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.

结合类别偏好信息的item-based协同过滤算法

传统的基于项目的协同过滤算法离线计算项目相似性,提高了在线推荐速度,但该算法仍然不能解决数据稀疏性所带来的问题,计算出的项目相似性准确度较差,影响了推荐质量。针对这一问题,提出了一种结合类别偏好信息的协同过滤算法。定义了类别偏好相似性,采用类别偏好相似性方法为目标项目找出一组类别偏好相似的候选邻居,在候选邻居中搜寻最近邻,排除了与目标项目共同评分较少项目的干扰,从整体上提高了最近邻搜寻的准确性。在Movie Lens数据集上进行了实验,实验结果表明,新算法的推荐质量较传统的基于项目的协同过滤算法有显著提高。

一种改进的Item-based协同过滤推荐算法

分析了协同过滤推荐系统中存在的用户多兴趣和项目多内容问题,提出了一种基于项的协同过滤改进算法,算法综合考虑了项目自身属性和用户评价的影响.试验表明该算法有效的解决了用户的多兴趣和项目的多内容问题,并且在用户评分数据比较稀疏的情况下也能有较好的推荐精度.

基于属性相似性的Item-based协同过滤算法

通过分析传统Item-based协同过滤推荐中的稀疏性问题以及新项目的冷开始问题,提出了一个基于属性相似性的Item-based协同过滤算法。该算法利用项目属性的相似性来修正原始相似性计算,综合考虑项目属性和用户评价对推荐的影响,改进了传统相似性度量方法在评价数据稀疏和新项目推荐中测量结果不够准确的问题。

感知用户的Item-based协同过滤算法

传统的Item-based协同过滤算法中,项目相似度与目标用户是无关的,这可能导致计算出来的项目相似度,对于目标用户来说是不准确的.针对这个缺陷,提出了一种感知用户的Item-based协同过滤算法.该算法综合考虑到目标用户对项目相似度的影响,为不同的用户建立了不同的目标相似度.采用MovieLens数据集作为测试数据,平均绝对误差作为评价指标,实验结果表明,该算法可以有效地提高准确率.

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.

感知用户年龄的Item-based协同过滤推荐算法

随着大数据时代的到来,推荐系统为人们寻找自己感兴趣的物品或事件提供了捷径。协同过滤推荐算法分为User-based协同过滤算法和Item-based协同过滤推荐算法。传统Item-based协同过滤推荐算法只关注Item间的相似度,与目标用户特征无关,因此传统算法相似度不能有效反映Item间的相似程度,推荐准确率低。并且传统Item-based协同过滤算法需要基于所有用户的历史行为数据进行计算,随着数据量的快速增长计算量不断增大,推荐时效性差。针对以上问题,提出了一种感知用户年龄的Item-based协同过滤推荐算法,基于用户年龄特征对用户进行分类,在类内采用加权相似度对Item间的相似度进行计算,并且在Spark分布式计算平台上运行测试。实验结果显示,该算法不仅保证了推荐准确率,而且大幅度提高了推荐效率,提升了推荐系统的实时性。

一种改进的基于物质扩散理论的Item-based协同过滤算法

推荐系统和其使用的推荐算法是电子商务系统中最重要的技术之一。推荐算法的准确性是评价算法优劣的一个重要指标。为了设计准确性较高的推荐算法,提出了一种基于物质扩散理论的协同过滤推荐算法(MD-ICF)。实验数据分析表明,这种改进后的算法在排序得分上比传统的ICF(iterative case filtering)算法有14%的提高,证明该算法是有效和实用的。

基于组合加权评分的Item-based协同过滤算法

针对Item-based协同过滤算法中用户评分数据稀疏性严重影响推荐质量的问题,提出一种基于组合加权评分的Item-based协同过滤算法,以用户评分项并集作为用户相似性计算基础,并提出一种组合加权评分方法来对并集中的未评分项进行计算和填补,从而降低了数据稀疏性。实验结果表明该算法能有效提高推荐质量。

一种基于Web日志的Item-Based协同过滤算法改进

在目前众多的电子商务推荐方法中,协同过滤的研究和应用最为广泛。但由于其自身存在的一些诸如数据稀疏性与缺少个性化等问题,导致推荐的准确度与效率不高。而且User-Based协同过滤算法存在用户规模过大、不易寻找最近邻的问题。因此,引入了Web日志挖掘方法,并利用Item-Based等相关技术,以提高推荐准确度。

自适应用户的Item-based协同过滤推荐算法

传统Item-based协同过滤算法计算两个条目间相似性时,将每个评分视为同等重要,忽略了共评用户(对两个条目共同评分的用户)与目标用户间的相似性对条目间相似性的影响。针对此问题,提出了一种自适应用户的Item-based协同过滤算法。该算法将共评用户与目标用户的相似性作为共评用户评分重要性的权重,以实现针对不同的目标用户,为目标条目选择不同的、适合目标用户的最近邻居集,从而提高推荐准确性。实验结果表明,提出的算法可以显著提高推荐系统的推荐质量。

基于Item-Based协同过滤农业高校图书个性化推荐算法研究——以河北农业大学为例

针对高校用户对图书的个性化需求,运用用户对图书的评分,构建了基于Hadoop和Mahout的图书推荐系统。通过Hadoop中分布式文件系统(HDFS)和Map/Reduce计算模型的应用,发现当Hadoop中节点数不断增加时,计算时间不断减少,实时响应效率得到了提高;通过对Mahout中传统的Item-Based聚类协同过滤推荐算法进行改进,利用MAE值对传统和改进后的协同过滤算法进行比较,发现图书推荐的精度进一步提高。总体来说,推荐系统改善了传统单机运行内存严重不足和推荐结果不精确的问题。

