SP 科学的规划 1875 - 919 x 1058 - 9244 Hindawi 10.1155 / 2017/4379141 4379141 研究文章 一种新颖的混合相似度计算模型 风扇 小平 1 2 陈 Zhijie 1 朱 Liangkun 3 http://orcid.org/0000 - 0002 - 5525 - 904 x 廖 参会 3 傅 Bencai 3 高 Longxiang 1 信息科学与工程学院 中南大学 湖南 中国 csu.edu.cn 2 湖南财经大学 湖南 中国 hufe.edu.cn 3 学校的软件 中南大学 湖南 中国 csu.edu.cn 2017年 4 12 2017年 2017年 25 08年 2017年 12 11 2017年 4 12 2017年 2017年 版权©2017年小平风扇等。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

本文地址相似度计算的问题在传统的最近邻协同过滤推荐算法,特别是失败在描述动态的用户偏好。从的角度解决用户兴趣漂移的问题,提出了一种新的混合相似度计算模型。这个模型包括两个部分,一方面采用函数拟合模型来描述用户的评级行为和其评级偏好,另一方面它使用随机森林算法考虑用户属性特性。此外,本文结合两个部分为用户建立一个新的混合相似性计算模型的建议。实验结果表明,不同大小的数据集,该模型的预测精度高于传统的推荐算法。

 中南大学 2017年zzts623 湖南省2011协同创新中心开发和利用的金融和经济大数据属性 1。介绍

传统协同过滤(CF)算法通常基于user-item评级计算用户或项目之间的相似度矩阵,并根据相似性计算他们选择了最近邻和构造预测分数来产生推荐列表。因此,相似度计算的精度和质量决定建议由启发式CF算法。然而,目前传统的启发式CF推荐算法受到一系列问题的相似度计算,如失败找到用户感兴趣的变化;即通过直接计算相似性的基础上统计,它只考虑用户评分和中心评级而忽略其他因素评级时,如用户属性、重量、时间和用户评级的习惯。

为了解决相似性计算的问题在传统的启发式CF推荐和改善其性能,罗et al。 1),阿南德和巴拉( 2],洛佩斯et al。 3)提出了全球相似性度量。基于传统的相似性算法,全局相似性度量计算考虑了用户之间的传递关系全球相似性,构建用户的最近邻居集合。结果洛佩斯的实验表明,在极其稀疏数据集,结合传统的相似性算法和全局相似性度量可以提高推荐的准确性。李等人。 4)提出了波动因素的概念。他认为波动的影响因素和消除它们的影响 z 当计算用户之间的相似性得分方法。沈et al。 5)提出了一种两级相似性学习算法,在第一阶段利用PCC计算相似度,得到最近的邻居,而在第二阶段它使用简化梯度法学习相似,这提高了推荐精度。高和黄 6]提出的基于重力模型的项目属性。其相似度计算包含两个部分:其中一个是传统的计算得到的相似之处;另一部分首先定义了项目属性的重量值,然后计算的初始相似模型的重力项属性,而且,两个相似之处是加权后,评级的影响时间考虑计算最终的相似度值。

开始从不同的角度,上面的研究旨在加强用户和项目之间的关系改善用户或项目之间的相似度,得到最优最近邻集合,最后在此基础上提高推荐精度和质量。然而,当加强用户和项目之间的关系,我们可以考虑一些因素,如用户的人口统计特征和衰减时间效应造成的评级,这对协会有一定的影响。这是非常有效的考虑用户属性特性在处理用户冷启动的问题。

因此,本文提出了一种新的相似性计算方法:RIT-UA算法。RIT-UA算法由两部分组成:一是用户rating-interest的相似性,认为用户评级的相似性和兴趣的变化和影响以及两个等级的约束下时间和用户之间的可靠系数;另一部分是用户属性的相似性,考虑了影响用户属性功能的建议和计算用户的相似属性后的重量每个属性特征。最后,RIT-UA直线算法适合两部分。实验结果表明,与传统方法相比,本文提出的算法可以获得更好的预测精度。

