一种相似度改进的用户聚类协同过滤推荐算法

协同过滤算法是推荐系统中使用最普遍的个性化推荐技术.该算法基于用户评分相似度,易于实现,但是仍存在不少问题—用户评分矩阵稀疏性问题、推荐准确性问题和推荐时间效率问题.本文针对传统协同过滤算法的诸多问题,引入聚类技术,提出相似可信度、用户对项目类别喜爱度、用户对项目类别关注度三个概念,并以此来优化相似度计算,使得相似度计算更具有实际意义和准确性.然后提出基于相似度的聚类方法,将用户聚类,推荐是仅考虑同一类别中用户.实验表明,本文提出的优化方法能显著提高推荐效率.

结合概率矩阵分解的混合型推荐算法

针对社交网络推荐系统中存在的数据稀疏、冷启动等问题,提出了一种结合特征传递和概率矩阵分解(TPMF)的社交网络混合型推荐算法。以概率矩阵因式分解(PMF)方法作为推荐框架,不仅考虑了用户信任网络,还结合推荐项目之间的关联关系、用户项目评分矩阵和自适应权重来权衡个人潜在特征和社交潜在特征对用户的影响程度。将社交网络中用户间的信任特征传递引入推荐系统中作为推荐的有效依据。实验结果表明,与基于用户的协同过滤(UBCF)、TidalTrust、PMF和SoRec算法相比,TPMF的平均绝对误差(MAE)直接相减后降低了4.1%到20.8%,均方根误差(RMSE)降低了3.3%到18.5%。在冷启动问题中,与上述四种算法相比,TPMF的平均绝对误差相减后降低了1.6%到14.7%,均方根误差降低了约1.2%到9.7%,能有效缓解冷启动问题,提高算法的鲁棒性。

基于标签的商务女装推荐模型研究

商务女装是女性的日常着装之一,很多女性在网购商务女装时常常花了很长的搜索时间却找不到令人满意的服装。本文将根据用户在搜索过程中常用的关键词类别进行调研,得到用户在网购时常用的关键词排序后,再根据关键词的内容进行细分,构建标签体系。根据TF-IDF和余弦相似算法构建基于标签的推荐系统,从而提高用户在购买商务女装时的精确度。