论文研究基于高斯pLSA模型与项目的协同过滤混合推荐.pdf

基于聚类的协同过滤算法的研究与改进，苏帅，赵方，推荐系统作为解决信息过载问题的重要手段被广泛应用。近年来,协同过滤推荐技术,因其简单易实现、数据依赖性低、推荐结果准确等优�

协同过滤是目前推荐系统中最为成功的一种方法，但面临稀疏数据特征时存在冷启动、稀疏性、可扩展性等问题。提出利用Web数据挖掘（WUM）获取隐性数据对显性用户评价矩阵进行补值，应用径向基函数（RBFN）对

针对传统协同过滤推荐算法在计算用户相似度时只考虑单一的用户评分矩阵问题，提出一种结合时间权重与信任关系的协同过滤推荐算法TTCF。首先通过标签的流行度刻画用户对资源的偏好，并利用用户的时间行为信息获得

传统的协同过滤算法广泛应用于推荐系统领域，但该算法仍存在用户冷启动和数据稀疏性问题，造成算法的推荐质量较差。对此，提出一种基于用户多属性与兴趣的协同过滤算法AICF（attributes and in

为解决传统协同过滤算法中用户评分数据稀疏性，忽视物品及用户特征，所带来的推荐质量下降的问题，提出了一种基于安全的、高置信度的半监督方法的协同过滤推荐算法，采用安全的，高置信度的半监督方法S4VM对没有

单一评分相似性度量及数据稀疏导致了传统推荐算法计算出的用户或项目近邻不准确、推荐质量不高，为此，提出了一种多因素复合度量的协同过滤推荐算法。该算法基于用户访问次数、停留时间及评分定义了一个多因素约束的

针对传统协同过滤（CF）推荐算法存在评分矩阵稀疏、扩展性弱和推荐准确率低的缺陷，提出一种改进模糊划分聚类的协同过滤推荐算法（GIFP-CCF）。在传统基于修正余弦相似度计算方法上，引入时间差因子、热门

传统Item-based协同过滤算法计算两个条目间相似性时,将每个评分视为同等重要,忽略了共评用户（对两个条目共同评分的用户）与目标用户间的相似性对条目间相似性的影响。针对此问题,提出了一种自适应用户

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，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

介绍了现有协同过滤推荐的几种主要算法。它们对数据稀疏性问题都有一定的缓和作用。通过在数据集MovieLens上的实验，分析了各个算法在不同稀疏度下的推荐质量，为针对不同数据稀疏度的系统实现提供了可靠依