 2。相关工作

在对推荐系统的研究,尽管近年来,推荐系统研究了经常和发展充分,仍存在一些共同的问题,如数据稀疏、冷启动和用户兴趣漂移。为了解决这些问题,提高推荐精度和准确性,研究人员可能会考虑到很多方面,包括基本的用户属性特征和用户行为发生的时间和地点,并对这些形成相应的研究。

人口推荐系统(DRS)是一个推荐系统的重要组成部分。人口特征可以用来识别用户的类型和他们的偏好,和系统用户可以根据自己的属性特征和生成的建议基于排序的结果。DRS扮演一个伟大的配角在处理用户冷启动和数据稀疏的问题。目前的许多研究都证明,用户属性特性可以提高精度的建议。罗等。 7]使用改进的量化内核最小均方(EQ-KLMS)算法,提高了机器学习的效率和提高天气预报的准确性。分为et al。 8]精心推荐的用户属性特性的作用过程,分析和证明了用户的属性特征产生重大影响推荐系统的点击率。从旅游的角度建议,王et al。( 9)实验证明的结合机器学习方法(朴素贝叶斯、贝叶斯网络和支持向量机)和人口特征可以提高旅游业的预测精度的建议。赵et al。 10视觉跟踪传感器用来获得生物信息,然后使用基于机器学习的生物识别技术来提高识别的准确性。结合用户属性特性,Al-Shamri [ 11]构建五个相似措施,分别基于用户偏好建模方法,实验结果表明,用户属性特性的结合提高了推荐系统的推荐精度。桑托斯et al。 12]应用用户属性特性在现实我建议环境和分析场景中的上下文约束。陈和他( 13)构建用户人口统计向量的用户信息,以及在此基础上,把corated项目和项目的频率考虑找出一个新的相似性。实验结果表明,这种方法可以有效地解决冷启动问题,提高推荐精度。罗等。 14)实现QoS预测和自动参数调优功能通过使用近似动态规划,通过在线学习和优化,而不需要preknowledge识别或预测模型。然后,通过使用一个内核最小均方算法( 15),Web服务的缺乏QoS预测。实验结果表明,该方法可以有效地解决冷启动问题,提高预测精度。

与推荐系统研究的深入发展,为了获得更好的建议和提高推荐质量,许多研究者开始将上下文信息合并到推荐系统的研究。相对而言,信息容易收集之间的上下文信息,并提供了重要的价值研究提高推荐系统的时间序列的多样性,已成为一个热门话题在当前研究[ 16]。科伦( 17)使用矩阵分解计算),认为时间是一个重要的特性,将其添加到user-item特征数据集,并有效地解决了用户兴趣漂移的问题。Karatzoglou et al。 18和熊等。 19认为时间信息作为第三特征向量,采用张量分解的方法来显示时间的动态变化。根据用户的评级历史,荣et al。 20.)将它分成几期和分析用户的偏好分布在每个时期和量化他们的选择。李等人。 21]分裂用户偏好随时间阶段,提出了跨域CF框架。实验证明,该算法不仅提高了推荐预测精度,而且解决了用户兴趣漂移的问题。

 3所示。RIT-UA算法的描述

在相对稀疏数据的背景下,从的角度解决用户兴趣漂移的问题,本文提出了RIT-UA算法的基础上,传统的相似性计算,通过引入因素(如用户评级的属性特征和时间衰变)影响用户的评级行为。RIT-UA算法由两部分组成:一个是rating-interest的相似之处,另一部分是用户属性的相似之处。

3.1。Rating-Interest的相似之处

rating-interest由评级相似的相似之处和兴趣相似,主要考虑两个方面:用户的偏好和用户评级的习惯。与此同时,基于两个方面,介绍了评级的时间衰减的影响以及用户之间的可靠系数也介绍了波动因素的结合提出了文献[ 4]。最后,rating-interest用户之间的相似之处。整个过程描述如下。

