基于多模网络模型的个性化信息推荐算法及应用

为了获得更高的信息推荐效率和更精确的推荐结果,结合k-means聚类法设计了信息推荐算法。以网络信息资源的属性及整体变化的相似度判断为基础进行信息检索,通过用户对资源的偏好程度构建多模网络模型,采用k-means聚类法建立最近邻用户集,以综合特征值为聚类起点对推荐的信息资源进行排序,从而实现信息资源的推荐。将该算法应用到就业信息推荐平台中,结果表明所提出的算法达到了较高的性能指标,对于各种创业、就业网络平台具有很强的实用性。

用户属性加权活跃近邻的协同过滤算法

针对现有的基于KNN近邻协同过滤技术,在选择最近邻居时过于依赖评分相似度的问题,提出了一种用户属性加权活跃近邻的协同过滤算法。首先,通过引入用户特征属性并融合最小权重相似度,根据所得的最终相似度生成目标用户的KNN近邻集。然后,从对目标项目已有反馈信息的用户中生成目标项目的活跃用户子群体,并筛选出KNN近邻集中的活跃用户子群体作为目标用户的活跃近邻集,最终产生评分预测。在公开数据集上的实验结果表明,该算法能有效地提高推荐算法的推荐准确度,具有更好的稳定性。

利用用户不偏好项目属性提高项目协同过滤算法效率和精度

针对传统项目协同过滤算法选择最近邻时需要计算待评分项目与所有其它项目之间的相似度而导致算法效率和推荐精度低的缺点,提出一种基于用户不偏好项目属性的项目协同过滤算法.该算法通过对用户评分偏低的项目属性进行归一化计数并设定阈值,从而将其分为用户不偏好项目属性和非用户不偏好项目属性.只有在其它项目与待评分项目同时具有用户不偏好项目属性或同时都不具有用户不偏好项目属性时,该项目才作为待评分项目最近邻的备选项,才需要计算两项目之间的相似度.该算法通过减少备选最近邻项目集大小和需要计算项目相似度的个数,提高了算法效率;与此同时,由于不合理项目已提前从备选最近邻项目集中排除,选取作为评分预测的最近邻会更为合理,推荐精度也会提高.在数据极度稀疏的Movie Lens-100K数据集上的五折交叉验证结果表明,相较于传统的项目协同过滤算法、基于项目偏好相似的项目协同过滤算法,该算法有更高的效率、精度和覆盖率.