协同过滤

摘要： 针对传统协同过滤算法的冷启动、推荐精度低等问题,提出基于用户属性和项目属性的协同过滤算法以及它们两者的融合推荐算法.在计算用户相似度时,提出用户年龄、性别和职业属性差异度,并与皮尔逊相关系数加权结合;在计算项目相似度时,提出项目类型标签和项目被评分时间,并将两者与项目余弦相似度融合.最后将上述两种算法的推荐结果进行加权融合.实验结果表明,改进的融合推荐算法相比其他4种算法在平均绝对误差率(mean abso-lute error,MAE)和时间性能方面有更好的推荐结果,并且能够在有新用户和新项目出现的情况下明显提高推荐系统的推荐质量.

摘要： 如今是一个飞速发展的时代,数据每时每刻都在呈现一个爆炸式的增长,而如何利用好这么多数据,而且高效快速的提炼出数据背后的有用信息做出一个相关的预测,实际上是一个新难点,传统的预测方式可能根据大多数用户对电影的总体评价去进行相关评分的预测,但随着现代消费者越来越追求在小众群体中的融入性。基于用户的协同过滤算法,通过对以前的评分行为进行分析找出和他爱好相似的群体,通过皮尔森相似度在结合与他相似的用户进行分析。最终对该消费者还没有看过的电影评分进行预测,并且找到预测评分较高的电影进行推荐。

摘要： 如今的用户面对着大量的信息,从中选取与自己联系密切的相关信息就显得非常困难了。电子商务平台、社区团购平台以及视频平台,面对日益增长的用户数据,需要从中挖掘有利于提高平台效率的信息,因此对用户的个性化推荐提出了更高的要求。各平台都希望能够把握每一个用户的动态信息,实施更加精准的个性化推荐,个性化推荐不仅能够提高平台的效率,也能够为用户带来极致的体验。由于传统的协同过滤算法评价体系中没有考虑到不同用户存在评分的差异,所以在准确性、精确性、差异性等方面仍然需要进一步的提高。该文主要针对在电影评分推荐协同过滤算法中精准化的需求,引入用户差异因子w_(v)^(u),融合原有的皮尔逊相似度计算,从而解决传统的协同过滤算法相似性计算中,针对不同用户具有不同评价体系存在一定偏差的问题。采用Movielens 1m电影评分数据集进行仿真,证明了改进后相似度计算的协同过滤算法能够降低MAE值。

摘要： 针对图书馆书目推荐系统忽略用户需求的缺陷,研究基于计算机网络技术的图书馆书目推荐系统设计。用户通过用户模块的用户展示界面登录系统,书目推荐模块接收用户登录信息后由数据挖掘引擎启动协同过滤模块,通过基于协同过滤的书目推荐算法充分挖掘计算机网络内图书信息,使用各图书关键词权重计算图书、用户、图书与用户间相似度,依据相似度利用匹配树原则对图书生成匹配规则,符合最小支持度以及最小置信度的图书建立推荐书目,并将推荐结果通过用户展示界面展示给用户。系统测试结果表明,采用该系统可充分考虑用户需求,为用户推荐所需书目,且推荐书目的召回率、覆盖率、准确度、新颖度均处于理想范围内,具有较高的实用性。

摘要： 大数据时代数据量呈爆发式增长,为帮助人们在海量数据中获取自己所感兴趣的信息,推荐系统应运而生。协同过滤在推荐系统中应用广泛,针对传统协同过滤推荐算法数据稀疏、推荐精度较低,不能及时反映用户的兴趣度变化以及时效性不足等缺点,提出了一种融合时间衰减函数的改进协同过滤推荐算法。此算法在传统协同过滤算法的基础上综合考虑了时间因素的影响,用户兴趣会随着时间而变化,用户在短时间内感兴趣的物品具有更高的相似性,参考人类记忆遗忘特性,拟合人类记忆遗忘曲线得到时间衰减函数作为权重因子,在计算相似度和用户偏好程度时同时融入时间衰减函数对算法进行约束,提高短时间内物品相似度和用户兴趣度的权重,实现短期和长期兴趣度融合。实验结果表明,改进后的方法能在一定程度上提高传统推荐算法的精确率和召回率,验证了时间衰减函数的有效性。