3.1.1。评级相似

领域的电子商务系统,评级或投票通常被用来获取用户的直接对商品的偏好。假设用户对物品的偏爱程度分为5个层次,这是 喜欢,爱,喜欢,不满意,不喜欢 和相应的成绩 { 5、4 , 3、2 , 1 } 。因此,评级结果将产生一个矩阵。评级的偏好矩阵user-item可以见表 1。

User-item评级矩阵。

第一项 第二项 项目3 第四项
用户1 4 5 - - - - - - 1
用户2 - - - - - - 2 3 2
用户3 1 - - - - - - 3 4
用户4 - - - - - - 2 - - - - - - 3

表 1是一个评级矩阵user-item。在评级矩阵,当两个用户更近的评级,这表明他们的偏好是相似的。当两个用户的评级是相同的,这意味着用户共享相同的偏好。如果评级之间有巨大的差距,这意味着两个用户有相反的偏好。因此,为了描述的非线性相关性之间的相似用户的评级,建立乙状结肠函数来表达相似的用户评级基于文献[ 22),乙状结肠函数提出了相似的表达。摘要乙状结肠函数也用于表示用户之间的相似性。方程如下所示: (1) 年代 我 米 u , v , 我 r 一个 t e = 2 · 1 - - - - - - 1 1 + 经验值 ⁡ - - - - - - r u 我 - - - - - - r v 我 。

方程( 1)代表的评级项目之间的相似性 我 从用户 u 和用户 v 。 r u 我 代表项目的评级 我 从用户 u 和 r v 我 代表项目的评级 我 从用户 v 。

 3.1.2。兴趣相似

每个用户都有自己的评级的习惯。例如,一些用户不坚持步枪总是给一个高分,虽然有些严格的用户关注细节可能会给很低的分数。因为他们更严格的分数,他们轻易不给高分。因此,用户习惯的描述有助于提高预测精度。为用户评级习惯和固有的属性项,科伦( 17)一个方程用于定义,见方程( 2),也就是说,对于用户的评分习惯因素影响评级。在( 2) b u 代表用户的评级习惯 b 我 代表用户的评级项目 我 。 (2) b u 我 = μ + b u + b 我 。

因此,评级项目的范围内,当用户往往会取得高分,喜欢一个对象,他/她通常给高分。然而,即使用户不喜欢的对象时,他/她不会给低分,反之亦然。因此,根据用户给出的平均分数的一个项目,他/她的兴趣和偏好的评级习惯可以显示。同样,基于文献[ 22],它提出了s形的相似函数的表达式,本文还构建乙状结肠函数来表达用户兴趣的相似,所示 (3) 年代 我 米 u , v , 我 我 n t e r e 年代 t = 1 - - - - - - 1 1 + e x p - - - - - - r u 我 - - - - - - r ¯ u r v 我 - - - - - - r ¯ v 。

方程( 3)代表的相似用户的利益 u 和用户 v 在项目 我 。然后,结合评级之间的相似性和兴趣相似的用户,我们得到一个计算方程,显示为 (4) 年代 我 米 u , v ′ 年代 c o r e = 年代 我 米 u , v , 我 r 一个 t e + 年代 我 米 u , v , 我 我 n t e r e 年代 t 。

3.1.3。时间因素

一般来说,对用户的行为,发生在不同的时间同样会导致缺乏有效的定量分析。时间因素显示了用户兴趣漂移的程度的变化趋势。评级信息到现在时间越近,更好的推荐效果,反之亦然。在此基础上,一些研究使用线性和非线性函数来量化评级行为随着时间的推移。

在文献[ 23),为了解决的困难问题跟踪用户兴趣的变化,提出了艾宾浩斯遗忘曲线拟合的研究用户兴趣。艾宾浩斯遗忘曲线的变化如图 1。基于文献[ 23),结合艾宾浩斯遗忘曲线的趋势本文使用下面的函数来描述用户兴趣漂移的趋势,也就是说,画的时间因素的影响,如所示 (5) f Δ t = 2 e - - - - - - α Δ t 1 + e - - - - - - α Δ t ∈ 0 1 。

