一种改进的top-N协同过滤推荐算法

一种改进专家信任的协同过滤推荐算法

王建芳;刘冉东;谷振鹏;刘永利

【期刊名称】《计算机应用研究》

【年(卷),期】2018(35)2

【摘要】To solve the tradition collaborative filtering recommendation

based on the user object with little consideration of trust real-time

change,this paper proposed an expert's algorithm combined with social

network trust to make good quantitative trust among objects.Firstly,the

algorithm computed evaluation credibility,the active degree and the

deviation degree to acquire the expert's trust value.Then,it integrated the

scores and neighbor algorithm,and determined the preference of the users

and the experts,the users and the neighbor.When the numbers of the

selected experts were less than the threshold,it used coordination factor to

adjust dynamically the weight between the neighbor algorithm and the

expert's algorithm to get more objective score.Experimental results show

针对稀疏评分矩阵的改进协同过滤推荐算法

针对稀疏评分矩阵的改进协同过滤推荐

算法

周子亮，吴为民

5

10

15

20

25

30

35

40 （北京交通大学计算机与信息技术学院，北京 100044）

摘要：协同过滤推荐策略是推荐系统中应用最成功的个性化推荐策略，然而，数据匮乏一直

是推荐系统发展所面临的重大挑战。本文针对这一问题，从三个方面来应对用户评分矩阵的

稀疏性问题：首先，调整相似度度量方法，其次，结合基于用户的协同过滤和基于项目的协

同过滤，生成了新的预测模型，最后，提出了一种迭代预测算法。论文最后使用 MovieLens

数据集对算法进行评价，并对比其他传统算法。实验结果表明改进算法能够更好的处理用户

评分矩阵的稀疏性问题。

关键词：协同过滤；相似度；预测模型；迭代预测算法

中图分类号：TP391.1

An Improvement Collaborative Filtering Algorithm for

Sparsity Ratings Matrix

Zhou Ziliang, Wu Weimin

(Computer and Information Technology School, Beijing Jiaotong University, Beijing 100044)

Abstract: As the most successful personalized recommendation algorithm, collaborative filtering

is widely used in recommendation system. However, the lack of data has been a huge challenge.

To deal with the sparsity problem, we provide an algorithm with three improved methods. On the

协同过滤算法的改进与优化(五)

协同过滤算法的改进与优化

近年来，随着互联网技术的飞速发展，推荐系统在电子商务、社交网络、视频网站等领域扮演着越来越重要的角色。其中，协同过滤算法是推荐系统中最经典和最常用的算法之一。然而，传统的协同过滤算法在面对大规模数据的时候存在一些问题，如稀疏性、冷启动问题和规模化问题等。因此，对协同过滤算法进行改进与优化显得尤为重要。

一、基于邻域的协同过滤算法改进

基于邻域的协同过滤算法是一种基于用户或物品之间的相似度进行推荐的方法。然而，传统的基于邻域的协同过滤算法在处理大规模数据时存在计算量大、效率低下的问题。为了解决这一问题，研究人员提出了基于近邻搜索算法的改进方法，如k-d树、LSH哈希等。这些方法通过减少相似度计算的次数和提高搜索效率，从而加速了基于邻域的协同过滤算法的推荐过程。

二、基于模型的协同过滤算法改进

基于模型的协同过滤算法是一种通过对用户和物品之间的隐含特征进行建模来进行推荐的方法。然而，传统的基于模型的协同过滤算法在面对大规模数据时存在训练时间长、内存占用大的问题。为了解决这一问题，研究人员提出了基于分布式计算框架的改进方法，如MapReduce、Spark等。这些方法通过将模型训练过程分布式并行化，从而提高了基于模型的协同过滤算法的训练效率和内存利用率。

三、深度学习与协同过滤算法的结合随着深度学习技术的发展，研究人员开始将深度学习应用于推荐系统中，取得了一些令人瞩目的成果。深度学习通过对用户和物品之间的交互数据进行建模，可以捕捉到更加丰富和复杂的特征，从而提高了推荐的准确性和覆盖率。因此，结合深度学习与协同过滤算法是一种对传统推荐算法进行改进与优化的有效途径。

四、基于注意力机制的协同过滤算法改进

近年来，注意力机制在自然语言处理和推荐系统中得到了广泛应用。通过引入注意力机制，推荐系统可以更加关注用户和物品之间的重要交互数据，从而提高了推荐的个性化和多样性。因此，基于注意力机制的协同过滤算法改进是一种对传统协同过滤算法进行优化的有效途径。

改进的协同过滤推荐算法

张亮;赵娜

【期刊名称】《计算机系统应用》

【年(卷),期】2016(0)7

【摘要】Traditional elective system has structural deficiencies and defects.

