基于项目类别相似性的协同过滤推荐算法

随着电子商务站点用户和商品项数量的不断增长,用户评分数据稀疏性问题成为基于项目的协同过滤推荐算法的瓶颈;文章提出了项目类别相似性的计算方法,并将项目类别相似性与传统的项目评分相似性进行加权组合,得到项目综合相似性,从而在提高最近邻居项目搜寻准确度的同时也缓解了数据稀疏性问题;实验结果表明,该算法能有效提高推荐质量。

融合项目标签相似性的协同过滤推荐算法

针对传统推荐算法在相似性计算和评分预测方法中存在预测精度和稳定性的不足,为进一步提高算法精确度和稳定性,提出一种新的推荐算法。首先,依据各项目的重要标签的数量,计算出项目间M2相似性,依据该相似性构成该项目的邻近项目集;然后,参考Slope One加权算法思想,定义了新的评分预测方法;最后,使用该评分方法基于邻近项目集对用户评分进行预测。为了验证该算法的准确性和稳定性,在Movie Lens数据集上与基于曼哈顿距离的K-最近邻(KNN)算法等传统推荐算法进行了对比,实验结果表明该算法与KNN算法相比平均绝对误差下降7.6%,均方根误差下降7.1%,并且在稳定性方面也更好,能更准确地为用户提供个性化推荐。

一种基于用户兴趣局部相似性的推荐算法

协作过滤算法作为至今最成功的个性化推荐技术之一,被广泛应用于电子商务、个性化节目推荐等系统中。但传统的基于协作过滤的推荐系统一直受到系统的稀疏性、推荐精确度低等问题的困扰。提出了一种基于用户兴趣局部相似性的改进的协作推荐算法(CFUPS),针对协作过滤算法中用户近邻的计算和项目评分的预测两关键步骤,基于用户间潜在的局部相似的兴趣,并结合项目资源属性和项目评分矩阵来预测项目评分,进而给用户推荐感兴趣的个性化资源,理论上在提高推荐精度、克服稀疏性问题上均有改善。同时实验表明,在极具稀疏性的数据集上,该算法的推荐精度较以往的协作过滤算法有明显提高。

PEV:一种新的用于Item-Based协同过滤算法的相似性度量方法

在Item-Based协同过滤算法中,项目之间相似性的度量是整个算法的关键.通过分析传统的相似性度量方法在系统评分数据稀疏的情况下所存在的弊端,提出一种新的用于Item-Based协同过滤算法的相似性度量方法,该方法从邻近度、影响力、有用性三个方面综合考虑了用户评分对项目相似性的影响.实验结果表明,该方法能够有效地避免传统相似性度量方法所存在的问题,使得数据稀疏性对最终推荐结果的负面影响变小,在一定程度上提高系统的推荐精度.

基于项目评分预测的协同过滤推荐算法

推荐系统是电子商务系统中最重要的技术之一.随着电子商务系统用户数目和商品数目的日益增加,在整个商品空间上用户评分数据极端稀疏,传统的相似性度量方法均存在各自的弊端,导致推荐系统的推荐质量急剧下降.针对用户评分数据极端稀疏情况下传统相似性度量方法的不足,提出了一种基于项目评分预测的协同过滤推荐算法,根据项目之间的相似性初步预测用户对未评分项目的评分,在此基础上,采用一种新颖的相似性度量方法计算目标用户的最近邻居.实验结果表明,该算法可以有效地解决用户评分数据极端稀疏情况下 传统相似性度量方法存在的问题,显著地提高推荐系统的推荐质量.

基于项目类别和兴趣度的协同过滤推荐算法

用户评分数据极端稀疏情况下,传统相似性度量方法存在弊端,导致推荐系统的推荐质量急剧下降.针对上述问题,提出一种基于项目类别和兴趣度的协同过滤推荐算法.在该算法中,首先通过计算项目之间的类别距离,构造项目类别相似性矩阵;然后采用兴趣度分析不同项目之间的相关程度;最后结合项目类别信息和项目间的兴趣度,使用改进的条件概率方法作为衡量项目间相似性的标准.实验结果表明,该算法可以有效缓解用户评分数据稀疏带来的不良影响,提高预测准确率和推荐质量.