艾宾浩斯遗忘曲线的变化。

Δ t 代表用户的评级项目之间的时差 我 参数,在本文中,我们将它设置为0.005。后考虑到时间的影响,因此,新的计算方程的相似性用户rating-interest到达: (6) 年代 我 米 u , v ′ ′ 年代 c o r e = 1 我 u v ∑ 我 ∈ 我 u v 年代 我 米 u , v ′ 年代 c o r e · f Δ t 。

我 u v 代表项目corated用户的数量 u 和用户 v 。

 3.1.4。用户之间的信心

当用户数据的数量极其稀少,corated项目很小,有一个大的偶然因素相似度计算。李等人。 4利用波动因素)消除这种影响。在此基础上,介绍了corated项的数量调整的重量通过自然指数相似,显示为 (7) c o n f 我 d e n t u , v = 经验值 ⁡ 我 u ∩ 我 v 马克斯 ⁡ 我 u ∩ 我 w - - - - - - 1 。

方程( 7)代表用户之间的可靠系数 u 和用户 v ,代表项目被用户 u ,代表项目被用户 v ,显示了用户的corated物品 u 和用户 v ,代表了corated项之间的用户 u 和最近邻,代表了最近邻集合。

考虑到置信系数后,调整后的方程来计算用户的相似度rating-interest到达: (8) 年代 我 米 u , v 年代 c o r e = 年代 我 米 u , v ′ ′ 年代 c o r e · c o n f 我 d e n t u , v 。

3.2。用户属性的相似性

考虑到用户属性的相似性,一方面它可以提高预测的准确性,另一方面它可以解决新用户冷启动的问题;也就是说,当没有其他可用评级数据,数据的用户属性特性可用于构建模型并给出建议。至于描述用户属性的相似性,文献[ 20.)用户属性分为数值属性和名称属性和定义和表达它们,分别。从的角度易于理解和实现,本文定义了相似的用户属性如下。

对单用户属性,表示为 年代 我 米 u , v , 我 一个 t t r = 1 / 0 。

它表明,当用户 u 和用户 v 共享相同的属性 我 ,值为1;否则该值为0。 (9) 年代 我 米 一个 t t r u , v = ∑ 我 ∈ 一个 t t r w · 年代 我 米 u , v , 我 一个 t t r 。

在( 9) w 特性的用户属性的值吗 我 。为了获得所有每个特征属性的权重值,本文选择随机森林的特征选择算法来计算每个用户属性特性的重要性程度,生成一个等级。然后我们根据等级进行实验,获得进一步的每个属性的相对重要性权重值。

 3.3。基于RIT-UA相似度计算

部分 3.1和 3所示。2考虑rating-interest的相似性和用户属性的相似度,分别;因此我们两个进行加权组合,得到一个新的相似度的计算公式: (10) 年代 我 米 u , v = α · 年代 我 米 年代 c o r e u , v + β · 年代 我 米 一个 t t r u , v 。

在( 10), β = 1 - - - - - - α 。获得相似的计算方程后,我们得到用户项目的预测方程,显示为 (11) r ^ u 我 = r ¯ u + ∑ v ∈ U 年代 我 米 u , v · r v 我 - - - - - - r ¯ v ∑ v ∈ U 年代 我 米 u , v 。

r ¯ u 和 r ¯ v 意味着用户的平均分数 u 和用户 v 分别为, U 代表邻居的一组用户 u 。

RIT-UA相似性算法在算法的描述 1。

<大胆>算法1:< /大胆> RIT-UA算法的描述。

算法 1 RIT-UA相似度计算

输入:

Testset

算法

( 1 ) 用户在Testset做:

( 2 ) 项目在Testset[用户]:

( 3 ) / /得到co-rated物品

( 4 ) 用户:getCorateditemsUserset(项)

( 5 ) / /得到用户和用户之间的相似性

( 6 ) calculateRituaSimilarity(用户、用户)

( 7 ) / /根据相似性选择邻居

( 8 ) getTonKNeighbors (K)

( 9 ) / /计算预测评级

( 10 ) 评级:getrate(邻居)

