兼顾用户话语权的改进加权Slope-One协同过滤推荐

针对协同过滤算法中数据稀疏性导致的推荐结果精确度不高的问题,本文提出一种改进的加权Slope-One算法填充评分矩阵.首先,利用用户的评论次数信息区分用户活跃度,然后,在加权Slope-one算法考虑不同项目之间评分用户数量差异影响的基础上,进一步考虑不同活跃度的用户话语权差异对评分预测的影响,提出了兼顾用户话语权的加权Slope-One算法,最后,基于Movie-Lens和Amazon-Clothes两个不同商品品类的数据集,对4种协同过滤算法进行了不同填充比例和不同最优近邻数情况下的仿真实验.仿真对比发现:在仿真实验确定的最优矩阵填充比例和最优近邻数的情况下,相比加权Slope-One协同过滤、原始协同过滤、基于奇异值分解的协同过滤等推荐算法,引入本文所提出的改进加权Slope-One的协同过滤推荐算法,在数据稀疏度不同的两个数据集上的MAE值都更低,说明本文算法能够有效降低数据稀疏性并达到了提高推荐精确度的目的.

基于slope-one算法改进评分矩阵填充的协同过滤算法研究

为解决协同过滤算法中的数据稀疏性问题,提出了一种改进的协同过滤算法。该算法使用slope-one算法计算出来的评分预测值来填充评分矩阵中的未评分项目,然后在填充后的用户—项目评分矩阵上通过基于用户的协同过滤方法给出推荐。利用slope-one算法计算出来的评分预测值作为回填值,既能降低评分矩阵的稀疏性,也保证了回填值的多样性,从而减少均值、中值等单一填充值造成的推荐误差。在MovieLens-1M数据集上对该改进算法和协同过滤算法及均值中心化处理的算法作五折交叉实验,结果表明,基于评分预测值填充数据后的协同过滤算法有效地缓解了数据稀疏性问题,并且有更好的推荐效果。

基于相似度优化偏差计算的slope-one算法研究

slope-one算法是个性化推荐系统中最简洁的协同过滤推荐算法,常用于评分预测来进行矩阵填充从而降低原始数据的稀疏性。由于传统slope-one算法在计算偏差时考虑了所有评分项目,而将不相关的项目纳入偏差计算反而会降低预测的准确性,文章针对该问题提出一种改进的slope-one算法,先通过项目相似度筛选出待预测评分项目的近邻用户集S,在用户集S上计算项目间的偏差值dev时引入用户相似度,从而有效地提高了评分预测的可靠性。在Movielens-1M数据集上对本文算法和slope-one算法(SO)以及以用户相似度为权重的slope-one算法(BUW-SO)作五折交叉实验,结果表明,改进的算法不仅能减少时间和空间复杂度,还能提高预测的准确性,使推荐系统有更好的推荐效果。

一种过滤dislike因素干扰的隐语义模型推荐算法

针对传统的推荐算法有着数据稀疏性、推荐效果不精确、大规模数据难以处理等问题,提出了一种过滤dislike因素干扰的隐语义模型推荐算法。该算法根据Slope-One算法计算出用户对物品的厌恶程度评分项,然后使用基于隐语义模型的ALS矩阵分解算法对其进行交叉过滤,避免了隐语义模型中包含的用户dislike评分项对其推荐效果的干扰。基于Spark平台,在Movielens数据集进行了相关的实验验证。结果表明,所提出的算法在准确度、精确率方面均优于ALS算法、基于物品的协同过滤方法以及Slope-One算法。

协同过滤推荐算法对比分析与优化应用

协同过滤推荐算法分为基于内存和基于模型的推荐算法,协同过滤推荐算法存在数据稀疏性、可扩展性、冷启动等问题.通过基于用户、基于项目协同过滤推荐算法以及SVD、Slope-One、KNN等基于模型协同过滤推荐算法对比分析.提出加入特征向量维度优化的SVD算法,通过降维改善数据稀疏性问题.利用Hadoop分布式平台改善推荐算法可扩展性问题.基于Movie Lens数据集实验结果表明,引入基于Boolean相似性计算方法的推荐效果更优,引入数量权重和标准差权重的优化Slope-One算法和引入特征向量维度的优化SVD算法推荐效果更优.

基于Slope One的移动终端推荐算法研究

协同过滤推荐(Collaborative Filtering Recommendation)技术已经在信息过滤中变得越来越流行。与传统的基于内容过滤后进行推荐不同,协同过滤分析是基于用户的兴趣,在所有的用户中找到指定用户的相似(兴趣)用户,以此来预测系统对该用户对此信息的喜好程度。Slope One则是一系列应用于协同过滤的算法的统称。这一系列算法的简洁性使得它们的实现简单并且高效,同时它的精确度与其他复杂费时的算法相比也不相上下。