融合灰关联分析和信任度的Slope One算法研究

作为一种有效的协同过滤算法,Slope One算法被广泛地应用到一些推荐系统中.但该算法在评分预测时仅根据项目之间的评分偏差以及用户的历史评分信息,未能考虑用户之间的潜在联系,而且数据稀疏性和冷启动问题也会限制算法的推荐性能.因此,为了提高算法的推荐质量,本文采用均衡接近度灰关联方法度量用户关联度,从而有效挖掘用户之间的潜在联系;并引入用户信任模型来缓解冷启动问题对算法的影响,将均衡接近度和信任度作为权重因子加权到评分预测过程.论文研究并提出了一种融合灰关联分析和信任度的Slope One算法,并通过实验验证了算法的有效性.实验结果表明,该算法可以有效地提高算法预测准确度,缓解数据稀疏性和冷启动问题对算法的影响.

融合用户影响力和灰关联分析的Slope One推荐算法

Slope One算法在推荐系统中得到了广泛的应用,但该算法并未考虑用户间的差异性,并且存在数据稀疏、冷启动及灰羊用户等一系列问题.因此,采用均衡接近度灰关联方法计算用户间相似性,有效捕捉用户之间的潜在关联;并引入PageRank算法,利用图结构来建模用户间的信任关系,将计算出的PR值作为体现用户影响力水平的参数;最后将均衡接近度和用户影响力作为权重因子加权到评分预测过程中.实验结果显示,该算法可以有效提高推荐精度,缓解数据稀疏、冷启动和灰羊用户等问题对算法的影响,在数据稀疏、邻域较少的情况下,仍然可以达到较高的推荐准确率和较快的收敛速度.

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。

动态k近邻辅助多权值Slope One算法

为有效解决传统Slope One算法推荐精度低的问题,提出一种动态k近邻辅助多权值Slope One算法。结合k近邻的思想,对相似度计算方法改进,筛选大于相似度阈值的近邻用户集进行平均评分偏差计算,减少大量干扰评分数据带来的影响。使用用户相似度、用户综合信任度和项目相似度作为权值加权到评分预测当中,进一步提升推荐精度。将算法应用于MovieLens数据集,与几种算法进行对比,实验结果表明,改进的算法均优于其它几种算法,有效提高了推荐的质量。

数据缺失下的IFCM-Slope One协同过滤推荐算法

为了提高数据缺失情况下的推荐准确性,保证服务的质量,给用户提供更加准确与实时的个性化信息,文章将直觉模糊C均值聚类(IFCM)和协同过滤推荐算法相结合,构建了IFCM-Slope One协同过滤推荐算法。通过引入直觉模糊C均值聚类对用户进行分类,减小邻居用户的搜索范围,降低计算的复杂度,再利用Slope One对用户喜好矩阵缺失数据进行填补,避免由于数据缺失导致推荐偏差,最后基于协同过滤推荐算法计算相似邻居集,并将相似邻居集中的用户喜好隶属度进行从大到小的排序,形成Top-n项目推荐集,生成用户推荐结果。

基于聚类和Spark框架的加权Slope One算法

针对传统Slope One算法在相似性计算时未考虑项目属性信息和时间因素对项目相似性计算的影响,以及推荐在当前大数据背景下面临的计算复杂度高、处理速度慢的问题,提出了一种基于聚类和Spark框架的加权Slope One算法。首先,将时间权重加入到传统的项目评分相似性计算中,并引入项目属性相似性生成项目综合相似度;然后,结合Canopy-K-means聚类算法生成最近邻居集;最后,利用Spark计算框架对数据进行分区迭代计算,实现该算法的并行化。实验结果表明,基于Spark框架的改进算法与传统Slope One算法、基于用户相似性的加权Slope One算法相比,评分预测准确性更高,较Hadoop平台下的运行效率平均可提高3.5~5倍,更适合应用于大规模数据集的推荐。

一种改进的Slope One协同过滤算法

相对传统的基于用户项目评分的协同过滤算法,Slope One算法简单、高效。但该算法依赖于大量用户对待预测项目的评分,如果对预测项目评分的用户较少,没有考虑用户本身的喜好,将对评分预测的结果有影响。因此,引入描述关键字的语义相似度,利用关键字相似性度量项目间的相似程度,并结合该用户对其他项目的评分,提出一种基于项目语义相似度的改进Slope One算法,并在标准的MovieLens数据集上进行预测实验。实验数据表明,相对于原算法,改进的算法在一定程度上提高了预测的准确性。

