基于矩阵填充的混合协同过滤推荐算法研究

针对传统协同过滤算法中由于评分数据稀疏性而导致推荐效率低下问题,提出一种混合协同过滤推荐算法.算法首先使用Slope One算法计算出预测评分,以填充原始评分矩阵中未得到评分的项目,降低了评分矩阵的稀疏度,保证了填充值的多掸性.然后使用SVD技术对填充的评分矩阵奇异值分解,采用随机梯度降低误差的方法,对结果进行分析,寻...     

基于灰色关联聚类的协同过滤推荐算法

针对协同过滤推荐系统具有数据的高稀疏,高维度,数据量大的特点,本文将灰色关联聚类与协同过虑推荐算法相结合,构建了灰色关联聚类的协同过滤推荐算法,将其应用到协同过滤推荐系统中,以解决数据具有高稀疏高维度的特性情况下的个性化推荐质量问题。首先,定义了推荐系统中的用户项目评分矩阵,用户灰色绝对关联度,用户灰色相似度,用户灰色关联聚类。然后,给出了灰色关联聚类的协同过滤推荐算法的计算方法和步骤,同时给出了评价推荐质量方法。最后,将本文算法与基于余弦,相关分析及修正的余弦等协同过滤推荐算法在大小不同的数据集下进行了实验,实验表明灰色关联聚类的协同过滤推荐算法相较于传统的协同过滤推荐方法具有推荐质量高,计算量小,对数据大小要求不高等优点,同时在推荐系统的冷启动,稳定性和计算效率方面也具有一定的优势。     

个性化推荐系统中协同过滤推荐算法优化研究

协同过滤推荐算法是目前个性化推荐系统中应用比较广泛的一种算法。然而,它在处理数据稀疏性、可扩展性等方面存在一定不足。针对数据稀疏性问题,本文首先基于Slope One算法对初始的评分矩阵进行缺失值填充,其次利用基于K-means聚类的协同过滤算法预测目标用户的评分,并结合MovieLens数据集给出了相关对比实验;针对扩展性问题,本文首先提出了一种基于中心聚集参数的改进K-means算法,其次,给出了基于中心聚集参数改进K-means的协同过滤推荐算法流程,并结合MovieLens数据集设计了相关对比实验。实验结果表明,本文所提方法推荐精度均得到显著提高,数据稀疏性和扩展性问题得到了有效改善。因此,本文的研究结论不仅可进一步丰富协同过滤推荐算法的现有理论成果,还可以为提高推荐系统的精度提供理论依据和决策参考。     

融入项目类别信息的协同过滤推荐算法

协同过滤技术在电子商务领域得到了广泛的研究和应用,但是随着互联网的迅速普及和电子商务网站规模的急剧增长,用户评分的极端稀疏性导致协同过滤方法的推荐质量不高.提出了一种融入项目类别信息的协同过滤推荐算法,结合项目的类别信息为活动用户筛选出候选近邻集合,在候选近邻集合内综合利用项目的评分信息和类别信息对未评分值进行预测,最后依据用户实际评分和预测评分计算出活动用户的最近邻集合并进行推荐.实验结果表明,该算法具有较好的推荐准确性和实时性.     

基于用户标签和信任关系的协同过滤推荐算法研究

随着互联网产业的快速发展,推荐系统已成为商业领域的研究热点,传统的仅考虑用户相似度或项目相似度的推荐算法已不能满足用户对推荐效率和推荐准确率的要求.考虑到社会好友间信任关系在推荐中的有益作用,信任关系应当成为推荐系统的考虑因素之一,文章提出一种基于标签和信任关系的协同过滤模型.首先,根据用户标签筛选出相似度较高的用户,根据他们对项目的评价预测得分;然后,根据社区内信任关系计算基于信任的评分;最后,综合两项得分进行预测.通过Epinions数据集验证表明:对比单纯的相似度推荐,添加信任因素后推荐结果有明显改变且随着信任网络规模扩大,项目预测得分趋于稳定,预测精度明显提高,更适用于移动电子商务环境下的个性化推荐问题.     