摘要： 针对传统协同过滤推荐算法在稀疏数据上推荐准确度低的问题,提出一种基于KL散度的ALS推荐算法KL-ALS。传统ALS算法计算物品相似度时只考虑了用户之间的共同评分项,得到的相似性与真实值会有一定的误差,而采用KL散度计算物品相似度时,对用户评论的数量不做任何限制,不依赖于用户共同评分项。KL-ALS算法首先将ALS算法计算物品相似度和KL散度计算的物品相似度按照一定权重混合,产生总体相似度,进而采用ALS算法训练模型,能够更加准确地度量物品间的相似度,改善推荐效果。实验选取亚马逊智能产品评论数据集,与传统的基于ALS的协同过滤推荐算法和基于物品的协同过滤推荐算法(Item-CF)进行对比,实验结果表明KL-ALS推荐算法能有效提高推荐的准确度和性能。

摘要： 传统的推荐系统在面对大量动态、复杂的数据时,仅仅通过用户的已知数据和历史行为进行分析,得到评分准则继而进行推荐,存在推荐精度不高、数据稀疏性和冷启动问题,难以满足用户对信息的需求.针对这一情况提出深度学习框架下基于用户的混合协同过滤算法,利用深度神经网络模型进行特征提取解决用户信息不对称带来的数据稀疏问题,同时将评分矩阵与项目属性信息融合应用得到项目间的映射关系并进行聚类分析,解决面对新项目、新用户时数据库中没有相关信息,推荐精度不高的问题.最后通过实验仿真,验证本文算法可以有效提高推荐准确率,提升用户的满意度和网络体验感.

摘要： 伴随着电子商务平台和新型数字媒体服务迅速发展,网络数据规模持续增长,数据类型呈现多样化,如何从大规模数据中挖掘有价值的信息,已经成为信息技术的一项巨大挑战.推荐系统能够缓解“信息过载”问题,挖掘数据潜在价值,将个性化信息推送给有需要的用户,提高信息利用率.深度学习的表征能力与推荐系统相融合,有助于深层次地挖掘用户需求,提供精准的个性化推荐服务.本文首先分析传统推荐算法的优缺点,再总结深度学习技术在推荐系统中的研究进展.最后,分析和展望智能推荐系统未来发展方向.

摘要： 该文基于法律快车网的智能推荐与分析系统展开研究,该系统根据用户的历史浏览记录,采用协同过滤算法为需要法律援助的群众推荐合适的律师,达到让律师有效服务社会、为节约群众时间成本的目的。该系统采用了大数据技术对法律数据进行分析与可视化,能够有效地维护法律服务市场秩序,为国家的法制化提供技术支撑。

摘要： 固定标签协同过滤推荐算法,未充分考虑标签因子的多样化,主要依靠人工标记,扩展性不强,主观因素多。本文从用户的喜好特征因素角度出发,在固定标签协同过滤推荐算法的基础上,提出一种隐式标签协同过滤推荐算法。该算法利用LDA主题模型生成项目文本的隐式标签,得到项目-标签特征权重,根据算法性能优化的要求选择标签数量,将项目-标签矩阵与用户评分矩阵结合得到用户对标签的偏好矩阵,最后通过协同过滤算法产生推荐。实验结果表明,本文提出的基于LDA的隐式标签协同过滤推荐算法缓解了数据稀疏性问题,项目推荐的召回率、准确度和F1值有较大提升。

摘要： 电信产品的目标市场划分日益细致,但产品数量的激增反而给用户带来产品匹配与抉择的困扰.本文为"千人千面"的市场营销提供了一种可行的方案,通过建立基于用户的协同过滤算法智能应用推荐模型,大幅提升电信产品推荐的准确率和成功率.

摘要： 协同过滤(CF)已经在推荐系统得到了广泛地应用.但是随着用户和项目规模的增大,协同过滤算法运行效率以及结果正确性会大大降低,针对这一问题,本文提出一种基于GPU的非负矩阵分解(NMF)的并行协同过滤方法,充分利用NMF数据降维和特征提取的优势以及CUDA的多核并行计算模式,进行维数简化和用户的相似性计算,算法在提高精确性的同时也减少了计算耗费,可以较好地解决协同过滤推荐系统所存在的稀疏性、扩展性等问题,快速产生精确的个性化推荐结果.利用NVIDIA CUDA设备和真实的MovieLens用户评分数据集,将本文所设计的并行NMF协同过滤算法与传统的基于用户的和基于物品的协同过滤算法进行了比较,实验结果表明,所设计的并行NMF协同过滤算法达到了较快的处理速度以及较高的推荐准确率.