结合项目分类和云模型的协同过滤推荐算法

为了解决用户评分数据稀疏性问题和传统相似性计算方法因严格匹配对象属性而产生的弊端,结合项目分类和云模型提出了一种改进的协同过滤推荐算法。首先,按项目分类得到类别矩阵;然后利用云模型计算类内项目间的相似度并获取具有最高相似度的邻居项目的评分,为类内未评分项目进行预测填充;再利用云模型计算类内用户间的相似度得到用户邻居,最后给出最终的预测评分并产生推荐。实验结果表明,该算法不仅有效地解决了数据稀疏性及传统相似性方法存在的弊端,还提高了用户兴趣及最近邻寻找的准确性;同时,该算法只需计算新增用户或项目所在的类别即可,大大增强了系统的可扩展性。

集成项目类别与语境信息的协同过滤推荐算法

为改进基于项目的协同过滤推荐算法的推荐效果,在项目相似性计算时引入项目类别因素的影响,得出新的推荐算法,即基于项目类别的修正条件概率相似性,并在此基础上提出集成语境信息的多维推荐模型。通过与相关相似性、余弦相似性和修正余弦相似性的数值实验对比,证明在数据比较稀疏的情况下,改进算法所获得的推荐效果有较大提高。

基于云模型的项目评分预测推荐算法

针对用户评分数据的极端稀疏性和传统计算项目相似性方法存在的弊端,提出一种基于云模型的推荐算法,利用云模型计算项目间的相似度来预测用户对未评分项目的评分,再通过云模型计算用户间的相似度,得到目标用户的最近邻居。实验结果表明,该算法不仅能有效解决用户评分数据的稀疏性问题,还能提高推荐系统的推荐质量。

基于内容预测和项目评分的协同过滤推荐

文中提出了一种基于内容预测和项目评分的协同过滤推荐算法 ,根据基于内容的推荐计算出用户对未评分项目的评分 ,在此基础上采用一种基于项目的协同过滤推荐算法计算项目的相似性 ,随后作出预测。实验结果表明 ,该算法可以有效解决用户评分数据极端稀疏的情况 ,同时运用基于项目的相似性度量方法改善了推荐的精确性 ,显著提高推荐系统的推荐质量。

结合项目类别和动态时间加权的协同过滤算法

基于项目的协同过滤算法仅通过计算项目相似性产生推荐结果,忽略了项目类别信息对项目相似性的影响,且未考虑时间因素对推荐结果产生的影响。针对上述问题,引入项目类别相似性、用户兴趣度时间加权函数和项目流行度时间加权函数,提出结合项目类别相似性和动态时间加权的协同过滤推荐算法,包括将项目类别相似性引入到传统项目相似性计算中。分析用户兴趣度和项目受欢迎程度随时间动态变化对推荐结果产生的影响,构造基于时间的用户兴趣度加权函数和基于时间的项目流行度加权函数。实验结果表明,该算法的项目类别特征能够进一步提高项目相似性的精度,动态时间加权函数能够及时反映用户兴趣度和项目受欢迎程度的变化,提高推荐的准确度。

协同过滤算法中新项目推荐方法的研究

为了有效地解决协同过滤算法中新项目难以推荐的问题,文中提出了一种对项目矩阵进行划分的方法。其基本思想是,首先利用分类树算法划分项目矩阵并计算项目间的相似度,在此基础上缩小近邻搜索的范围和需要预测的资源数目。通过用户对已有项目的评分排列顺序和项目间相似性预测用户对新项目的评分。实验结果表明:基于项目矩阵划分的协同过滤算法有效地解决新项目推荐困难的问题,显示出了比传统推荐算法更好的推荐质量和扩展性。

综合项目评分和属性的个性化推荐算法

针对传统协同过滤算法存在的数据稀疏性和冷启动问题,提出了一种综合项目评分和属性的个性化推荐算法.该算法在衡量项目相似性时,同时考虑用户评分和项目属性特征,并根据评分数据的实际稀疏情况动态调整两者的影响权重;预测评分时,利用用户对项目属性的偏好度来衡量其对未评分邻居项的喜好程度,并产生最终推荐.基于MovieLens数据集进行的实验结果表明,该算法使得最近邻的确定更加准确,系统推荐质量明显改善.