To avoid the fact that college students choose a course with blindness,

therefore, with improved collaborative filtering algorithm, college students

can get personalized elective course election. This paper first introduces

two kinds of recommendation algorithms. Also the paper emphatically

introduces recommendation algorithms based on collaborative filtering. It

analyzes the advantages and disadvantages of the two algorithms. Finally,

for data sparsity of collaborative filtering algorithm, it proposes an

improved collaborative filtering algorithm, that adds factor in content-based collaborative filtering to solve this problem. Improved collaborative

filtering algorithm avoids the traditional algorithms emerging data

基于集团序推荐输出的协同过滤推荐算法

第２７卷第２期　２０１２年４月　郑州轻工业学院学报（自然科学版）　ＪＯＵＲＮＡＬ　０Ｆ　ＺＨＥＮＧＺＨＯＵ　ＵＮＩＶＥＲＳＩＴＹ　０Ｆ　ＬＩＧＨＴ　ＩＮＤＵＳＴＲＹ（Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ）　Ｖｏ１．２７　ＮＯ．２　Ａｐｒ．２０１２　

文章编号：１００４—１４７８（２０１２）０２—００８０—０４　

基于集团序推荐输出的协同过滤推荐算法　

石丽丽，　刘茜领，　张国东　

（河南大学计算机与信息工程学院，河南开封４７５００４）　

摘要：针对电子商务推荐系统传统项目相似性计算不足和传统的ＴＯＰ—Ｎ推荐输出缺乏个性等问　

题，提出了一种改进算法．该算法采用动态生成权重因子的方法计算项目相似性，利用模糊聚类对项　目分类，在预测评分公式中引入用户权重因子，并采用集团序方法进行推荐输出以确定候选的Ⅳ　

值．实验结果表明，该算法不仅解决了数据稀疏性问题，提高了系统的推荐质量，且推荐结果更个　性化．’　

关键词：协同过滤推荐算法；模糊聚类；集团序；项目相似性计算　中图分类号：ＴＰ３１１　文献标志码：Ａ　

Ｃｏｌｌａｂｏｒａｔｉｖｅ　ｆｉｌｔｅｒｉｎｇ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　

ｂａｓｅｄ　ｏｎ　ａｇｇｒｅｇａｔｉｖｅ　ｒａｎｋ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ　ｏｕｔｐｕｔ　

ＳＨＩ　Ｌｉ—ｌｉ，ＬＩＵ　Ｑｉａｎ—ｌｉｎｇ，　ＺＨＡＮＧ　Ｇｕｏ—ｄｏｎｇ　

（Ｓｃｈｏｏｌ　ｏｆＣｏｍｐ．ａｎｄ　Ｉｎｆｏｒ．Ｅｎｇ．，Ｈｅ　ｒｌａｒｔ　Ｕｎｉｖ．，Ｋａｉｆｅｎｇ４７５００４，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇ　ａｔ　ｔｈｅ　ｐｒｏｂｌｅｍ　ｔｈａｔ　ｔｒａｄｉｔｉｏｎａｌ　ｉｔｅｍ　ｓｉｍｉｌａｒｉｔｙ　ｏｆ　ｅ－ｃｏｍｍｅｒｃｅ　ｒｅｃｏｍｍｅｄａｔｉｏｎ　ｓｙｓｔｅｍ　ｈａｓ　

ｓｈｏａａｇｅ　ｉｎ　ｃａｌｃｕｌａｔｉｏｎ　ａｎｄ　ｔｈｅ　ｒｅｃｏｍｍｅｄａｔｉｏｎ　ｏｕｔｐｕｔ　ｏｆ　ＴＯＰ—Ｎ　ｌａｃｋｓ　ｐｅｒｓｏｎａｌｉｚａｔｉｏｎ，ａｎ　ｉｍｐｒｏｖｅｍｅｎｔ　ａｌｇｏ—　

一种改进的协同过滤的商品推荐方法

薛亮;徐慧;冯尊磊;贾俊铖

【期刊名称】《计算机技术与发展》

【年(卷),期】2022(32)7

【摘要】传统的电子商务平台无法实现对用户进行个性化优质商品的推荐,大量的商品信息无法被充分应用在帮助客户选择商品上。针对上述问题,提出了改进的协同过滤算法(new Pearson collaborative filtering,NP-CF)为用户进行个性化的电子商品推荐。该算法弱化了活跃用户的对商品相似度的贡献程度并且利用标准差的计算降低电子商品本身质量对相似度的影响,将两者计算获得的系数与皮尔逊关系数相结合,从而计算出更加准确的用户相似度,再利用相似度值计算商品的推荐值并且通过加权评价公式对该值进行加权处理。最后在真实的数据集MovieLens和人工数据集Mobile-Data上对该算法进行实验测试,且与传统的基于用户信息的协同过滤算法(user collaborative filtering,User-CF)进行比对,该算法(NP-CF)整体上优化了推荐结果并且提高了推荐的准确率。