摘要： 基于UWB高精度室内定位技术,采集游客参观展馆位置数据,对数据进行初步整理分类、统计分析,画出游客参观展馆热力分布图.其次,利用人工智能领域协同过滤算法(Collaborative Filtering)对数据进一步分析挖掘,得到各展台热度排名,并得到不同类型游客的参观特性指标以及各展台的特性指标.基于算法分析所得结果,为不同类型游客推荐个性化参观路线,并通过与统计结果的对比验证推荐结果的合理与准确性.同时为类似场馆和新场馆的建设、排布提供改进建议.

摘要： 协同过滤算法在推荐系统中应用最广泛,其中相似度计算是该算法重要一环.为了提高相似度计算的准确性,以及更好地利用位置行为数据,本文提供了一种基于改进相似度和位置行为的协同过滤推荐算法.首先,利用日志数据离线计算出位置影响力矩阵;其次,根据用户-项目评分矩阵,得到用户对共同评分项目的评分差异,同时引入兴趣加权,计算出评分差异的加权信息熵;最后,将位置影响力矩阵信息融入到基于加权信息熵的相似度中,得到邻居用户集,进而产生推荐.通过与其他相似度计算方法比较,该算法降低了标准平均绝对误差,在一定程度上降低了数据稀疏性的影响,能更准确地计算相似度,提高了推荐质量.

摘要： 协同排序推荐算法在互联网信息推荐领域得到了广泛运用.之前有关社会化协同排序推荐算法的研究只是简单的融入用户的社交网络信息,而没有考虑到用户之间社会化信任网络的传递性;同时当前协同排序推荐算法的性能面临数据高度稀疏性和冷启动问题的挑战.为了进一步解决这些问题,本文在传统的协同排序推荐算法(ListRank,List-wise Learning to Rank)和最新的社会化协同过滤算法(TrustMF,Social Collaborative Filtering by Trust)的基础上提出了一种新的社会化协同排序推荐算法(TLRank).该方法通过融合均高度稀疏的用户的显式评分数据和社会化信任网络数据,来进一步提高协同排序推荐算法的性能.在真实的数据集上实验验证,该方法在各个评价指标下性能均优于几个经典的协同排序推荐算法,且复杂度低、运算时间与评分点个数线性相关.TLRank算法推荐精度高、可扩展性好,适合处理大数据,在互联网信息推荐领域具有广泛的运用前景.

摘要： 在基于云服务平台的个性化业务流程定制环境中,如何把成功定制的结果推荐给不同的租户以提高租户的定制效率与体验度,如何选择一种推荐算法用于寻找可信租户以提高个性化推荐的精准度,是一系列具有挑战性的问题.针对这些问题,本文提出了一种基于云服务平台适用于个性化业务流程定制环境的混合推荐方案,这种方案先优化协同过滤用于寻找活动租户的相似租户;再通过基于内容的过滤构建活动租户与相似租户间的偏好模型并筛除“伪邻居”;最后把计算获得的候选服务推荐给活动租户选择.通过实验研究证实,本文提出的方案提高了个性化推荐的精准度,同时也提高了租户的定制效率与体验度.

摘要： 推荐系统在进行协同过滤TOPN推荐时,一直饱受到新用户冷启动问题困扰,即为缺少丰富行为数据的新用户推荐时效果不佳.针对这个问题,现有研究往往集中于理论层面的新用户冷启动问题解决,却忽略了应用层面的新用户冷启动问题分析.有别于现有思路,本文结合推荐实际TOPN推荐情况,提出传统协同过滤算法无法为对推荐物品进行准确的排序,也是实际推荐时影响新用户推荐效果的重要因素.针对这个问题,本文提出了一种针对新用户冷启动情况下的协同过滤TOPN推荐优化方案,即在传统的协同过滤算法为新用户计算出推荐结果之后,通过利用新用户与项目之间的人口统计学直接关联为新用户的推荐列表进行重排序,实现新用户冷启动情况下的TOPN推荐优化.在后续的实验中,通过与原有算法对比和现有优化算法对比,验证了本文优化思路的可行性与有效性.

摘要： 从构建本体的算法出发,将本体概念引入到海上智能设备信息系统中,分析了本体算法与海上智能设备识别的关系以及海上智能设备信息的特点,提出了相关信息所必须的本体要素结构组成,设计了完整的基于本体的构建海上智能设备信息方法,描述了相关算法具体运算过程,并详细阐述了基于本体的协同过滤信息关键技术,以期实现构建海上智能设备信息系统工程,为海上智能设备信息未来的发展提供相关方法和技术路线.