( 11 ) 结束了

( 12 ) 结束了

因此,从算法的描述 1我们可以看到操作RIT-UA算法的时间复杂度 O ( 米 ∗ n ) ,在那里 米 用户的数量和方式 n 意味着条目的数量。

 4所示。RIT-UA算法的描述 4.1。实验数据集

考虑到开放和权威的数据集,与此同时,我们的模拟实验是基于得分矩阵,所以我们选择了两个数据集,即movielens - 100 k和Netflix,进行实验分析和比较。如下所示的流程。

以下4.4.1。movielens - 100 k的数据集

数据集是一个电影评级GroupLens研究提供的数据集。数据集包含100000电影评级从1682年的943用户,每个用户评级至少20个电影,和评级区间 { 1 - - - - - - 5 } 如表所示 2。与此同时,数据集的稀疏 1 - - - - - - 1 00000年 / ( 943年 ∗ 1682年 ) = 93.7 %。图 2(一个)显示商品的数量被用户ml - 100 k的降序排列的数据集。从图中,我们可以看到物品的数量被许多用户不到100。为了测试算法的性能,数据集分为两部分:80%作为训练集和20%作为测试集。

User-item评级矩阵。

movielens - 100 k 网飞公司
用户 943年 4861年
项目 1682年 5080年
评级 100000年 387939年
评定量表 { 1、2 , 3、4 , 5 } { 1、2 , 3、4 , 5 }
稀疏的数据 93.7 % 98.4 %

user-rated项的数量的变化趋势(降序)。

毫升- 100 k的数据集

Netflix的数据集

在ml - 100 k的数据集,只有4属性对用户的属性特征:性别、年龄、职业、和邮政编码。

 4.1.2。Netflix的数据集

Netflix的数据集是一个部分的原始Netflix游戏数据。后适当的数据清理,数据集包含387939个评级从5080年的4861用户对象,其中每个用户评级至少20对象,以及评级区间 { 1 - - - - - - 5 } 如表所示 2。

的稀疏数据集 1 - - - - - - 3 87939年 / ( 4861年 ∗ 5080年 ) = 98.4 %,图 2 (b)显示商品的数量被用户ml - 100 k的降序排列的数据集。从图中,我们可以看到物品的数量被大量用户小于100。同样,为了测试算法的性能,数据集分为两部分:80%作为训练集和20%作为测试集。

打扫Netflix数据集的过程中,由于没有用户属性特征数据,根据用户的特征属性数据的ml - 100 k,本文随机生成数据的三个用户属性在Netflix通过仿真实验:性别、年龄和职业。年龄属性的范围 { 1 0 - - - - - - 6 5 } 20种职业,职业属性的范围 { 0 - - - - - - 1 9 } ,性别的价值是给定的范围内 { 0 - - - - - - 2 } 。因为我们高稀疏的数据集,我们使用资源调度和稀疏数据的处理方法 24, 25]。

 4.2。实验评价数量

一般来说,有评价数量如梅(平均绝对误差)和RMSE(根均方误差)在实验评价推荐系统的预测精度。比较之后,RMSE(根均方误差)作为本文的评价数量。方程是 (12) R 米 年代 E = ∑ 我 ∈ T e 年代 t r u 我 - - - - - - r ^ u 我 N T e 年代 t 。

N T e 年代 t 表示测试数据集的大小,指的是真正的评级价值指的是预测评分值。通过RMSE值越小,预测精度越高;也就是说,值越小,越接近的预测。

 4.3。实验过程及分析 4.3.1。实验1:实验分析用户属性的权重值的特性

从( 9),我们可以看到,为了获得每个用户属性的加权值功能,随机森林算法选择。

随机森林是一个学习方法,可以分析复杂的交互式特性数据,即使在某些数据噪声的影响是非常健壮的,并且它是非常有效的学习和分析功能。它的变量重要性度量可以对高维数据的特征选择工具。近年来,它已被广泛应用于各种预测,特征选择和异常检测( 26]。