基于聚类矩阵近似的协同过滤推荐研究

由于推荐系统中存在巨量的用户和商品,现有的协同过滤方法很难处理用户-商品推荐中的数据稀疏性和计算可扩展性问题。本文提出了一种基于聚类矩阵近似的协同过滤推荐方法CF-cluMA。一方面,CF-cluMA方法通过对用户和商品进行分别聚类,并利用聚类后的用户-商品分块评分矩阵来刻画用户对于商品兴趣的局部性特点,以降低用户-商品评分矩阵的全局稀疏性。另一方面,CF-cluMA方法通过对局部稠密分块矩阵实施奇异值分解,并利用施密特变换近似全局用户-商品评分矩阵来预测用户对未知商品评分,以降低协同过滤算法的复杂性。在EachMovie电影评分真实数据集上的实验表明,相比于已有的基于矩阵近似的协同过滤推荐方法,本文所提出的CF-cluMA方法能够有效提升推荐系统的准确性并降低推荐系统的计算复杂性。本文的研究对于电子商务推荐系统具有重要的管理启示。     

基于分层序列的移动电子商务推荐系统策略研究

移动互联网环境下,移动电子商务快速发展,移动推荐系统成为解决移动信息过载的主要技术和手段.移动电子商务推荐系统中用户策略选择是一个典型的多目标决策问题,目标之间也存在一定的矛盾.基于移动推荐系统的这种特征,借助分层序列法算法的思想,通过元数据的标准化处理,结合移动电子商务中的位置上下文信息获取推荐数据,得到满足用户多目标需求的推荐结果.方法的提出为移动电子商务推荐系统的研究提出了一种新的推荐策略.     

数据稀疏环境下基于用户主题偏好的协同过滤算法

在B2C电子商务中,user-based协同过滤算法是一种重要的推荐方法,但用户共同评价项目数据稀疏影响了user-based协同过滤算法的应用。鉴于此,在考虑用户消费水平的基础上,利用关联规则挖掘形式化描述商品间的替代相似性;利用基于时间的贝叶斯概率描述商品间的关联关系构建商品网络,通过社会网络分析中的成份分析方法对商品网分析,得到面向用户主题偏好的商品间互补性关系,进而利用这两种商品间关系构建用户主题偏好项目集,最后在数据极度稀疏的环境下通过F₁方法和多样性测量方法与传统推荐算法进行对比实验分析,实验结果显示提高了推荐结果的准确性与新颖性。研究用的所有数据均采集于京东商城网站。本文为缓解数据稀疏问题提出了一种新的方法,扩展了整体网分析方法在商品关系分析中的应用,含有理论与实践双重意义。     

一种基于可拓学的电子商务内容推荐算法研究

为研究电子商务内容推荐算法,论文从电子商务推荐系统中的瓶颈问题——相似度计算出发,借助可拓学的方法进行分析。论文将可拓学中基元的表示方法引入推荐算法中,并采用关联函数和可拓距的思想,实现了产品的表示和相似度计算,进而得到了一种新的内容推荐算法。然后通过实例分析对算法进行验证,确认了方法的可靠性和有效性。论文的研究将可拓学思想引入到推荐算法中,这对可拓思想的应用以及推荐算法的实现都起到了有益的作用。     

用户集聚系数对协同过滤算法的影响研究

本文研究了用户-产品二部分网络中用户集聚系数对协同过滤算法的影响.用户集聚系数是度量目标用户的所有邻居用户的特点或者兴趣爱好相同程度的一个统计量,文章将其引入协同过滤算法的相似性计算中,并提出一种改进的算法.数值模拟显示,引入用户集聚系数统计属性的改进算法相比于CF准确性可以提高12.0％,当推荐列表的长度为50时推荐列表多样性可以达到0.649,相比于经典的CF算法提高18.2％.该工作表明用户集聚系数对推荐算法具有非常大的影响,体现了个性化推荐以用户兴趣的度量为核心的基本思想.     

基于约束放松的电子商务协同谈判模型

在众多的自动谈判模式中，协同谈判是一种新型的多线程谈判形式。文章分析了面向电子商务的协同谈判中的冲突问题，提出了解决谈判冲突的方法——满意度函数法。该方法在谈判模型中用约束网来表示谈判中的变量和约束关系，通过约束放松来解决谈判中的冲突。作者在对约束及约束网进行详细分析的基础上设计了约束传播算法，用它来求解约束网问题。文章通过实例验证了提出的论点和方法的正确性。采用这种基于约束放松的协同谈判模型可以有效地解决谈判中的冲突，提高谈判的效率。该方法的应用可为解决多个谈判的组合问题提供一种新的思路。     

基于迭代加权回归的推荐算法

评分预测问题是推荐系统研究的核心.本文利用用户评分数据集发掘商品之间的自相关性:将商品看作数据网络中的节点,用商品间的差异度定义节点间的距离,进而将评分预测问题转化为网络回归问题.然后使用迭代加权回归算法进行评分预测.通过对电影评分数据集Movie Lens的分析,验证了算法的有效性,结果表明迭代加权回归算法优于基于项目邻域的协同过滤算法.     

基于Topsis思想的内容推荐算法研究

针对内容推荐系统中的瓶颈问题——特征表示问题,将特征属性进行了排序,并利用高斯函数获得产品的属性取值.进而借助Topsis中理想解与负理想解的思想定义了产品在各个属性上的相似性,并通过Topsis中属性间的可补偿性获得了产品间的相似度.     