融入项目相关性的加权Slope One算法研究

在基于项目的协同过滤推荐算法中,Slope One算法的应用较为广泛。但该算法在对项目相似度计算过程中没有考虑项目类型因素的影响,导致类型不相关的项目参与到相似度计算中而影响推荐效果,而且该算法在数据稀疏的情况下预测准确度不高。针对上述不足,考虑使用项目相关性来考量项目间的关系,提出了融入项目相关性的加权Slope One算法,该算法从项目自身的所属类型和项目的评分数据两方面来综合计算项目间的相似度关系,并在此基础上增加了项目筛选策略,达到了稳定评分差、获取局部较为密集的项目评分矩阵的目的。最后将所提算法应用在MovieLens数据集上与其他相近算法进行对比实验,实验结果显示所提算法在明显提高推荐准确度的同时也有效缓解了数据稀疏问题。

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.

融合项目分类的加权Slope One算法

互联网的迅速发展,将人们带入了信息爆炸的时代,而个性化推荐系统是解决该问题的一种非常有效的方法.研究的Slope One算法是一种基于项目的协同过滤推荐算法,该方法简单、高效、易于实现且具有合理的准确性.然而,该算法在偏差计算时考虑了所有共同评分的项目,在某些情况下,对不相关项目计算偏差可能会降低预测的准确性.为了在计算偏差时过滤掉不相关项目对预测结果的影响,将项目分类和K近邻引入Slope One算法,以期得到更好的准确性.最后,在MovieLens数据集上的实验结果表明,提出的方法在数据稀疏和共同评分项目较少的情况下仍能得到较好的准确性.

融合机器学习的加权Slope One算法

Slope One算法是一种基于内存的协同过滤推荐算法,在计算时,内存消耗过大,尤其当数据集稀疏时,预测结果的准确度不高.基于此,将一种基于模型的算法融合到基于内存的Slope One算法中,提出一种使用机器学习中最小二乘法改进的加权Slope One算法,该算法简单直观且计算高效,可以克服传统基于内存推荐算法的诸多缺点.最后,在Filmtrust和Movielens数据集上的对比实验结果表明,融合偏差因子的加权Slope One算法在这两个稀疏度不同的数据集下,均能获得较高的推荐准确度.

融合巴氏系数的加权Slope One算法

针对用户共同评分很少甚至没有时,传统相似度计算性能较差的问题,以及传统加权slope one算法在进行预测评分时未考虑项目相似度对预测结果的影响,提出一种融合巴氏系数的加权slope one算法(BCWSOA)。该算法主要针对上述两个问题进行改进,一是利用巴氏系数对用户相似度进行改进。首先用皮尔逊相关系数计算用户局部相似度,Jaccard相似性计算用户全局相似度,巴氏系数分析用户相关性,然后将巴氏系数作为权重因子优化用户局部相似度,最后使用参数α组合优化用户局部相似度和用户全局相似度,从而获得融合相似度。参数α用来凸显不同相似度在融合相似度中的权重;二是利用巴氏系数改进预测评分,考虑项目相似度对预测结果的影响,计算项目相似度并将其作为权重改进加权slope one算法预测评分公式。通过在MovieLens100k数据集上的实验表明,相比于其他算法,提出的BCWSOA算法准确度有所提高。

基于评分填充和时间的加权Slope One算法

针对数据稀疏性,常用的评分矩阵填充方法主要是通过平均数、中位数等进行填充,该文提出一种新的评分矩阵填充方法。利用项目-属性矩阵计算用户对项目属性偏好,由于每个项目都有各自属性,从而可以获得用户对项目的偏好值,以用户平均评分为基准,实现对评分矩阵填充。基于填充后的评分矩阵,又考虑到用户兴趣爱好随时间会发生改变,因此引入时间因子,提出一种基于评分矩阵填充和时间因子的加权slope one算法(FTWSOA)。通过时间函数修正评分矩阵,优化的评分数据可以更好地体现用户兴趣爱好随时间变化的情况。在时间加权的评分矩阵下,计算出属性兴趣偏好,在共同评分很少甚至没有时,利用属性兴趣偏好可以较为准确地计算用户相似度。由于在共同很少或者没有时,原始评分矩阵中用户没有交集,而在属性兴趣矩阵下用户会存在交集,因此,使用参数λ将填充矩阵下的用户相似度和属性兴趣偏好矩阵下的用户相似度相结合得到最终的用户相似度,可以缓解在稀疏数据下相似度计算性能差的问题,最后使用加权slope one预测评分时,将时间衰减函数加入到预测公式中来优化预测评分公式。通过在MovieLens100k数据集上的实验表明,相比于其他算法,FTWSOA算法准确度有所提高。