【总页数】7页(P201-207)

【作者】薛亮;徐慧;冯尊磊;贾俊铖

【作者单位】苏州城市学院计算机工程系;苏州大学文正学院计算机工程系;浙江大学计算机科学与技术学院;苏州大学计算机科学与技术学院

【正文语种】中文

【中图分类】TP391 【相关文献】

1.一种改进相似度计算方法的协同过滤推荐算法2.考虑商品重复购买周期的协同过滤推荐方法改进3.一种基于社会化信任的改进的协同过滤推荐模型和方法4.改进的协同过滤算法在商品推荐中的应用5.协同过滤推荐中一种改进的信息核提取方法

因版权原因，仅展示原文概要，查看原文内容请购买

改进的协同过滤推荐算法 2

改进的协同过滤推荐算法

刘芳先;宋顺林

【期刊名称】《计算机工程与应用》

【年(卷),期】2011(047)008

【摘要】Collaborative filtering is the most widely used and the most

successful technology in the personalized recommendation system so far.

However, existing collaborative filtering algorithms have taken the user's

interests in different time into equal consideration,which leads to the lack

of effectiveness in the given period of time. At the same time,they have

been suffeting from low recommendation accuracy. Based on two crucial

steps:Computing the user's nearest neighbor and predicting item ratings,

this paper proposes an improved collaborative filtering algorithm,which

computes user similarity based on the relation between items and adds

time weight for computing item ratings,to get more appropriate neighbors

and make the click interests approaching the gathering time have bigger

协同过滤算法的改进与优化(十)

协同过滤算法的改进与优化

随着人工智能和大数据技术的快速发展，推荐系统在电子商务、社交网络等领域扮演着越来越重要的角色。而协同过滤算法作为推荐系统中的一种重要方法，一直备受研究者关注。然而，传统的协同过滤算法存在一些问题，比如数据稀疏性、冷启动问题等，因此如何改进和优化协同过滤算法成为了当前研究的热点之一。

一、基于邻域的协同过滤算法的改进

基于邻域的协同过滤算法是目前应用最为广泛的一种推荐算法，它通过用户之间或物品之间的相似度来进行推荐。然而，传统的基于邻域的协同过滤算法存在着计算复杂度高、推荐准确度不高等问题。为了改进这些问题，研究者提出了一些改进方法，比如基于加权的邻域算法、基于矩阵分解的邻域算法等。这些改进方法在一定程度上提高了推荐系统的准确度和效率。

二、基于模型的协同过滤算法的优化

除了基于邻域的协同过滤算法，基于模型的协同过滤算法也是推荐系统中常用的方法，它通过对用户和物品的隐含特征进行建模来进行推荐。然而，传统的基于模型的协同过滤算法存在着过拟合、泛化能力不足等问题。为了优化基于模型的协同过滤算法，研究者提出了一些方法，比如正则化技术、深度学习模型等。这些优化方法在一定程度上改善了基于模型的协同过滤算法的性能。

三、多特征融合的协同过滤算法改进除了基于用户行为数据的协同过滤算法，近年来研究者们还提出了一些基于多特征融合的协同过滤算法。这些算法不仅考虑了用户的行为数据，还考虑了用户的社交关系、上下文特征等多种信息。然而，多特征融合的协同过滤算法也存在着特征选择不当、特征组合不合理等问题。为了改进这些问题，研究者提出了一些改进方法，比如特征选择算法、特征组合算法等。这些改进方法使得多特征融合的协同过滤算法在推荐系统中发挥了更加重要的作用。

四、基于深度学习的协同过滤算法优化

随着深度学习技术的不断发展，研究者们开始将深度学习技术应用于推荐系统中。深度学习技术能够自动学习特征表示，能够更好地挖掘用户和物品之间的关联信息。然而，基于深度学习的协同过滤算法也存在着模型复杂度高、训练时间长等问题。为了优化基于深度学习的协同过滤算法，研究者提出了一些改进方法，比如加速训练算法、模型压缩算法等。这些优化方法使得基于深度学习的协同过滤算法在推荐系统中取得了更好的效果。

一种改进的协同过滤推荐算法

第３２卷第４期　武汉理工大学学报・信息与管理工程版　２０１０年８月　ＪＯＵＲＮＡＬ　ＯＦ　ＷＵＴ（ＩＮＦＯＲＭＡＴＩＯＮ＆ＭＡＮＡＧＥＭＥＮＴ　ＥＮＧＩＮＥＥＲＩＮＧ）　Ｖ０１．３２　Ｎｏ．４　Ａｕｇ．２０１０　

