基于时间因子的协同过滤算法研究
|
摘要
在电子商务发展的今天,协同过滤推荐能够推荐给用户可能感兴趣的物品,这可以提高我们在海量物品中搜索自己感兴趣物品的速度。首先,论文介绍了协同过滤(CF)推荐的关键技术。然后,重点分析了基于时间的协同过滤研究。最后,提出了协同过滤的可能面临的问题,包括冷启动、稀疏性等。
Today, with the development of e-commerce, collaborative filtering algorithm can recommend items that may be of inter-est to users, which can improve the speed of searching for items of interest among mass items. Firstly, the key technologies of col-laborative filtering(CF) recommendation are introduced. Then, the research of collaborative filtering based on time is emphaticallyanalyzed. Finally, the possible problems of collaborative filtering, including cold start, sparsity and so on, are put forward.
Today, with the development of e-commerce, collaborative filtering algorithm can recommend items that may be of inter-est to users, which can improve the speed of searching for items of interest among mass items. Firstly, the key technologies of col-laborative filtering(CF) recommendation are introduced. Then, the research of collaborative filtering based on time is emphaticallyanalyzed. Finally, the possible problems of collaborative filtering, including cold start, sparsity and so on, are put forward.
引文
[1]施海鹰.基于关联规则挖掘的分类随机游走算法[J].计算机技术与发展,2017,27(9):7-11.
[2]孙光福,吴乐,刘淇,等.基于时序行为的协同过滤推荐算法[J].软件学报,2013(11):2721-2733.
[3]何波,潘力.融合内容和改进协同过滤的个性化推荐算法[J].控制工程,2018(8).
[4]文拯.关联规则算法的研究[D].中南大学,2009.
[5]杨丹.基于多模信息融合的个性化推荐系统的研究[J].电脑知识与技术,2013(27):6067-6068.
[6]宋文君,郭强,刘建国.一种改进的混合推荐算法[J].上海理工大学学报,2015(4):327-331.
[7]黄文明,程广兵,邓珍荣,等.基于用户特征的分步协同推荐算法[J].计算机应用研究,2017(4).
[8]李昆仑,万品哲,张德智.基于改进用户相似性度量和评分预测的协同过滤推荐算法[J].小型微型计算机系统,2018.
[9]魏港明,刘真,李林峰,等.加入用户对项目属性偏好的奇异值分解推荐算法[J].西安交通大学学报,2018,v.52(05):106-112.
[10]赵雪美.基于用户兴趣模型的个性化推荐算法研究[D].2015.
[11]张建军,陆国生,刘征宇.基于奇异值分解和项目属性的推荐算法[J].合肥工业大学学报(自然科学版),2018,v.41;No.302(06):47-51+144.
[12]李远博,曹菡.基于PCA降维的协同过滤推荐算法[J].计算机技术与发展,2016(2):26-30.
[13]张杨,景京,谢婉婉,等.个性化推荐系统研究分析[J].河南科技,2016(13).
[14]蔡孟松.基于社交用户标签的混合个性化推荐研究[D].重庆大学,2013.
[15]鄂海红,宋美娜,李川,等.结合时间上下文挖掘学习兴趣的协同过滤推荐算法[J].北京邮电大学学报,2014,37(6):49-53.
[16]王岚,翟正军.基于时间加权的协同过滤算法[J].计算机应用,2007,27(9):2302-2303.
[17]邓华平,DengHuaping.基于项目聚类和评分的时间加权协同过滤算法[J].计算机应用研究,2015,32(7):1966-1969.
[18]沈键,杨煜普.基于滚动时间窗的动态协同过滤推荐模型及算法[J].计算机科学,2013,40(2):206-209.
[19]沈键,杨煌普.基于滚动时间窗的动态协同过滤推荐模型及算法[J].计算机科学,2013,40(2):206-209.
[20]孙艳歌,王志海,黄丹.基于时间的局部低秩张量分解的协同过滤推荐算法[J].计算机科学,2017(7).
[21]于洪,李转运.基于遗忘曲线的协同过滤推荐算法[J].南京大学学报(自然科学版),2010,46(5).
