一种基于标签谱聚类的协同过滤推荐算法研究

提出一种基于标签谱聚类的协同过滤推荐算法,该算法利用谱聚类技术得到的用户标签簇对用户分组,在分组内计算用户相似性,使用用户信任度修正之后,完成推荐。实验结果表明,该算法在一定程度上克服数据稀疏性,同时提高推荐结果的精度。

基于改进张量分解模型的个性化推荐算法研究

【目的】在基于张量分解的个性化推荐中,解决因UGC标签冗余、热门标签和资源影响用户个性化兴趣所导致的推荐准确性降低问题。【方法】提出一种改进的基于张量分解模型的个性化推荐算法,引入标签综合共现结合谱聚类的方法,借鉴TF-IDF中IDF的思想提出一种基于共现标签和资源的热门惩罚机制,对基于<用户,标签簇,资源>三元关系的初始张量进行重新定义。【结果】基于Last.fm数据集的仿真实验结果表明,从准确率、召回率和F1值各项指标上,本文提出的算法均有良好表现,综合共现谱聚类的引入使得推荐算法在F1值上平均提升5.91%,基于IDF改进初始张量后的推荐算法在F1值上平均提升1.29%。【局限】未针对其他领域的数据集进行验证,如微博、Delicious等。【结论】基于改进的张量分解模型的个性化推荐算法能够显著提高准确性,有利于社交网络环境下提供更令用户满意的资源。

基于标签簇多构面信任关系的个性化推荐算法研究

【目的】在基于多构面信任关系的个性化推荐中,解决构面难以定义以及传统信任强度计算方法的局限所导致的推荐准确性低的问题。【方法】提出一种基于标签簇的多构面信任关系定义的方法,在标签聚类得到的标签簇基础上,引用TF-IDF思想及Pearson相似度定义簇间和簇内信任关系,构建有利于反映不同构面信任强度的信任张量,并融入基于张量分解模型的个性化推荐算法中。【结果】基于Last.fm数据集的仿真实验表明:从准确率、召回率和F1值各项指标上,本文提出的个性化推荐算法均有良好表现,在F1值上平均提升达2.29%。【局限】仿真实验未针对其他领域的数据集进行进一步验证,如微博、Twitter等。【结论】基于标签簇多构面信任关系的个性化推荐算法通过有效定义并全面、客观地量化用户间信任关系,从而实现推荐准确性的提高,有利于社交网络环境下提供更令用户满意的资源。