因此,我们得到每个用户属性的权重值特性与随机森林算法在ml - 100 k和Netflix数据集。实验结果如图 3和 4。

排名的用户属性的权重值特性(ml - 100 k)。

排名的权重价值用户属性特征(Netflix)。

在ml - 100 k的数据集,从图 34中我们可以看到属性(年龄、性别、职业、和邮政编码)性别是最重要的,这表明性别属性对一个重要的角色在推荐和用户评级更类似与这个属性。性别属性相比,邮政编码属性发挥作用相对较低的建议所以它的重量值也相应较低。但其他两个年龄和职业属性显示相对中等重量的影响特性,重量的实验意味着价值大约是0.284和0.186,分别。

插图的部分数据 3和 4沃克的领域可能的权重值为每个特性。Netflix的数据集,性别和年龄的属性有很明显的效果的建议,和整体重要性排名权重值的类似于ml - 100 k。

为了测试的相对最优权重值和每个属性的(年龄、性别、职业、和邮政编码)和(年龄、性别和职业)ml - 100 k和Netflix的数据集,我们进行几组比较实验,实验结果如图 5和 6。从数据 5和 6我们可以看到在ml - 100 k的数据集”的年龄,性别,职业,和邮编”给出的值“0.3,0.3,0.25,0.15,”分别得到更好的实验结果。至于Netflix的数据集,当“年龄、性别和职业”给出的值“0.5、0.4和0.1,分别得到更好的实验结果。因此,上面的值将用于以下实验。

实验比较不同用户属性的权重值(ml - 100 k)。

实验比较不同用户属性的权重值(Netflix)。

 4.3.2。实验2:实验分析α和β的重量值

根据( 10),为了得到的值 α和 β这将产生相对较好的实验结果,我们使用了RIT-UA算法进行第二组实验基于ml - 100 k和Netflix的数据集。实验结果如图 7和 8。

实验结果与不同的α和β(ml - 100 k)。

实验结果与不同的α和β(Netflix)。

从结果显示数据 7和 8我们可以看到,ml - 100 k的数据集,当 α = 0.7 5 和 β = 0.25 ,我们得到相对更好的实验结果。Netflix的数据集,当 α = 0 。 7 和 β = 0.3 ,相对更好的实验结果。

 4.3.3。实验3:实验分析比较与其他相似的措施

为了验证本文算法的有效性,我们比较它与其他相似的措施,包括皮尔森相似,调整余弦相似性(Acosine), PIP [ 27相似,NHSM [ 28]ml - 100 k的相似性和Netflix的数据集。实验结果如图 9和 10,分别。

实验比较不同的相似性算法(ml - 100 k)。

实验比较不同的相似性算法(Netflix)。

从图 9我们知道,ml - 100 k的数据集,整体的实验结果表明,与邻居的增加,本文的算法逐渐优于他人。在开始阶段当邻居的数量 ( 10、30),本文提出的算法的结果接近PIP但略优于皮普的后期。NHSM的实验结果是好的当邻居的数量 ( 10、30),但更糟糕的是在以后的时期。实验结果PCC和Acosine比其他算法。Netflix的数据集,从图 10我们知道,本文提出的算法优于其他算法逐渐增加的邻居。NHSM优于别人当邻居的数量 ( 10、40),但执行不太好以后,本文提出的算法。

 4.3.4。实验4:比较精密的不同大小的数据集

基于ml - 100 k的数据集,本文选择20%,40%,60%,和80%的数据集,分别。邻居 k = 2 0 作为一个先决条件,我们验证精度的比较不同算法在不同大小的数据集。使用5倍交叉验证实验结果的平均值,如图所示 11。

比较不同算法所产生的结果数据集的大小不同(ml - 100 k)。

从图 11我们可以看到,该算法产生更好的稳定结果ml - 100 k大小的不同数据集,表明,在稀疏数据的情况下,该算法具有较高的识别程度。至于其他三个算法,PIP算法的性能相对稳定,和RMSE值相对较低。然而,对于NHSM算法,RMSE值更高的相对稀疏数据集时,同时,随着数据集的大小增加,NHSM算法性能更好,变得更稳定。

