基于项目聚类和评分预测的协同过滤推荐算法研究

协同过滤算法是目前个性化推荐系统中应用最成功的推荐算法之一。目前协同过滤构建的用户-项目矩阵,一般是按用户对所有项目的评分构建,却没有考虑项目之间的分类情况,导致寻找的邻居集合可能不是最近邻居集合。针对此问题,本文提出基于项目聚类和评分预测的协同过滤推荐算法,该算法首先按商品聚类,将大矩阵按聚类的商品来进行子矩阵的计算,在子矩阵里进行兴趣度的测量,最后将在所有区域相似用户的推荐项目合并,成为该用户的最后推荐结果。实验证明新算法能够提高协同过滤推荐系统的推荐质量。     

区分用户长短期兴趣个性动态化推荐算法的研究

协同过滤算法已被成功应用于许多领域,但遇到了可扩展性和精度低等问题。目前提出了许多改进算法,但它们均忽略了用户长短期兴趣对推荐的不同影响,针对这个问题,介绍一种基于查询推荐技术的用户兴趣模型,它能够区分用户长短期兴趣且为用户做出更加精确且不同推荐。     

基于协同过滤和内容的用户需求混合推荐算法

个性化需求信息推荐是需求识别和获取的有效手段之一。文章提出了一种基于协同过滤和内容筛选的混合推荐模型,该模型利用用户特征相似性解决传统协同过滤的冷启动和稀疏性问题,并基于需求内容的特征提取和分析筛选掉与目标用户兴趣相差较大的需求,以此来提高推荐的准确性。实验表明,该模型能够避免数据稀疏问题,并提高需求推荐的质量。     

基于改进二部图与专家信任的混合推荐算法

针对传统协同过滤算法出现的稀疏数据、用户冷启动等问题以及复杂网络结构的广泛应用,本文提出结合改进的二部图与改进的专家信任算法来提高推荐准确度。基于普通二部图算法,将用户对项目的评分作为节点之间的分配资源权重,不仅关注用户与项目之间的联系,同时体现用户对项目的喜好程度;其次,本文根据用户的评论数和与该用户对项目评分相同的数目来判断该用户的专家信任度,改进传统系统过滤算法。为了提高推荐准确度,改进缺点,我们将两者算法进行加权混合,加权因子根据实验中最小MAE值对应的权值来确定,形成混合推荐算法。最后针对基于用户的协同过滤、传统二部图以及本文提出的混合算法计算MAE值和平均Hamming距离,对比分析本文算法的推荐准确度与多样性,实验表明本文方法推荐效果较好,准确率高,个性化强,有研究和应用价值。     

浅谈协同过滤技术在智能搜索引擎中的应用

协同过滤技术的核心思想是用户会倾向于利用具有相似意向的用户群的产品,在智能搜索引擎中起着重要作用.协同过滤推荐系统使用统计技术搜索目标用户的若干最近邻居,然后根据最近邻居对项目的评分预测目标用户对项目的评分,产生对应的推荐列表.本文针对智能搜索引擎重的协同过滤技术进行分析和设计,提出协同过滤分析的推荐方法和相关算法.     

协同过滤推荐算法综述

推荐系统是电子商务系统中最重要的技术之一,协同过滤推荐技术是目前应用最广泛和最成功的推荐技术。本文首先介绍了协同过滤的基本概念和原理,然后总结了协同过滤推荐算法中的关键问题和相关解决方案,最后介绍了协同过滤推荐算法需要进一步解决的问题和可能的发展方向。     

论文推荐算法及数据特征研究综述

本文主要研究论文推荐算法和论文推荐主要使用的数据特征,从而对论文推荐进行总结。论文推荐算法主要有四大类：基于内容的过滤、协同过滤、基于图形的推荐方法和混合推荐方法,论文推荐数据特征主要使用如下四种：标签、用户配置文件、引文网络和社会网络。     

基于加权相似度显隐式反馈的协同过滤算法

针对传统的协同过滤算法没有考虑到不同用户之间相似度的差异以及用户对项目的评分时间等因素的影响,提出了一种基于加权相似度显隐式反馈的协同过滤算法:先获取用户的显式和隐式反馈评分信息以及用户-项目的评分时间信息。再对评分信息进行基于时间的加权处理,并对传统的相似度计算方法进行修改,引入相关度因子。最终根据预测公式获得用户的推荐结果。实验仿真表明算法在平均绝对误差和精确率两个指标上有了一定的提高,并在一定程度上提高了推荐算法的准确性。     

基于BP神经网络-协同过滤的云制造供应商推荐系统

为更加准确的为制造服务需求方推荐制造服务供应商,提高云制造平台的运行效率,本文将BP神经网络与协同过滤算法相结合,构造了一个制造服务供应商推荐系统。系统结合了神经网络强大的非线性拟合能力以及协同过滤推荐算法的可解释性,从而更加精准的为制造服务需求方提供推荐服务。最终发现,本文提出的系统推荐准确率要优于传统的协同过滤推荐算法。     

