使用的一种推荐算法。面对单机模型已逐渐承受不了大数据给推荐系统带来的负荷问题,提出基于Spark平台的一种项目相似度与ALS相结合的协同过滤推荐算法。它基于Spark分布式并行计算框架,可提高预测计算效率,减少系统响应时间。同时使用"基于项目相似度的协同过滤"与"交替最小二乘的协同过滤(ALS)"相结合的一种混合推荐方法,可提高系统推荐精度。通过在MovieLens数据集上的实验结果表明,该算法在算法融合与推荐精度上有着很好的效果。

基于项目综合相似度的协同过滤算法

提出了一种基于项目综合相似度的协同过滤算法。综合相似度是项目相似度和类别相似度进行加权,加权方式是从热能学中协同计算燃烧传热量的高温辐射换热综合发射率ε公式比拟得出,两者均是计算综合系数,在计算综合系数中可以通用。实验结果表明,在推荐不同的前N个项目的实验中,用新方法得到的准确率高于传统方法;在固定推荐数目改变最近邻的实验中,用新方法得到的准确率高于传统方法,因此可以得出结论:基于项目综合相似度的协同过滤算法可以提高计算准确性,提高推荐质量。

基于神经网络的软件项目案例相似度算法

为提高软件项目案例相似度算法的精确度,在分析传统的基于匹配函数的相似度算法基础上,结合软件项目案例的特点,建立了基于神经网络的软件项目案例相似度算法模型,通过对已完成项目案例学习,模型自动计算案例各个特征之间的权重,解决了人为给定特征权值的主观性,使软件项目案例相似度的更加准确,为软件项目相似案例搜索提供依据。

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.

考虑物品相似权重的用户相似度计算方法

传统的用户相似度计算方法中每个项目的权重是相同的,然而分析传统推荐算法和现实情形,用户间共同高评分项目的权重应该高于用户间共同低评分项目的权重,并且传统用户相似度计算方法没有考虑项目间的类群关系。针对上述问题,提出了一种给项目加权的方法,从而得到考虑项目相似权重的用户相似度计算方法。通过在Movie Lens数据集上进行实验,与基于传统用户相似度计算方法的协同过滤算法比较,实验结果表明,考虑了项目相似度权重的协同过滤算法能显著提高评分预测的准确性和推荐系统的质量。

个性化推荐系统中相似度计算的优化

个性化推荐系统能够比较有效的解决我们获取信息时遇到的信息过载问题,发展至今产生了许多经典的推荐算法,其中最成熟应用最为广泛的是协同过滤算法。相似度的准确计算在协同过滤算法中起到了非常重要的作用,为了进一步提高推荐系统的推荐准确率,本文对相似度计算方法进行了研究。通过项目相似度和评分差异性对计算结果影响的大小,计算时给予不同的权重,并在Movie Lens上对推荐结果进行预测,试验结果显示,MAE值降低了2.5%,优化后的相似度计算方法可以提高个性化推荐系统的推荐准确率。

基于项目属性相似的加权Slope One算法

本文提出了一种基于项目属性相似度的加权Slope One算法,该算法利用了用户相似性,项目相似性和项目属性的优势,对原加权Slope One算法进行了改进。

一种考虑双重相似度的协同过滤推荐算法

协同过滤算法为推荐系统提供了一种方法,但传统的协同过滤方法推荐精度低.提出一种考虑用户评分相似性的协同过滤算法,通过在皮尔逊相关系数中加入项目数量相似度和用户评分相似度两个因素来计算用户间的相似度,以产生更合理的邻居用户,提高推荐精度,完成对用户的推荐,同时邻居用户的选取采用动态阈值设定方法.实验结果表明,所提出的算法相比传统方法选择出的邻居更为精确,推荐质量更高.