基于项目内容和评分的时间加权协作过滤算法

文中围绕传统的协作过滤推荐算法存在的局限性展开研究,提出了一种基于内容和评分的时间加权协作过滤算法。首先,计算用户已评分项目的时间权重,在此基础上,分别计算项目间基于内容和基于评分的时间加权相似度的值;然后,将二者相结合,计算用户间的相似度,形成兴趣更加接近的邻居集,进而进行高质量的推荐。实验结果表明,该算法不仅提高了推荐精度,降低了数据的稀疏性,而且算法的扩展性也得到了有效改善。

基于项目兴趣度的协同过滤新算法

针对评分数据稀疏和单一评分相似性计算不准确导致推荐质量不高的问题,提出一种基于项目兴趣度的协同过滤新算法。该算法先预测未评分项的值,在此基础上基于项目的分类、评分值及次数引入项目—项目类别兴趣度特征向量计算同组项目的相似性,提高了项目间相似性计算的准确度和推荐质量,避免了大量无用计算,提高了算法的效率。实验结果表明,该算法对目标项目预测评分的准确性、推荐质量及效率更高。

基于支持向量机回归的协同过滤相似度优化方法

在基于属性相似性的协同过滤算法中,项目属性之间相似性的度量是整个算法的关键。现有算法在计算项目属性相似度时忽略了项目属性之间的非线性关系,导致相似性度量不准确,无法保证项目推荐精度。针对这一问题,本文提出一种基于支持向量机回归的协同过滤相似度优化方法,该方法利用支持向量机回归算法来构建项目属性相似度模型,解决项目属性的非线性关联问题,改善项目属性相似度计算。实验结果表明,优化方法计算出的项目相似性更准确,显著提高了系统的推荐质量。

面向场景的协同过滤推荐算法

推荐系统是电子商务系统中最重要的技术之一。用户相似性度量方法是影响推荐算法准确率高低的关键因素,针对传统相似性度量方法存在的不足,利用云模型在定性知识表示以及定性、定量知识转换时的桥梁作用,提出一种在知识层面比较用户相似度的方法,克服了传统基于向量的相似度比较方法严格匹配对象属性的不足。进而以该方法为核心,提出一种面向场景的协同过滤推荐算法,该算法能够充分利用项目的分类信息,避免了传统算法把用户的整体打分作为单个向量的弊端。实验结果表明,算法可以在用户评分数据极端稀疏的情况下,仍能取得较高的推荐质量。

基于联合聚类平滑的协同过滤算法

协同过滤是电子商务推荐系统中被广泛采用的技术,但还存在诸如稀疏性、冷启动、可扩展性等制约其进一步发展的瓶颈问题.针对上述问题,提出一种基于联合聚类平滑的协同过滤推荐算法.在该算法中,首先对原始矩阵中的评分模式进行用户和项目2个维度的联合聚类;然后采用联合聚类平滑的方法预测用户对未评分项目的评分值,分别从用户聚类簇、项目聚类簇和联合聚类簇多方面对评分矩阵空缺项进行平滑填充;最后结合基于项目的协同过滤算法查找项目最近邻并进行推荐.实验结果表明,该算法可以有效缓解用户评分数据稀疏带来的不良影响,一定程度上解决冷启动问题,提高预测准确率和推荐质量.

协同过滤推荐算法

针对目前协同过滤推荐精度受损,且出现冷启动的问题,提出一种经过改进的协同过滤推荐算法。其主要思想是针对两种不同情况的目标项目采用不同的相似性计算方法。一种项目为新项目,分别通过信息熵法和项目属性相似性计算项目评分,然后通过平衡因子实现新项目评分的组合;另一种项目为非新项目,通过权重因子动态组合项目的属性相似性和评分相似性,获得最近邻居的评分推荐。实验结果表明,该算法能提高推荐算法的稳定性和精确度,同时解决冷启动问题。

一种优化的Item-based协同过滤推荐算法

针对传统的Item-based协同过滤推荐算法在推荐系统应用中存在的不足,提出一种优化的Item-based协同过滤推荐算法.从项目相似性计算,项目近邻选取和预测评分计算三个方面对算法进行了优化,使计算结果更具有实际意义和准确性.实验结果表明,提出的算法可解决传统方法中由于数据稀疏所导致的相似性度量不准确的问题,并显著地提高了算法的推荐精度.