算法偏见背后的数据选择、信息过滤与协同治理

算法驱动的人类智能系统与人工智能系统交互中,数据选择与信息过滤是不容忽视的关键环节,一方面与算法运行的不透明性有关,另一方面也受到人机协同的信息过滤影响。算法偏见已经造成了现实生活中信息圈层之间的分化,并可能延续甚至加剧社会发展多个方面的失衡。因此,有必要审慎地看待算法偏见的影响要素,透视技术本身及其应用过程中的潜在风险和问题,从而为应对人工智能嵌入社会系统过程中所带来的阶段性偏见提供思路。

基于SE模块的神经协同过滤

基于传统推荐方法对辅助信息利用不足,为优化用户、项目间内在联系挖掘有限等问题,采用将Squeeze-and-Excitation Networks结构嵌入神经协同过滤的方法提出SE-NCF模型,利用SE模块学习权重,去除不同特征中权重较低的噪声来实现特征融合,通过神经协同过滤层获得用户-项目间的线性与非线性关系,实现模型优化。通过茶评与Amazon_Food两公开数据集对同类推荐方法进行实验,实验结果表明,相比于原神经协同过滤,SE-NCF模型在两数据集中MSE指标与NDCG指标均得到改善,在茶评数据集下MSE降低10%,NDCG提升5.1%;在Amazon_Food下MSE降低4.3%,NDCG提升9.3%。

结合矩阵补全的宽度协同过滤推荐算法

协同过滤是推荐系统中最经典的方法之一,能够满足人们对个性化推荐任务的需求,但许多协同过滤算法在面对评分数据稀疏性问题时推荐效果不佳。为解决此问题,提出一种结合矩阵补全的宽度协同过滤推荐算法。先使用矩阵补全技术对用户项目评分矩阵进行补全,再利用补全后的矩阵对已评分的用户和项目分别寻找其近邻项,进而构造用户与项目的评分协同向量,最后使用宽度学习系统来构建用户项目与评分之间的复杂的非线性关系。在MovieLens和filmtrust数据集上对所提出算法的有效性进行检验。试验结果表明,与当前最先进的方法相比,该方法能够有效地缓解数据稀疏性问题,具有较低的计算复杂度,在一定程度上提升了推荐系统的性能。

考虑数据稀疏性的图书推荐协同过滤算法仿真

图书推荐算法易忽略数据稀疏性问题,导致推荐结果与用户感兴趣内容之间存在较大的偏差。在考虑数据稀疏性的基础上提出一种图书推荐协同过滤算法,对数据预处理,通过对用户和用户之间综合信任度分析,利用分布估计算法对用户兴趣建模;构建用户兴趣簇类集,划分用户兴趣,从中选择出与检索对象最接近的邻居;计算邻近项目得分,按照从大到小的顺序排列,排名靠前的资源项即为图书推荐结果。实验结果表明,所提方法在推荐500本图书时,用时在12s内,且降低了平均绝对误差和均方根误差,实现了最精准的图书推荐。

面向稀疏数据的协同过滤算法相似度

针对数据稀疏加剧导致传统相似度模型的推荐准确性低的问题,提出一种混合的协同过滤相似度模型。引入Jensen-Shannon(JS)散度作为基函数,利用全局评级概率分布衡量用户间评级偏好相似度。定义融合评级值的结构型相似度作为权重因子,针对用户的共同评级项目设计差异化的相似度计算方式,提高相似用户的区分度,得到基于相对区间跨度的相似度。在不同稀疏度数据集上与7种具有代表性的相似度方法进行对比实验,其结果表明了所提方法在预测和推荐准确性指标上均有良好性能。

基于大数据和协同过滤技术的个性化教学平台的研究应用

协同过滤技术属于推荐算法,能够实现对不同用户资源的个性化推荐。我国在推进教学改革过程中,强调教学资源共享和个性化推荐,实现教学平台打造。本文将大数据技术、协同过滤技术,应用到个性化教学平台建设中,阐述系统基本功能、架构,使用个性推荐算法,实现个性化资源的推广和应用。该平台既可实现资源的共享,又能展示个性化资源,以满足实践教学的基本需求,改善教学资源不平衡的情况。研究结果表明,该平台功能强大、性能良好,可基于用户推荐不同资源,辅助开展个性化教学活动。

融合协同过滤的神经Bandits推荐算法

针对数据稀疏性和“冷启动”对协同过滤的限制以及现有的协同多臂老虎机算法不适用于非线性奖励函数的问题,提出一种融合协同过滤的神经Ba ndits推荐算法COEENet.首先,采用双神经网络结构学习预期奖励及潜在增益;其次,考虑邻居协同作用;最后,构造决策器进行最终决策.实验结果表明,该方法在累积遗憾上优于4种基线算法,推荐效果较好.

协同过滤算法在微信推荐小程序的应用

为了使客户能够方便、快速从大量数据中获取有效信息,本文对微信小程序采用Mvc的开发模式,并以Node.js技术进行设计,其总体架构主要包括交互层、数据访问层、控制层和数据库层。采用基于用户的协同过滤推荐算法和基于特征的协同过滤推荐算法结合的方式进行商品的推荐。对于基于用户的算法,采用IG特征选择算法进行商品特征的选取,再采用改进的Pearson相关系数进行相似性计算,获取推荐商品。对于基于特征的算法,采用改进的余弦相似性进行用户相似度的计算,根据相似性用户推荐商品。将推荐商品按照比例结合,最终进行商品的推荐。为了验证该微信小程序的性能,对其进行微信推荐小程序运行测试和商品推荐测试。试验结果表明微信小程序的各移动端均可正常运行,各项功能可进行操作,且向用户推荐的有效信息符合设计要求。