本文選題：Jaccard相似度 + 位置行為　； 參考：《計算機科學》2016年12期

【摘要】：協(xié)同過濾是現(xiàn)今推薦系統(tǒng)中應用最為成功且最廣泛的推薦方法之一,其中概率矩陣分解算法作為一類重要的協(xié)同過濾方式,能夠通過學習低維的近似矩陣進行推薦。然而,傳統(tǒng)的協(xié)同過濾推薦算法在推薦過程中只利用用戶-項目評分信息,忽略了用戶(項目)間的潛在影響力,影響了推薦精度。針對上述問題,首先利用Jaccard相似度對用戶(項目)做預處理,而后通過用戶(項目)間的位置信息挖掘出其間的潛在影響力,成功找到最近鄰居集合;最后將該鄰居集合融合到基于概率矩陣分解的協(xié)同過濾推薦算法中。實驗證明該算法較傳統(tǒng)的協(xié)同過濾推薦算法能夠更有效地預測用戶的實際評分,提高了推薦效果。
[Abstract]:Collaborative filtering is one of the most successful and widely used recommendation methods in today's recommendation systems. As an important collaborative filtering method, probability matrix decomposition algorithm can be recommended by learning low-dimensional approximate matrix. However, the traditional collaborative filtering recommendation algorithm only uses user-item scoring information in the process of recommendation, neglecting the potential influence between users (projects) and affecting the recommendation accuracy. To solve the above problems, Jaccard similarity is used to preprocess the user (project) firstly, and then the potential influence is mined through the location information between users (project), and the nearest neighbor set is found successfully. Finally, the neighbor set is fused into the collaborative filtering recommendation algorithm based on probability matrix decomposition. Experimental results show that the proposed algorithm is more effective than the traditional collaborative filtering recommendation algorithm in predicting users' actual score and improving the recommendation effect.
【作者單位】： 南京工業(yè)大學計算機科學與技術學院;中國人民解放軍73677部隊;
【基金】：國家自然科學基金(61203072) 江蘇省重點研發(fā)計劃(社會發(fā)展)(BE2015697)資助
【分類號】：TP391.3

【相似文獻】

相關期刊論文 前10條

1 楊風召;;一種基于特征表的協(xié)同過濾算法[J];計算機工程與應用;2007年06期

2 王嵐;翟正軍;;基于時間加權的協(xié)同過濾算法[J];計算機應用;2007年09期

3 曾子明;張李義;;基于多屬性決策和協(xié)同過濾的智能導購系統(tǒng)[J];武漢大學學報(工學版);2008年02期

4 張富國;;用戶多興趣下基于信任的協(xié)同過濾算法研究[J];小型微型計算機系統(tǒng);2008年08期

5 侯翠琴;焦李成;張文革;;一種壓縮稀疏用戶評分矩陣的協(xié)同過濾算法[J];西安電子科技大學學報;2009年04期

6 廖新考;;基于用戶特征和項目屬性的混合協(xié)同過濾推薦[J];福建電腦;2010年07期

7 徐紅;彭黎;郭艾寅;徐云劍;;基于用戶多興趣的協(xié)同過濾策略改進研究[J];計算機技術與發(fā)展;2011年04期

8 焦晨斌;王世卿;;基于模型填充的混合協(xié)同過濾算法[J];微計算機信息;2011年11期

9 宋緯華;田元;;基于蟻群算法的協(xié)同過濾推薦技術[J];農(nóng)業(yè)圖書情報學刊;2013年08期

10 康鐘榮;;基于項目特征分類與填充的協(xié)同過濾算法研究[J];河南科技;2013年12期

相關會議論文 前10條

1 沈杰峰;杜亞軍;唐俊;;一種基于項目分類的協(xié)同過濾算法[A];第二十二屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2005年

2 周軍鋒;湯顯;郭景峰;;一種優(yōu)化的協(xié)同過濾推薦算法[A];第二十一屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2004年