受限玻尔兹曼机与加权Slope One的混合推荐算法研究

针对传统协同过滤算法所面临的稀疏性及预测准确度不高的问题,提出一种基于受限玻尔兹曼机与加权Slope One的混合推荐算法。首先通过受限玻尔兹曼机对评分矩阵的初步填充,缓解数据的稀疏性问题;然后通过一种混合项目相似度计算方法,引入项目属性信息;最后通过加权Slope One算法的二次预测,提升推荐效果。在MovieLens100K数据集上的实验表明,两种算法的结合提高了推荐的准确度。

融合巴氏系数的用户聚类Slope One算法

Slope One算法是一种基于项目的协同过滤推荐算法,该算法简洁高效,计算复杂度低.但是传统的Slope One算法对用户的评分数据进行了一致化的权重对待,没有考虑到用户之间的兴趣差异与各个项目之间的相似性差异,影响了推荐的准确度.基于此,分别在用户和项目两个维度上进行了改进,引入巴氏系数作为项目之间的相似性度量方法,并且在用户维度采用聚类方法消除用户行为习惯差异.最后,实验结果表明,提出的方法保证较低计算复杂度的前提下,在Movie Lens数据集中,MAE和RMSE两个指标上均有较高的推荐准确度.

一种基于局部近邻Slope One协同过滤推荐算法

经典的Slope One算法采用线性回归模型对目标项目进行预测评分,但在项目评分偏差表构建过程中产生了部分噪声数据,影响了算法的推荐性能。为了解决该问题,建立了一种基于局部近邻Slope One协同过滤推荐算法。算法计算了当前活跃用户针对不同推荐商品的近邻用户集,其邻居用户集根据目标项目的不同而动态变化;根据活跃用户关于不同目标项目的邻居用户数据来进一步优化项目之间的平均偏差,进而产生推荐。对比实验说明,该算法在MovieLens数据集上具有较高推荐精度。

资源分配的改进Slope One算法

相对于传统的个性化推荐算法,Slope One简洁高效,而且算法复杂度较低,但是该算法过多的依赖于项目评价数目,目标项目的评分预测是全局相关的,考虑了全部的用户,也就是说并没有明显的针对目标用户,首先根据全局中所有的用户对所有项目与目标项目的评分计算平均差值,目标用户对目标项目的评分利用该差值来预测,那么与目标用户兴趣完全相反的用户也会被计算在内,进而导致预测结果的偏差,针对这一不足,提出一种资源分配的用户相似性度量方法,增加相似用户的权重而改进Slope One算法,然后在标准的Movie Lens数据集上进行试验测试,试验的结果表明改进后的算法在一定程度上提高了预测的精度.

基于SVD++与改进Slope One混合推荐算法研究

协同过滤算法广泛应用于推荐系统中,论文针对传统协同过滤算法中数据稀疏性及推荐准确率不高的问题,提出了一种改进的协同过滤算法。首先通过SVD++算法对用户-项目评分矩阵进行填充,初步缓解数据的稀疏性问题,然后通过计算相似度引入项目属性,最后通过改进Slope One算法对评分矩阵进行二次预测计算,提高推荐算法的准确度。在数据集MovieLens100K数据集上对论文提出的混合推荐算法作五折交叉实验,结果表明混合算法提高了推荐系统的预测准确度。

基于图嵌入的用户加权Slope One算法

针对传统Slope One推荐算法在稀疏数据集上预测准确率较低的问题,提出一种基于图嵌入的加权Slope One算法。本文算法首先以融合时间信息的用户相似度为边权建立用户关联图,对该图进行图嵌入得到用户特征向量,然后基于Canopy聚类对用户进行类内加权Slope One推荐。另外,为优化算法性能,本文算法基于Spark计算框架实现。实验结果表明,对比传统的加权Slope One,本文算法在稀疏数据集和显式、隐式评分数据集上的推荐效果和评分预测准确率都更优。

融合用户模糊聚类和相似度的加权Slope One优化

在数据集稀疏的情况下传统的Slope One算法推荐效果差、精确度低,并且该算法对所有用户一视同仁,没有考虑用户间相似性和差异性的情况;同时,随着数据量越来越大,实时性也逐渐变差。针对以上问题,进行加权Slope One算法优化的研究。首先,利用模糊聚类技术将不同类型用户进行分类,减少最近邻搜索范围,降低计算复杂度;然后,对加权Slope One计算公式进行改进,在计算中引入皮尔逊相关系数加以限定;最后,在每个类簇中利用改进的加权Slope One算法进行用户评分预测,进而产生推荐集。实验表明,本文算法有效提高了推荐精确度,增强了推荐实时性。