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
在推荐系统中,因评分尺度差异而造成的偏差问题一直影响着协同过滤算法的预测准确性。其中针对矩阵因子分解算法中的偏差问题,提出一种基于高阶偏差的因子分解机算法。该算法首先按照评分偏差的现实特征对用户和项目
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
针对传统的基于用户的协同过滤推荐算法存在用户兴趣偏好模型过于粗糙和邻居集不够准确等问题,提出了一种新的协同过滤推荐算法,命名为基于用户间引力的协同过滤推荐算法。该算法认为用户使用的社会标签可以反映用户
相似性计算是协同过滤推荐的关键步骤。针对传统相似性计算认为相似关系是对等的且没有考虑消费顺序和时间间隔的问题,提出了基于时序逆影响的随机游走推荐算法。首先,基于用户时序关联图提出一种新的称为时序逆影响
Apriori算法是关联规则挖掘中最经典的算法之一,其核心问题是频繁项集的获取。针对经典Apriori算法存在的需多次遍历事务数据库及需产生候选项集等问题,首先通过转换存储结构、消除候选集产生过程等方
提出了一种全新的服务发现方法。其核心思想是通过从以往服务组合序列中发现高频率出现的组合序列集,然后利用该序列集进行服务推荐。给出了服务推荐系统框架;对序列模式算法进行了改进,以适应连续序列挖掘的需求,
推荐系统是用来解决当今时代信息过载的重要工具。随着在线社交网络的出现和普及,一些基于网络推荐算法研究的出现已经引起研究者的广泛关注。然而大多数信任感知的推荐系统忽略了用户有不同行为偏好在不同的兴趣域。
协同过滤算法 [31] 从问世到现在已有二十多年的历史,最初的研究主要集中在怎样进行信 息的过滤,也称为社会信息过滤,其主要原理是利用“口碑”来进行推荐,根据用户对服务的 偏好信息,得到用户之间的相似