共查询到20条相似文献，搜索用时 31 毫秒
1.
基于用户群体影响的协同过滤推荐算法 总被引：4，自引：0，他引：4
协同过滤是推荐系统中广泛使用的推荐技术,对推荐结果可解释强.基于用户的协同过滤是一种重要的系统推荐方法,用户评分数据的极端稀疏性制约着系统的推荐质量.针对上述情况,提出一种基于用户群体影响的协同过滤推荐算法.首先,定义了用户群体的概念并根据群体影响提出两条相应准则;然后,计算用户相似性时,不仅考虑了用户个体之间的相似性,而且考虑了用户所处群体之间的相似性.该算法不仅可以更加精确地刻画用户之间相似度,而且一定程度上增强了推荐系统的稳定性.实验结果表明,该算法能有效地提高系统的推荐质量,而且满足所提出的两条准则. 相似文献
2.
3.
4.
认为社会化标签没有特定的组织结构,标签的质量也会有优有劣。此外,同一个社会化标签对不同的人重要程度不尽相同。首先利用信息熵来刻画社会化标签对用户的重要性,然后将基于社会化标签信息熵算法和经典的协同过滤算法的个性化推荐结果进行对比,最后发现基于社会化标签信息熵算法在准确度上提高了10.9%。 相似文献
5.
6.
融合社会网络的协同过滤推荐算法研究 总被引：1，自引：0，他引：1
针对传统协同过滤推荐算法的数据稀疏性及恶意行为等问题,提出一种新的基于社会网络的协同过滤推荐算法。该算法借助社会网络信息,结合用户信任和用户兴趣,寻找目标用户最近邻居,并以此作为权重,形成项目推荐,以提高推荐的准确度。实验表明,相对于传统的协同过滤算法,该算法可有效缓解稀疏性及恶意行为带来的问题,显著提高推荐系统的推荐质量。 相似文献
7.
8.
目前协同过滤被广泛应用于数字图书馆、电子商务等领域的个性化服务系统.最近邻算法则是最早提出和最主要的协同过滤推荐算法,但用户评分数据稀疏性严重影响推荐质量.针对上述问题,提出了一种基于Rough集理论的最近邻协同过滤算法,以用户评分项并集作为用户相似性计算基础,并将非目标用户区分为无推荐能力和有推荐能力两种类型;对于无推荐能力用户不再计算用户相似性以改善推荐实时性,对于有推荐能力用户则提出一种基于Rough集理论的评分预测方法来填补用户评分项并集中的缺失值,从而降低数据稀疏性.实验结果表明新算法能有效提高推荐质量. 相似文献
9.
[目的/意义]针对目前使用标签推荐方法所得结果不理想的问题,改进传统相似度计算方式,并结合多种标签推荐方法,提高推荐准确性。[方法/过程]融合基于内容与协同过滤的推荐思想,利用LDA进行相似度计算得出资源与用户的近邻集合,并抽取资源内容关键词,以此构建标签混合推荐模型,最后以"豆瓣读书"为例对模型进行验证,同时与几种标签推荐方法进行比较。[结果/结论]在社会标注系统中,必须考虑用户-资源-标签3个维度,仅考虑单一角度势必会造成结果的不完整,同时在相似度计算时引入LDA能够挖掘潜在语义关系,提高推荐质量,且组合多种方法取长补短可以令推荐结果更为满意。 相似文献
10.
适应用户兴趣变化的协同过滤增量更新机制 总被引：1，自引：0，他引：1
高维、稀疏的用户-项目评分矩阵对基于项目的协同过滤推荐算法造成严峻的可扩展性问题.传统的解决方法是离线计算项目相似性并保存在系统中以供算法调用,但是不能充分利用最新评分数据以体现用户兴趣的变化.针对上述问题,提出了适合在线应用的协同过滤项目相似性增量更新机制,使得推荐系统在当前用户提交项目评分之后,能够实时完成相应项目与其他项目之间的相似性数据更新,从而推荐系统可以基于最新的项目相似性数据进行推荐处理,以适应用户兴趣的变化.实验结果表明,本文提出的项目相似性增量更新机制能够有效提高基于项目的协同过滤算法可扩展性. 相似文献
11.
12.
一种基于用户标签网络的个性化推荐方法 总被引：1，自引：0，他引：1
基于标签进行个性化推荐是目前的一个研究热点,不同的推荐算法对标签进行了不同的处理.用户使用的标签之间存在着某种内在联系,由此可构建用户标签网络.根据这一启示,本文提出了一种基于用户标签网络的个性化推荐算法.首先,将用户标签网络视为用户兴趣模型雏形,利用社会网络分析方法计算标签权重,并以加权标签集的形式表示用户兴趣模型,最后将标签权重转化为资源与用户兴趣的相似度,进而实现个性化推荐.实验表明,本方法能较为准确地揭示用户的兴趣,产生的推荐资源与用户兴趣匹配程度较高. 相似文献
13.
