一种基于聚类和协同过滤的组合推荐算法_刘旭东

数据稀疏性问题对协同过滤推荐系统的推荐精度有很大影响,为此,融合缺失数据平衡方法,提出了一个基于KNN-SVM的混合协同过滤推荐算法。利用K-最近邻法对训练集中的缺失数据进行填补,然后通过支持向量机交

协同过滤是推荐系统中最有效的方法之一，推荐算法评分预测的精确性受到最近邻居的提取以及项目或用户相似度计算的两个关键点的影响。根据用户行为相似性原理，采用最大交集法提取与当前项目共同评分最多的邻居作为最

针对传统协同过滤算法中用户的个性化评价标准导致评分值不能合理地表达用户对项目的偏好程度问题，提出满意区间的概念，并设计了一种协同过滤推荐算法。该算法首先根据用户各评分值的使用概率建立其与满意区间的映射

基于KNN邻居选择的协同过滤推荐算法在邻居选择时没有考虑邻居的盲目跟风性，导致部分邻居用户在预测目标用户对未知项目评分时的作用很小。针对这一问题，提出贡献因子，从非共同评价项目集这一角度切入，考虑邻居

传统基于用户的协同过滤推荐算法在计算用户之间的相似度时只考虑了用户的评分，而忽略了不同项目之间的差异。针对传统方法在数据稀疏情况下表现不理想的缺点，提出了结合项目标签信息针对每个目标项为用户选择邻居的

基于mahout的协同过滤，个性化推荐算法实现。源码是java，可单机运行

User-based collaborative filtering algorithm-matlab

协同过滤技术基于用户的评分历史预测用户对某一项目的评分。基于用户的协同过滤技术可以利用传统的欧氏距离发现与用户的兴趣相近的近邻。针对欧氏距离并不能很好地反应用户之间的近邻关系的问题,一种新颖的基于欧氏

最近邻计算是协同过滤方法中直接影响到推荐系统的运行效率和推荐准确率的重要一环。当用户和项目数目达到一定规模的时候，推荐系统的可扩展性明显降低。聚类的方法能在一定程度上弥补这个缺陷，但同时又会带来推荐准

基于项目（Item-based）协同过滤算法源码 可用于个性化推荐 参加卓越亚马逊商品推荐