 5。结论

针对传统的相似性计算中存在的问题,提出了一种新的相似度计算模型。如用户评级模型描述和表达方面的偏好,用户评级的习惯,和时间因素。此外,用户属性特性是考虑对用户评分的影响,以及每个属性的作用特性在建议进行了研究。然后随机森林算法来计算每个属性的权重值。最后的实验结果表明,与其他相似措施相比,本文中提出的方法显著提高了推荐精度,甚至在稀疏的情况下的数据还显示了更好的实验结果。实验的不足之处是,由于用户属性数据在数据集相对较小,没有明显的差异在计算用户属性的特征权重值,用户属性数据是私有的和不容易获得,这不可避免地投下阴影的实验。

 的利益冲突

作者宣称没有利益冲突有关的出版。

 确认

这个项目是基础研究基金支持的中央大学中南大学没有。2017 zzts623和湖南省2011协同创新中心开发和利用的金融和经济大数据属性。

 罗 H。 妞妞 C。 沈 R。 乌尔里希 C。 协同过滤框架基于本地用户相似性和全球用户相似性 机器学习 2008年 72年 3 231年 245年 2 - s2.0 - 48349093367 10.1007 / s10994 - 008 - 5068 - 4 阿南德 D。 巴拉 K·K。 利用各种稀疏措施增强准确性基于本地和全球的协作推荐系统的相似之处 专家系统与应用程序 2011年 38 5 5101年 5109年 2 - s2.0 - 79151482018 10.1016 / j.eswa.2010.09.141 洛佩斯 a·r·S。 领域 r . b . C。 Bezerra b . l . D。 协同过滤框架基于局部和全局相似性与相似性打破僵局的标准 国际神经网络联合会议学报》上 2014年7月 2887年 2893年 10.1109 / IJCNN.2014.6889418 2 - s2.0 - 84908474228 李 H。 王 G。 高 M。 一种新的相似度计算协同过滤 《国际会议上小波分析和模式识别 2013年7月 IEEE 38 43 10.1109 / ICWAPR.2013.6599289 2 - s2.0 - 84885464069 沈 J。 魏 Y。 杨 Y。 基于两个阶段的协同过滤推荐算法的相似性学习及其优化 13 IFAC学报》研讨会上大规模复杂系统:理论和应用程序 2013年7月 335年 340年 10.3182 / 20130708 - 3 - cn - 2036.00068 2 - s2.0 - 84885796966 高 l 黄 M。 协同过滤推荐算法基于属性重心模型随着时间的调整 《12 Web信息系统和应用程序的会议 2015年9月 197年 200年 10.1109 / WISA.2015.54 2 - s2.0 - 84964240930 罗 X。 邓 J。 刘 J。 王 W。 禁止 X。 王 J。 一个量子化的内核最小均方计划entropy-guided学习智能数据分析 中国通信 2017年 14 7 1 10 10.1109 / CC.2017.8010964 分为 J。 兰格 年代。 Nurnberger进行 一个。 人口结构的影响(年龄和性别)和其他用户特征评价推荐系统 数字图书馆研究和先进技术 2013年 柏林,德国 施普林格 396年 400年 王 Y。 常ydF4y2Ba 美国张炳扬。 Ngai G。 适用性的人口对旅游景点推荐系统:一个案例研究在旅行顾问 《IEEE / WIC / ACM国际会议上Web智能和智能代理技术研讨会 2012年12月 97年 101年 10.1109 / WI-IAT.2012.133 2 - s2.0 - 84878430926 赵 W。 Lun R。 戈登 C。 Fofana a b。M。 埃斯皮 D D。 Reinthal m·A。 Ekelman B。 古德曼 g D。 Niederriter j·E。 罗 X。 以人为中心的活动跟踪系统:向一个更健康的工作场所 IEEE人机系统 2017年 47 3 343年 355年 10.1109 / THMS.2016.2611825 2 - s2.0 - 84991037009 Al-Shamri m . Y。 用户人口推荐系统的分析方法 以知识为基础的系统 2016年 One hundred. 