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。

一种改进的基于项目语义的推荐算法

针对传统的基于项目语义的推荐算法计算项目相似度不够精确的情况,提出了一种改进的基于项目语义的推荐方法,通过挖掘数据集,提取内容特征,利用概率统计模型,构建物品的特征向量,精确地计算了项目之间的相似度,并且与基于项目语义的推荐算法的推荐结果相结合,不但比一般的基于项目评分的协同过滤推荐算法以及基于项目语义的推荐算法的推荐效果提高不少,而且在评分用户数量较少的情况下,进一步提高推荐精度.

一种融合项目信息与信任机制的协同过滤算法

针对现有方法未能考虑用户社会地位和信任对象的差异及用户相似性在面对不同项目时不能自适应变化的问题,提出一种融合项目信息与信任机制的协同过滤算法CF-PIC。首先,将项目按照所属领域进行划分,综合考虑用户在不同领域内的全局信任度和局部信任度,构建特定领域的信任网络;然后,将项目间相似性融入Pearson相关系数,计算用户面对不同项目时的偏好程度,以更加精确地捕获其近邻信息;最后,对目标用户进行TOP-N推荐。在真实数据集Epinions上的大量实验表明,该算法的推荐性能相较于经典的协同过滤算法和融入单一信息的算法有了大幅提高。

融合项目图像的混合推荐算法

针对传统协同过滤推荐算法存在的数据稀疏问题,提出融合项目图像和项目评分的混合推荐算法。基于卷积神经网络提取的图像特征值计算项目图像之间的相似度,并与评分相似度动态加权后对项目进行推荐。在MovieLens数据集上进行的实验结果表明,改进算法有效解决了传统协同过滤算法存在数据稀疏的问题。

一种结合评分重合度的协同推荐算法

协同推荐是信息个性化服务中广泛应用的推荐算法,协同推荐算法以宿主系统所观测到的用户评分作为实现推荐的数据依据。用户评分矩阵的稀疏性问题对协同推荐的各工作过程可产生直接或间接的影响,导致推荐服务的准确性下降。通过对稀疏性问题影响推荐系统方式的分析发现,一般协同推荐方法的项目相似度计算只注重项目在评分数值上的相关性,而忽视了项目之间评分的重合度对提高推荐质量所起的重要作用。通过将评分重合度融入到相似度计算中,提出了一种结合评分重合度的改进协同推荐算法,并在稀疏评分环境下将其与已有协同推荐算法进行了对比实验与分析,实验结果验证了所提算法在提高预测准确性上的有效性。

基于协同过滤和网络结构的个性化推荐算法

综合了经典的协同过滤算法和基于网络结构的个性化推荐算法。项目同其他所有项目的相似度之和被认为是项目在个性化推荐系统中的初始推荐资源,然后通过二部图的网络结构将这种资源进行重新分配。同时考虑两个项目之间的相互作用关系,提出了最终的推荐算法。最后,根据用户未曾收集项目最终所获得的资源进行排序,向用户推荐资源最多的项目。通过考察项目之间相互作用可以发现,推荐系统的算法衡量指标不能同时达到最优。同时为了进一步增强算法的可扩展性,引入了一个度指数来调节算法,这样在实际应用中就可以根据需要,通过调整项目之间的相互作用以及项目自身的度指数,达到最好的用户体验和系统多样性。

在推荐系统中利用时间因素的方法

针对传统推荐算法忽略时间因素的问题,根据个体用户短期行为的相似性,利用时间衰减函数计算项目间相关关系,提出基于用户兴趣的项目关联度;将其用于项目相似度的计算,提出基于用户兴趣的项目相似度;同时基于项目关联度对ItemRank算法进行改进,提出一种结合时间因素的TItemRank算法。实验结果表明,利用项目关联度对推荐算法进行改进时,在推荐项目数较少的情况下能够明显地改善推荐效果。特别地,在推荐项目数为20时,基于用户兴趣的项目相似度相比余弦相似度和Jaccard相似度,推荐准确率分别提高了21.9%、6.7%;在推荐项目数为5时,TItemRank算法相比ItemRank算法推荐准确率提高2.9%。

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。