基于基元理论的内容推荐算法研究

在分析用可拓思想研究非个性化内容推荐算法的可行性基础上,将可拓学中基元的思想引入到推荐系统中,实现了推荐系统定性和定量的结合.借助可拓学中"距"的思想,通过引入可推荐可拓集实现了内容推荐算法中相似性的计算,进而得到了一种新的内容推荐算法.最后通过数据计算验证了方法的可靠性和有效性.可拓思想的引入不仅为推荐系统的研究提供了新的思路,也为可拓学的研究拓宽了应用领域.     

移动云计算中基于LBS的个性化服务推荐模型

随着智能手机的普及和3G技术的发展,信息呈指数式增长,从海量的信息中提取出用户感兴趣的内容已成为电子商务发展的一个重要趋势,然而传统的推荐策略已不能满足用户的需求.为此,基于移动云计算和位置信息,提出了一个个性化服务推荐模型解决方案,该方案综合了社交网络和时效性,建立了用户兴趣模型库.基于这个解决方案,在Android平台上,实现了初步的个性化图片推荐模型,取得了不错的效果.个性化服务推荐系统具有良好的发展和应用前景,能有效的保留客户,提高电子商务系统的服务能力,带来巨大的效益,具有一定的理论和现实意义.     

基于用户在线评论的旅游景点推荐算法研究

随着互联网的快速发展,推荐系统的研究和应用朝着多方向、多领域发展,传统的推荐算法已经不再满足某些特定领域准确率的要求.考虑到用户在线评论信息可以获得用户对产品偏好信息及偏好程度,文章提出一种基于用户在线评论的旅游景点推荐算法.首先,该算法用爬虫软件和Jieba分词对用户旅游景点的在线评论信息进行获取和预处理.其次,利用情感强度分析法确定每条评论相对景点各属性的评价标度.再次,依据处理后的在线评论信息计算用户对景点各属性的权重.最后,利用TOPSIS排序方法实现对用户旅游景点的推荐.实验表明,该算法可以有效的确定用户对景点的偏好程度,有效提升旅游景点推荐的准确性.     

基于Vanilla算法的网络视频推荐策略研究

伴随移动互联网和通信技术的发展,人们对视频的需求日益凸显,互联网带来更多便捷的同时也带来了信息过载的问题.视频推荐系统的优点在于帮助视频网站挖掘用户的偏好信息,从人们精准信息获取的需求出发,以视频播放网站为研究对象,研究视频推荐算法的实现和视频推荐策略的生成,首先分析了已有视频推荐算法存在的问题,其次,借助Vanilla算法和专家排序的方法规避视频评分的个体差异性,再次,在最近邻用户选择的过程中,充分考虑社交网络中的情境信息,进而改善了推荐数据有效性和预测准确度的问题.最后,提取爱奇艺视频网站的实验数据,验证了推荐策略的科学性和有效性.     

移动商务中基于综合评价的推荐信任评估模型

信任评价是移动商务信任管理中的一个重要问题。本文根据移动商务交易过程中涉及到的各元素结构关系,结合现有移动商务感知信任研究,从移动技术、Wap网站、移动商家和商品、制度环境五个方面多角度地分析移动商务感知信任影响因素,并以此建立移动商家信任度评价指标体系。同时,基于移动商务信任评价特点,构建基于最优推荐计算和ELECTREIII相结合的移动商家信任度评价模型。最后,以实例说明该模型的合理性和有效性。     

基于贝叶斯和自编码器的社会化推荐算法研究

为提高推荐结果的精度和个性化程度,文章有效利用多种信息源,将贝叶斯方法和深度学习结合,提出一种基于贝叶斯自编码器的社会化推荐算法.算法首先利用混合隶属度随机块模型MMSB (Mixed membership stochastic block)对用户间交互关系建模,结合用户的属性特征,利用自编码器学习用户的隐含特征向量;然后利用主题模型结合自编码模块学习物品特征向量;最后利用概率框架将物品和用户间的各种属性统一起来,共同学习矩阵分解模型中的关系矩阵.模型中的参数利用变分EM算法进行推理.实验结果表明与同类算法比较,算法在精确度和覆盖率上有不同程度的提升,且能够得到比较个性化的推荐结果.     

基于不经意传输协议的隐私保护推荐算法研究

在当今的网络购物环境下,相互竞争的两家购物网站会为了自身利益,会考虑在某一领域开展合作.而合作的前提条件就是不能泄露自己的核心信息给对方,即合作下的隐私保护问题,基于不经意传输协议(Oblivious Transfer Protocol,OT协议)设计了一个安全两方协同计算协议方法,有效地解决了二个参与方在协同过滤推荐中的隐私保护问题,并给出了协议的安全性及正确性证明.