175年 187年 10.1016 / j.knosys.2016.03.006 桑托斯 e . B。 加西亚Manzato M。 Goularte R。 评估影响的人口数据混合推荐系统模型 WWW /互联网上IADIS国际期刊 2014年 12 2 149年 167年 陈 T。 他 l 协同过滤基于人口统计属性向量 《国际会议对未来计算机和通信 2009年6月 IEEE计算机协会 225年 229年 10.1109 / FCC.2009.68 2 - s2.0 - 76949100830 罗 X。 罗 H。 常 X。 在线优化协作web服务QoS预测基于近似动态规划 学报》国际会议识别、信息和知识在物联网(IIKI 14) 2014年10月 中国,北京 IEEE 80年 83年 10.1109 / IIKI.2014.24 罗 X。 刘 J。 张 D D。 常 X。 大规模的网络QoS预测方案基于内核的工业物联网机器学习算法 计算机网络 2016年 101年 81年 89年 10.1016 / j.comnet.2016.01.004 窦 l . Y。 王 x H。 基于上下文的协同过滤推荐算法的时间和标签 太原理工大学学报 2015年 6 科伦 Y。 协同过滤与时序动态 第十五届ACM SIGKDD国际会议程序知识发现和数据挖掘(KDD ' 09) 2009年6月 法国巴黎 447年 456年 10.1145/1557019.1557072 Karatzoglou 一个。 Amatriain X。 Baltrunas l 奥利弗 N。 多元宇宙推荐:n维张量分解为上下文感知协同过滤 第四届ACM推荐系统研讨会论文集(RecSys 10) 2010年9月 西班牙巴塞罗那 ACM 79年 86年 10.1145/1864708.1864727 2 - s2.0 - 78649941975 熊 l 陈 X。 黄 t·K。 时间协同过滤与贝叶斯概率张量分解 《暹罗国际会议数据挖掘(SDM (10) 4、2010 美国俄亥俄州哥伦布市 211年 222年 10.1137 / 1.9781611972801.19 荣 h·G。 霍 s . X。 胡 c . H。 用户相似性的协同过滤推荐算法 杂志在通信 2014年 35 2 16 24 李 B。 朱 X。 李 R。 跨域协同过滤 《人工智能国际联合大会(IJCAI”展出11) 2011年7月 西班牙巴塞罗那 2293年 2298年 贾玛利 M。 酯 M。 TrustWalker:随机游走模型结合基于信任和基于项目的建议 第十五届ACM SIGKDD国际会议程序知识发现和数据挖掘(KDD ' 09) 2009年7月 397年 405年 10.1145/1557019.1557067 2 - s2.0 - 70350656351 余 H。 李 z Y。 根据遗忘曲线的协同过滤推荐算法 南京大学学报(自然科学) 2010年 46 5 520年 527年 魏 W。 风扇 X。 首歌 H。 风扇 X。 杨 J。 基于不完全信息动态stackelberg博弈使用隐马尔科夫对云计算资源分配 IEEE服务计算 2016年 10.1109 / TSC.2016.2528246 李 T。 刘 Y。 高 l 刘 一个。 cooperative-based模型在雾smart-sensing任务计算 IEEE访问 2017年 5 21296年 21311年 10.1109 / ACCESS.2017.2756826 姚 D.-J。 杨 J。 张ydF4y2Ba X.-J。 基于随机森林的特征选择算法 吉林大学学报(工程技术版) 2014年 44 1 137年 141年 10.13229 / j.cnki.jdxbgxb201401024 2 - s2.0 - 84892912472 安 h·J。 一个新的相似性测度协同过滤缓解新用户本身的问题 信息科学 2008年 178年 1 37 51 2 - s2.0 - 34948850364 10.1016 / j.ins.2007.07.024 刘 H。 胡 Z。 面 一个。 田 H。 朱 X。 新用户相似度模型,以提高协同过滤的准确性 以知识为基础的系统 2014年 56 156年 166年 2 - s2.0 - 84892441295 10.1016 / j.knosys.2013.11.006