文章编号：１００７—１４４Ｘ（２０１０）０４—０５５０—０４　

一种改进的协同过滤推荐算法　

刘旭东　，陈德人　，王惠敏　

（１．烟台职业学院信息工程系，山东烟台２６４６７０；２．浙江大学计算机科学与技术学院，浙江杭州３１００２７　３．武汉理工大学经济学院，湖北武汉４３００７０）　文献标志码：Ａ　

摘要：针对Ｕｓｅｒ—ｂａｓｅｄ协同过滤推荐和Ｉｔｅｍ～ｂａｓｅｄ协同过滤推荐算法的不足，提出了一种改进的推荐算　

法。该算法融合Ｕｓｅｒ—ｂａｓｅｄ协同过滤推荐和Ｉｔｅｍ—ｂａｓｅｄ协同过滤推荐算法思想，通过形成项目相似集来填　

充用户评分矩阵，并利用高评分阂值来计算用户相似性，有效改善了传统协同过滤推荐算法的数据稀疏性和　

实时性。实验结果表明，该算法可以显著提高推荐系统的推荐质量。　

关键词：推荐系统；基于用户的协同过滤；基于项目的协同过滤；相似性；平均绝对偏差　

中图分类号：ＴＰ３９１　ＤＯＩ：１０．３９６３／ｊ．ｉｓｓｎ．１００７—１４４Ｘ．２０１０．０４，００９　

随着Ｉｎｔｅｒｎｅｔ和信息技术的飞速发展，个性　

化推荐作为一种崭新的智能信息服务方式，可以　

根据用户提出的明确要求，或通过对用户个性、习　

惯、偏好的分析，准确地向用户提供感兴趣的信息　

和服务，从而有效地解决了“信息过载”和“信息　

迷失”带来的种种问题，这已成为许多学者关注　

和研究的热点¨　。　

在个性化推荐系统中，协同过滤推荐是目前　

应用最为成功的技术之一＿２　Ｊ，其基本思想是基　

于评分相似的最近邻居的评分数据向目标用户产　

生推荐，其算法主要分为基于内存的推荐算法和　

基于模型的推荐算法两类［４］。基于内存的协同　

过滤推荐算法是先将整个用户一项目评分数据集　

一种改进的基于项目聚类的协同过滤推荐算法

摘要根据2010年7月 15日，中国互联网络信息中心（cnnic）在京发布的《第26次中国互联网络发展状况统计报告》[1]显示，截至2010年6 月底，我国网民规模达4.2亿人，互联网普及率持续上升增至31.8%。网络的信息超载现象已日趋严重促使了信息过滤技术的快速发展。个性化推荐系统作为信息过滤中一种重要的应用方式，目前已经成为各大主流网站不可缺少的新一代个性化信息服务形式。

关键词项目聚类；协同过滤；推荐算法

中图分类号tp31 文献标识码a 文章编号 1674-6708（2011）34-0205-02

0 引言

根据2010年7月 15日，中国互联网络信息中心（cnnic）在京发布的《第26次中国互联网络发展状况统计报告》[1]显示，截至2010年6 月底，我国网民规模达4.2亿人，互联网普及率持续上升增至31.8%。网络的信息超载现象已日趋严重促使了信息过滤技术的快速发展。个性化推荐系统作为信息过滤中一种重要的应用方式，目前已经成为各大主流网站不可缺少的新一代个性化信息服务形式。

协同过滤技术作为个性化推荐技术的主流技术，具有较高的学术价值并被广大电子商务网站所应用。它的基本思想[2]是：通过

对用户的显式输入或隐式输入的历史数据收集并统计计算，预测与此用户兴趣相似的用户，并将其相似用户感兴趣的项目推荐给此用户。根据所使用事物的关联性分为：基于用户（user-based）的协同过滤推荐算法和基于项目（item-based）的协同过滤推荐算法。协同过滤推荐一般可划分为三步：1）数据表示；2）近邻集合的查找；3）推荐生成。

1 改进的基于项目聚类的协同过滤

1.1 改进算法的提出

近邻集合的生成是协同过滤推荐技术的关键步骤，查找结果的精确程度直接决定了推荐效果。而在计算用户或项目相似度时主要有三种算法：余弦相似性、皮尔森相关系数和修正的余弦相似性[4]。1）面对推荐技术面临的冷启动问题和数据库中明显的稀疏性问题，单靠相似性算法不能给目标用户提供高质量的推荐结果[5]；2）用户对具有某一特征的事物往往会更容易产生兴趣，所以对于具有项目特征的项目集，综合考虑属性特征对于项目相似度的影响，会更为客观的针对用户实际偏好；3）人们对事物的兴趣度往往存在一定的从众心理，即用户常常会受到大众总体评价的影响。