摘要： 针对传统推荐系统稀疏性以及恶意攻击抵抗能力缺乏等问题,本文提出了一种社交网络中基于可信度度量的信任推荐算法.首先,为有效防止恶意评价对评估结果造成的偏差,给出了可信度函数的定义,并设计了结合用户交互经验和可信度函数评估的信任值计算方法.其次,对推荐质量的反馈情况建模,定义了用户效用函数,使得能以更合理的方式实现信任的动态更新通过Movielens数据集下的实验结果,本文方法与基准算法相比能获得更低的算法准确性以及更高的覆盖率,在恶意用户存在条件下能获得更好的推荐质量.

摘要： 针对传统推荐系统稀疏性以及恶意攻击抵抗能力缺乏等问题,本文提出了一种社交网络中基于可信度度量的信任推荐算法.首先,为有效防止恶意评价对评估结果造成的偏差,给出了可信度函数的定义,并设计了结合用户交互经验和可信度函数评估的信任值计算方法.其次,对推荐质量的反馈情况建模,定义了用户效用函数,使得能以更合理的方式实现信任的动态更新通过Movielens数据集下的实验结果,本文方法与基准算法相比能获得更低的算法准确性以及更高的覆盖率,在恶意用户存在条件下能获得更好的推荐质量.

摘要： 本发明提供一种协同过滤方法、协同过滤装置及系统，属于房屋信息处理技术领域。所述方法包括：确定第一房源集合，将第一房源集合中房源的偏好数据形成与选定用户对应的第一偏好数据集合；确定位置区域范围，并根据位置区域范围，选定部分用户，再确定第二房源集合，将第二房源集合中房源的偏好数据形成与部分用户对应的第二偏好数据集合；通过第二偏好数据集合获取已训练向量分解模型，利用第二偏好数据集合和已训练向量分解模型，获得与第二房源集合中房源对应的特征向量集合，计算特征向量集合的相似度，在计算完成后形成相似度集合。本发明用于通过相似计算确定具有用户偏好特征的推荐房源。

摘要： 一种协调过滤系统以及协调过滤方法。当不存在对项目(X)和项目(Z)的双方均进行了评价的用户的评价值时，信息处理中心(10a)的运算处理部(30)的间接相似度计算部(32)使用项目(Y)的评价值来间接地计算项目(X)与项目(Z)的相似度，该项目(Y)为，存在对项目(X)和项目(Y)的双方均进行了评价的用户的评价值、且存在对项目(Y)和项目(Z)的双方均进行了评价的用户的评价值的项目。预测评价值计算部(33)使用间接相似度计算部(32)计算出的项目(X)与项目(Z)的相似度，和对项目(X)以及项目(Z)的评价值，来计算对项目(X)和项目(Z)中的某一个未进行评价的用户的预测评价值。由此，能够计算出不能直接计算的、项目(X)和项目(Z)的预测评价值。由此，能够扩大可通过协同过滤而对评价值进行预测的项目的范围。

摘要： 本申请公开了一种用于协同过滤的距离计算方法以及装置、协同过滤推荐方法、装置。该用于协同过滤的距离计算方法包括计算物品ID对应的数据结构的储存位置，并将所述物品ID转化到所述数据结构中储存；计算任一两个物品之间的数据关系，其中，数据关系是指所有用户中同时拥有两个物品的人数和所有用户中分别拥有两个物品其中之一的人数根据所述数据关系得到距离结果。本申请解决了协同过滤的处理效果不佳的技术问题。通过本申请减少了数据存储空间的同时还加快了距离计算的过程。

摘要： 本发明提供一种协同过滤方法、协同过滤装置及系统，属于房屋信息处理技术领域。所述方法包括：确定第一房源集合，将第一房源集合中房源的偏好数据形成与选定用户对应的第一偏好数据集合；确定位置区域范围，并根据位置区域范围，选定部分用户，再确定第二房源集合，将第二房源集合中房源的偏好数据形成与部分用户对应的第二偏好数据集合；通过第二偏好数据集合获取已训练向量分解模型，利用第二偏好数据集合和已训练向量分解模型，获得与第二房源集合中房源对应的特征向量集合，计算特征向量集合的相似度，在计算完成后形成相似度集合。本发明用于通过相似计算确定具有用户偏好特征的推荐房源。