3 董全德;;基于雙信息源的協(xié)同過濾算法研究[A];全國第20屆計算機技術與應用學術會議（CACIS·2009）暨全國第1屆安全關鍵技術與應用學術會議論文集（上冊）[C];2009年

4 張光衛(wèi);康建初;李鶴松;劉常昱;李德毅;;面向場景的協(xié)同過濾推薦算法[A];中國系統(tǒng)仿真學會第五次全國會員代表大會暨2006年全國學術年會論文集[C];2006年

5 李建國;姚良超;湯庸;郭歡;;基于認知度的協(xié)同過濾推薦算法[A];第26屆中國數(shù)據(jù)庫學術會議論文集（B輯）[C];2009年

6 王明文;陶紅亮;熊小勇;;雙向聚類迭代的協(xié)同過濾推薦算法[A];第三屆全國信息檢索與內(nèi)容安全學術會議論文集[C];2007年

7 胡必云;李舟軍;王君;;基于心理測量學的協(xié)同過濾相似度方法(英文)[A];NDBC2010第27屆中國數(shù)據(jù)庫學術會議論文集(B輯)[C];2010年

8 林麗冰;師瑞峰;周一民;李月雷;;基于雙聚類的協(xié)同過濾推薦算法[A];2008'中國信息技術與應用學術論壇論文集（一）[C];2008年

9 羅喜軍;王韜丞;杜小勇;劉紅巖;何軍;;基于類別的推薦——一種解決協(xié)同推薦中冷啟動問題的方法[A];第二十四屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2007年

10 黃創(chuàng)光;印鑒;汪靜;劉玉葆;王甲海;;不確定近鄰的協(xié)同過濾推薦算法[A];NDBC2010第27屆中國數(shù)據(jù)庫學術會議論文集A輯一[C];2010年

相關博士學位論文 前6條

1 紀科;融合上下文信息的混合協(xié)同過濾推薦算法研究[D];北京交通大學;2016年

2 程殿虎;基于協(xié)同過濾的社會網(wǎng)絡推薦系統(tǒng)關鍵技術研究[D];中國海洋大學;2015年

3 李聰;電子商務推薦系統(tǒng)中協(xié)同過濾瓶頸問題研究[D];合肥工業(yè)大學;2009年

4 孔維梁;協(xié)同過濾推薦系統(tǒng)關鍵問題研究[D];華中師范大學;2013年

5 夏培勇;個性化推薦技術中的協(xié)同過濾算法研究[D];中國海洋大學;2011年

6 趙向宇;Top-N協(xié)同過濾推薦技術研究[D];北京理工大學;2014年

相關碩士學位論文 前10條

1 高慧敏;融合占有度的時間遺忘協(xié)同過濾混合推薦算法研究[D];燕山大學;2015年

2 蘇靖涵;面向SaaS多租戶的動態(tài)推薦方法研究[D];遼寧大學;2015年

3 徐曉妮;基于人工魚群算法的協(xié)同過濾推薦算法研究[D];遼寧大學;2015年

4 羅培;移動購物導購關鍵技術的研究與系統(tǒng)實現(xiàn)[D];西南交通大學;2015年

5 李婧;融合用戶差異度及信息熵的協(xié)同過濾推薦算法[D];西安建筑科技大學;2015年

6 主雪梅;基于混合協(xié)同過濾推薦的圖書館管理系統(tǒng)設計與實現(xiàn)[D];燕山大學;2015年

7 李智;基于QoS信息的服務推薦[D];上海交通大學;2015年

8 馬興敏;基于蜂群算法的協(xié)同過濾推薦系統(tǒng)的研究與實現(xiàn)[D];中國石油大學(華東);2014年

9 王培英;社會網(wǎng)絡中的社區(qū)發(fā)現(xiàn)及協(xié)同過濾推薦技術研究[D];北京交通大學;2016年

10 劉登祥;基于分層策略的協(xié)同過濾算法研究[D];上海交通大學;2015年

，

本文編號：1959128