基于社会化标签系统的个性化信息推荐探讨 总被引：4，自引：0，他引：4
14.
利用云模型改进基于项目的协同过滤推荐算法 总被引：1，自引：1，他引：1
基于项目的协同过滤推荐算法能有效解决传统的基于用户的协同过滤推荐系统可扩展性差、缺乏稳定性的缺点,但仍然不能解决数据稀疏的问题,在数据极度稀疏的情况下,传统的项目相似性度量方法无法实现准确度量,导致推荐效果急剧下滑。本文借鉴基于云模型的云相似性度量方法来实现基于知识层面的项目相似性度量,提出了一种新的基于项目的协同过滤推荐算法。实验结果表明即使在数据极度稀疏的情况下,改进后的算法仍然能取得较好的推荐效果。 相似文献
15.
基于项目分类预测的协同过滤推荐算法 总被引：3，自引：0，他引：3
在电子商务系统中,为了帮助用户有效地发现、过滤和利用信息,信息过滤技术应运而生.协同过滤技术作为其中的一种技术被成功地应用于推荐系统中.随着电子商务用户数目和商品数目的日益增加,整个项目空间上用户评分数据极端稀疏,传统的相似性度量方法均存在各自的弊端,导致推荐系统的推荐质量急剧下降.针对这一不足,提出基于项目分类预测的协同过滤算法,通过对用户评分矩阵中的项目进行相应的分类,缩小邻近搜索的范围,预测项目评分,减少稀疏性,并采用新的相似度计算方法.实验结果表明,该算法能提高个性化推荐算法的准确性. 相似文献
16.
目前个性化推荐领域的相关研究,很少考虑用户在资源属性上的兴趣差异,而资源属性往往是决定用户偏好的重要因素之一。针对这一问题,构建了基于资源多属性的用户评价模型和兴趣模型,并提出了一种改进的Pearson-Compatibility多属性群决策算法,在k-临近相似用户的推荐问题中引入该算法,结合协同过滤推荐的特点,对相似用户偏好差异性、残缺值、算法可能出现的提前收敛等问题进行了充分考虑,进而实现多属性的协同过滤。最后通过实验对算法的有效性进行验证,实验结果表明:算法在目标用户属性偏好的预测上,具有较高的准确度,对偏差值、残缺值具有较强的抗干扰能力,具有较强的实用价值。 相似文献
17.
推荐系统是电子商务系统中最重要的技术之一.随着电子商务系统用户数目和商品数目日益增加,在整个商品空间上用户评分数据极端稀疏,传统的相似性度量方法均存在各自的弊端,导致推荐系统的推荐质量急剧下降.针对用户评分数据极端稀疏情况下传统相似性度量方法的不足,本文提出了一种基于相似项目与用户评分预测的协同过滤推荐算法,综合利用相似项目和相似用户评分信息预测用户对未评分项目的评分.通过聚类算法形成用户候选近邻集,减小了算法搜索空间,降低了最近邻用户的搜索时间,从而增强了算法的扩展性.实验结果表明,本算法可以有效解决用户评分数据极端稀疏情况下传统协同推荐算法存在的问题,显著提高推荐系统的推荐质量. 相似文献
18.
基于粗糙用户聚类的协同过滤推荐模型 总被引：1，自引：0，他引：1
【目的】将粗糙集引入到基于用户聚类的协同过滤中,提高推荐质量。【方法】提出一种基于粗糙用户聚类的协同过滤推荐模型:离线时采用粗糙K-means用户聚类算法,根据用户与聚类中心的相似度将其分配到K个类的上、下近似中,形成用户的初始近邻集;在线时从目标用户的初始近邻集中搜索其最近邻,预测项目评分并向其产生推荐。【结果】通过实验对比发现,该模型比传统的和基于项目的协同过滤推荐算法降低约14%的平均绝对误差,比基于用户聚类的协同过滤推荐算法降低约10%的平均误差。【局限】在考虑上、下近似对聚类中心调整的重要程度时,忽略了用户聚类数目和最近邻集用户数阈值的变化所产生的影响。【结论】该模型能有效提高推荐精度,具有较强的可行性和现实意义。 相似文献
19.
20.
目前,社会化标注已经成为个性化信息推荐领域中的研究热点之一,标签质量对于推荐效果的影响也受到了广泛关注.本文针对标签的质量问题,指出用户标注偏差普遍存在于标注系统中,尤其是形式偏差,给用户兴趣模型的合理提取形成了阻碍.基于此,我们提出了主流标签的概念,以其体现的大众智慧来克服标注偏差所带来的影响,通过分析资源中标签的平均标注率进行主流标签数量的确定,实现资源模型和用户协同模型的构建,并进一步结合兴趣度对用户协同模型加以了改进.最后,基于Delicious的数据和用户参与评分法,文章运用余弦相似性对模型推荐效果进行了验证. 相似文献