摘要： 一种协调过滤系统以及协调过滤方法。当不存在对项目(X)和项目(Z)的双方均进行了评价的用户的评价值时，信息处理中心(10a)的运算处理部(30)的间接相似度计算部(32)使用项目(Y)的评价值来间接地计算项目(X)与项目(Z)的相似度，该项目(Y)为，存在对项目(X)和项目(Y)的双方均进行了评价的用户的评价值、且存在对项目(Y)和项目(Z)的双方均进行了评价的用户的评价值的项目。预测评价值计算部(33)使用间接相似度计算部(32)计算出的项目(X)与项目(Z)的相似度，和对项目(X)以及项目(Z)的评价值，来计算对项目(X)和项目(Z)中的某一个未进行评价的用户的预测评价值。由此，能够计算出不能直接计算的、项目(X)和项目(Z)的预测评价值。由此，能够扩大可通过协同过滤而对评价值进行预测的项目的范围。

摘要： 本发明公开了一种隐私保护协同Web服务质量预测的基于邻域的协同过滤方法，包括如下步骤：第一步，数据收集：每个用户在本地收集服务质量值，即QoS值；第二步，归一化：对服务质量值执行z分数归一化；第三步，数据伪装：伪装服务质量值；第四步，基于邻域的协同过滤伪装后的服务质量值；第五步，预测结果：根据协调过滤后的服务质量值来预测结果。本发明首次将差分隐私引入协作式Web服务QoS预测框架，用户可以通过确保数据的可用性获得最大的隐私保护。实验结果表明，本发明方法提供了安全和准确的协作Web服务的QoS预测。

摘要： 本发明公开了一种隐私保护协同Web服务质量预测的基于模型的协同过滤方法，包括如下步骤：第一步，数据收集：每个用户在本地收集服务质量值，即QoS值；第二步，数据伪装：伪装服务质量值；第三步，基于模型的协同过滤伪装后的服务质量值；第四步，预测结果：根据协同过滤后的服务质量值来预测结果。本发明首次将差分隐私引入协作式Web服务QoS预测框架，用户可以通过确保数据的可用性获得最大的隐私保护。实验结果表明，本发明方法提供了安全和准确的协作Web服务的QoS预测，且基于模型的协同过滤方法在捕获QoS数据的潜在结构方面具有优越性。

摘要： 本发明公开了一种融合协同过滤和用户属性过滤的混合推荐方法，解决了传统的协同过滤推荐算法是依据用户评分矩阵向用户推荐，存在着因数据稀疏而导致推荐信息不准确的问题。本发明采用时间热度的计算方法对Pearson相关系数算法进行改进，然后建立用户属性相似度模型，对邻居用户进行过滤，由最终得到的可信邻居对当前用户进行推荐。实验结果表明，本发明提出的混合推荐算法较传统的系统过滤算法有更好的效果。

摘要： 本公开的实施例涉及利用协同过滤、强化学习和消极反馈的包容性集合来生成数字推荐。本公开涉及利用协同过滤和具有动作方‑评论方框架的强化学习模型跨客户端设备提供数字内容项的系统、方法和非暂态计算机可读介质。特别地，在一个或多个实施例中，所公开的系统(例如，利用协同过滤模型)监测客户端设备与一个或多个数字内容项的交互以生成项嵌入。所公开的系统进一步利用强化学习模型，基于用户交互来生成推荐(例如，确定要提供给客户端设备的一个或多个附加数字内容项)。在一些实现中，所公开的系统利用强化学习模型来分析在生成推荐时观察到的每个消极和积极交互。此外，所公开的系统利用强化学习模型来分析在生成推荐时对数字内容项之间的关系进行编码的项嵌入。

摘要： 本发明属于在电影推荐系统应用领域，提出了一种面向推荐系统的改进协同过滤算法，在基于协同过滤的算法基础上，针对其存在的冷启动问题和稀疏性问题，提出了一种融合知识图谱和协同过滤的推荐算法，将知识图谱中的语义信息作为辅助信息融入到协同过滤算法中，降低了算法对于评分的依赖程度；同时，本发明提出一种三元组的存储结构来存储稀疏矩阵，可以有效缓解传统的二维稀疏矩阵带来的空间浪费的问题，提高了推荐算法的空间效率，并使用hash算法存储三元组，提高了对于某个三元组的访问速度以及存取效率；并且，本发明采用分布式计算，解决了数据集过大而导致的执行时间过长的问题，利用Spark的基于内存的并行计算，极大地缩短了算法的执行时间。