[22]乔雨,李玲娟.推荐系统冷启动问题解决策略研究[J].计算机技术与发展,2018(1):83-87.
[23]基于协同过滤算法数据稀疏性问题的研究[D].西南科技大学,2018.
[24]潘骏驰,张兴明,汪欣.一种结合用户可信度与相似度的鲁棒性推荐算法[J].计算机应用研究,2016,33(10):2988-2991.
[25]冯文杰,熊翱.基于新闻时效性的协同过滤推荐算法[J].计算机系统应用,2018,27(5):195-199.
[26]刘文超,祝永志,王斯锋.基于MapReduce的并行协同过滤推荐算法[J].曲阜师范大学学报(自然科学版),2018,44(1):50-53.
[2]孙光福,吴乐,刘淇,等.基于时序行为的协同过滤推荐算法[J].软件学报,2013(11):2721-2733.
[3]何波,潘力.融合内容和改进协同过滤的个性化推荐算法[J].控制工程,2018(8).
[4]文拯.关联规则算法的研究[D].中南大学,2009.
[5]杨丹.基于多模信息融合的个性化推荐系统的研究[J].电脑知识与技术,2013(27):6067-6068.
[6]宋文君,郭强,刘建国.一种改进的混合推荐算法[J].上海理工大学学报,2015(4):327-331.
[7]黄文明,程广兵,邓珍荣,等.基于用户特征的分步协同推荐算法[J].计算机应用研究,2017(4).
[8]李昆仑,万品哲,张德智.基于改进用户相似性度量和评分预测的协同过滤推荐算法[J].小型微型计算机系统,2018.
[9]魏港明,刘真,李林峰,等.加入用户对项目属性偏好的奇异值分解推荐算法[J].西安交通大学学报,2018,v.52(05):106-112.
[10]赵雪美.基于用户兴趣模型的个性化推荐算法研究[D].2015.
[11]张建军,陆国生,刘征宇.基于奇异值分解和项目属性的推荐算法[J].合肥工业大学学报(自然科学版),2018,v.41;No.302(06):47-51+144.
[12]李远博,曹菡.基于PCA降维的协同过滤推荐算法[J].计算机技术与发展,2016(2):26-30.
[13]张杨,景京,谢婉婉,等.个性化推荐系统研究分析[J].河南科技,2016(13).
[14]蔡孟松.基于社交用户标签的混合个性化推荐研究[D].重庆大学,2013.
[15]鄂海红,宋美娜,李川,等.结合时间上下文挖掘学习兴趣的协同过滤推荐算法[J].北京邮电大学学报,2014,37(6):49-53.
[16]王岚,翟正军.基于时间加权的协同过滤算法[J].计算机应用,2007,27(9):2302-2303.
[17]邓华平,DengHuaping.基于项目聚类和评分的时间加权协同过滤算法[J].计算机应用研究,2015,32(7):1966-1969.
[18]沈键,杨煜普.基于滚动时间窗的动态协同过滤推荐模型及算法[J].计算机科学,2013,40(2):206-209.
[19]沈键,杨煌普.基于滚动时间窗的动态协同过滤推荐模型及算法[J].计算机科学,2013,40(2):206-209.
[20]孙艳歌,王志海,黄丹.基于时间的局部低秩张量分解的协同过滤推荐算法[J].计算机科学,2017(7).
[21]于洪,李转运.基于遗忘曲线的协同过滤推荐算法[J].南京大学学报(自然科学版),2010,46(5).
[22]乔雨,李玲娟.推荐系统冷启动问题解决策略研究[J].计算机技术与发展,2018(1):83-87.
[23]基于协同过滤算法数据稀疏性问题的研究[D].西南科技大学,2018.
[24]潘骏驰,张兴明,汪欣.一种结合用户可信度与相似度的鲁棒性推荐算法[J].计算机应用研究,2016,33(10):2988-2991.
[25]冯文杰,熊翱.基于新闻时效性的协同过滤推荐算法[J].计算机系统应用,2018,27(5):195-199.
[26]刘文超,祝永志,王斯锋.基于MapReduce的并行协同过滤推荐算法[J].曲阜师范大学学报(自然科学版),2018,44(1):50-53.