推荐系统介绍

最近几年做机器学习和数据挖掘研究的人经常会看到下面的各种名词，即隐含类别模型(Latent Class Model)、隐语义模型(Latent Factor Model)、pLSA、LDA、Topic Model、Matrix Factorization、Factorized Model。 这些名词在本质上是同一种思想体系的不同扩展，在推荐系统领域，提的最多的就是潜语义模型和矩阵分解模型。其实，这两个名词说的是一回事，就是如何通过降维的方法将评分矩阵补全。

一种针对群体的列表融合推荐算法

：传统的协同过滤推荐技术主要基于用户-项目评价数据集进行挖掘推荐，没有有效地利用用户通信上下文 信息，从而制约其进一步提高推荐的精确性。针对传统协同过滤推荐算法存在的推荐精度不高的弊端，在协同过滤 算法中融入通信上下文信息，引入了通信信任、相似信任和传递信任三个信任度，并提出了一种基于信任的协同过滤 推荐模型。通过公开数据集验证测试，证明提出的推荐算法较传统的协同过滤推荐技术在推荐准确性上有较大提高。

基于差分隐私的Slope One协同过滤推荐算法，王辉，何杰，Slope One算法是一种简洁高效且推荐精度高的协同过滤推荐算法，然而其很难提供一个严格的隐私保证。潜在攻击者可以通过观察用户的推

根据用户的近期行为，预测用户当前的需求，然后结合用户的偏好给出能满足用户需求的课程推荐。在算法选型上，采用以二分类模型为主，预测用户在短期内需求。

协同推荐是信息个性化服务中广泛应用的推荐算法，协同推荐算法以宿主系统所观测到的用户评分作为实现推荐的数据依据。用户评分矩阵的稀疏性问题对协同推荐的各工作过程可产生直接或间接的影响，导致推荐服务的准确性下降。通过对稀疏性问题影响推荐系统方式的分析发现，一般协同推荐方法的项目相似度计算只注重项目在评分数值上的相关性，而忽视了项目之间评分的重合度对提高推荐质量所起的重要作用。通过将评分重合度融入到相似度计算中，提出了一种结合评分重合度的改进协同推荐算法，并在稀疏评分环境下将其与已有协同推荐算法进行了对比实验与分析，实验结果验证了所提算法在提高预测准确性上的有效性。

针对传统度量相似性方法中忽略项目多属性类别差异的问题，提出一种改进项目多属性类别划分的推荐算法。首先构建项目—用户隶属矩阵挖掘用户间的隶属关系，并创建相似邻居FP-Tree以提取最近邻居集；然后分析用户间共同项目相似性和项目多属性类别划分的差异性，通过权重因子将共同项目和多属性类别融合，构建CNB度量模型度量邻居相似程度；最后对所得相似用户进行降序排列，获取更加精准的相似用户，完成推荐工作。结合医药数据集验证该算法的有效性，结果表明其时间复杂度、推荐准确性和平均精度均值均有较好的提升。

基于物质扩散的推荐算法python实现，比传统的推荐算法运行效率更高效、快捷，代码也更简洁，适合大型推荐系统开发

对协同过滤算法的原理进行介绍，有助于对算法进行理解