推荐算法汇总.docx

《推荐算法汇总.docx》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、第一部分目前推荐算法应用背景较多，方法也各不相同。按推荐背景分：社交网络推荐系统，服务推荐系统，视频推荐系统，电子商务推荐系统等。目前采用的推荐算法分类：（该部分总结基本均参考文献[17]）1.协同过滤算法:（1）基于记忆的推荐算法1)基于内容推荐算法2）基于用户推荐算法3）基于用户的Top-N算法4）基于项目的Top-N推荐算法（2）基于模型的推荐算法1）基于朴素贝叶斯分类的推荐算法[1]利用加权朴素贝叶斯方法对没有评分的数据进行预测。优点：缓解稀疏性，推荐准确度提高。较好的计算精度缺点：用户评分之间存在相互依赖关系时，该算

2、法的准确性将打折扣2）基于线性回归的推荐方法[1]缺点：推荐精度低。3）基于马尔科夫决策过程MDP的推荐算法优点：考虑每个推荐的长期影响，以及每个推荐的期望值。4）基于矩阵分解的推荐算法,SVD系列推荐算法优点：缓解稀疏度，推荐准确性好缺点：只能对二维数据进行分析，考虑因素较少。5）Slopeone优点：产生结果速度快缺点：准确性不高6)基于聚类的Gibbs抽样方法缺点:计算复杂度大7）概率相关方法缺点:计算复杂度大7）极大熵方法缺点:计算复杂度大2.基于内容的推荐算法1)文本推荐方法优点：特征提取容易，应用广泛。2）基于潜在

3、语义分析(LatentSemanticAnalysis,LAS)的推荐缺点：潜在语义空间物理意义不明确，计算量大3）自适应推荐（1）决策树（2）聚类（3）人工神经网络优点：根据用户兴趣动态调整推荐3.基于图结构的推荐算法：基于图结构的推荐算法通过分析二部图结构给出合理的推荐。优点：推荐准确性较高。4.混合推荐算法应用最多的是协同过滤推荐算法，并且很多方法已经并行化实现。基于记忆的推荐算法较简单，推荐准确性不高；基于模型的比较复杂，推荐准确性高，研究较多。基于内容的推荐算法着重强调文本信息，研究也较多。基于图结构的推荐算法和混合

4、推荐算法应用较少。第二部分以下是近年来的水平较高的推荐算法汇总，这些算法均进行了并行化实现：1.云环境下top-n推荐算法[1]：多层分布式存储架构MDSA，在该架构中，网络节点被组织成一棵层次索引树MDSA-Tree，而电子商务数据按照特定的规则分割存储于MDSA-Tree的各节点上．为了降低网络传输代价和I/O开销，提出了适合top-n推荐的数据编码模式，而为了缩减系统响应时间，利用map/reduce分布式编程模型来快速获取满足用户偏好的前n个项。优点：实用性和可扩展性强。2.基于混合推荐和隐马尔科夫模型的服务推荐方法[

5、2]：云环境下对最优服务进行有效推荐的方法，,针对常常被忽略的新用户学习策略,提出新用户偏好的确定方法;针对服务的动态变化情况,基于隐马尔科夫模型(hiddenMarkovmodel)提出一种冗余服务消解策略。优点：更高的准确度和更好的服务质量,能更有效地提高系统性能。缺点：仅仅考虑了基于内存的协同过滤方法(memory-basedcollaborativefiltering)，还没有考虑网络的本身的结构拓扑。2.融合用户集合关系的稀疏线性(UCSLIM)推荐算法[3]：将用户划分为用户集合，进一步挖掘用户与用户集合之间的隐含

6、关系，并综合考虑用户与用户相关性、用户与用户集合相关性这两个因素。优点：时间复杂度低。缺点：用户集划分不够精准。3.一种基于标签与协同过滤的并行混合推荐算法[4]：该算法通过计算标签的词频－逆文档频率（ＴＦ－ＩＤＦ）值降低流行标签权重，根据用户的历史行为预测用户对其他资源的偏好值，最后依据预测偏好值排序产生Top-N推荐结果。优点：推荐质量高，具有一定的普适性；解决传统协同过滤算法的Top-N冷启动问题。算法并行化提高了推荐效率，复杂度较低。缺点：实际应用中，标签质量对实验结果的影响。4.基于实值的状态玻尔兹曼机模型[5]:模

7、型和用户的社交关系相结合。优点：解决数据稀疏问题。缺点是：应用领域都是传统的0-1数据。5.基于ApacheSpark的一种混合分布式协同过滤算法[6]：在spark平台上实现基于用户的协同过滤算法，并结合了维度减少和机器学习中的聚类算法。还通过标签得到用户对项目的关联性。优点：解决了冷启动问题，同时效率提高。缺点：当新的数据加入时需要更新模型。6.非负稀疏潜在语义分析算法[7]:采用图形处理单元加速的方法来优化非负稀疏潜在语义分析的算法，用来挖掘多媒体资源和标签数据关联背后的潜语义空间。优化了非负稀疏潜在语义模型，并且并行化

8、实现，用一个数据分区方案高效地解决了内存拥堵。优点：计算复杂度低。2.一个采用Mapreduce框架来并行计算标签亲和力的方法[8]：采用Mapreduce编程框架来计算微观、宏观和二元标签的同现出现频率。大概采用wordcount方法来计算标签同时出现率。优点：性能好，可扩