基于相关物品的电子商务智能推荐系统研究

以大数据时代为背景,改变传统推荐系统的设计思路,给出一个"相关物品"智能推荐系统体系结构。将用户即时购买需求和历史偏好相结合,提出一种改进的基于粗糙集的属性约简算法,用于数据预处理阶段提取用户实时需求商品类的特征,在线分析阶段采用引入兴趣域的聚类算法挖掘用户实时关注商品的相似商品集,离线用协同过滤推荐挖掘相关商品集,将在线部分与离线部分的相关商品集融合,按照点击率预估对集合进行排序,形成推荐,以解决推荐系统在实时性、扩展性、智能性和实时性与精准平衡性方面存在的问题。     

基于文本挖掘的协同过滤优化在商品推荐中的应用研究

文章以天猫商城智能手机产品的用户评论数据为数据源,提出基于用户评论信息的协同过滤算法优化模型,其优化核心是将评论文本中蕴含的用户偏好信息融入到经典协同过滤模型中。通过对商品、用户的多个特征属性建立商品属性特征值表,并对用户和各个商品的属性特征值间进行余弦相似度计算匹配,从而形成用户感兴趣的组合推荐。     

一种新的基于用户的协作过滤推荐算法

协作过滤是应用最为广泛的推荐技术，通常提供预测评分作为推荐。提出一种新的协作过滤算法，采用概率形式．即预测用户喜欢商品的概率来推荐。算法采用基于用户的思路，扩展最近邻算法，通过训练建立预测值和概率形式之间的映射模型，考察相似用户的评价提供概率形式的推荐。实验结果表明该算法能够提供比较准确的预测。     

基于协同过滤在高校学习资源个性化推荐系统中应用研究

文章针对目前高校学习资源信息过剩问题而无法向学习者进行个性推荐资源。文章鉴于电子商务个性化推荐模型研究启示,尝试将协同过滤技术应用在高校学习资源中进行个性化推荐技术研究。文章分析了协同过滤技术个性推荐系统类型以及基于项目个性推荐系统模型流程,最后结合案例分析了基于项目协同过滤技术在高校学习资源应用整个流程;并针对协同过滤算法存在问题,提出了改进方法。     

视频资源推荐系统的设计与实现

文章对视频资源推荐系统的设计与实现进行了系统且有效的分析和研究,视频资源推荐系统采用个性化推荐技术,使用协同过滤算法进行推荐,运行于Hadoop大数据计算平台,使用MySQL数据库作为存储,系统所需要的数据集采用Python语言编写脚本,并从网上进行数据采集。经测试,该系统可以让用户能得到自己所需的视频资源,移动端用户也能快速找到自己喜欢的类型视频资源和全网推荐视频资源,具有较好的推荐效果。     

特征选择在协同过滤推荐算法中的应用研究

用户-项目评分数据集的高维稀疏性使得传统的协同过滤处于"维度困境"。运用降维技术的特征变换方法的协同过滤算法虽然缩减用户-项目评分数据集规模,但在某种程度上导致信息损失。本文提出将特征选择方法和技术运用于协同过滤算法,并且给出了基于有监督特征选择的协同过滤框架及其协同过滤流程。     

基于模糊聚类的数字图书馆个性化推荐系统方案设计

用户建模是数字图书馆个性化推荐系统中的关键技术,本文依据中图法对用户兴趣进行了建模,并通过Apriori关联规则算法挖掘了信息资源各类别间的关联,然后通过FCM算法对用户进行聚类分析得到目标用户的最近邻,在Top_n最近邻居集中通过协调过滤技术产生推荐。实验结果表明,本文提出的方案是可行的和有效的,也为创新数字图书馆个性化服务提供了一种新的思路。     

个性化推荐算法综述

随着大数据时代的到来,数据已经不再是匮乏资源,如何利用数据成为各界人士的关注点。在各界学者的研究中,个性化推荐算法无疑是主要研究领域之一,而且个性化推荐已经广泛应用到新媒体、电商、游戏等领域。近年来使用频率较多的个性化推荐算法有协同过滤的推荐算法、基于图结构的推荐算法和基于社交网络的推荐算法等,文章对这3种个性化推荐算法做了综述,阐述了它们的原理及用法。     

基于顾客交易数据的电子商务推荐方法研究

文章首先简要介绍了电子商务个性化推荐系统的概念、分类及作用,并综述了几种主要的协同过滤推荐技术;然后针对当前推荐系统的缺点提出了基于顾客交易数据的协同过滤推荐方法;最后简单评述了电子商务个性化推荐领域所面临的挑战及需解决的问题。     

基于关联规则的推荐系统在电子商务中的应用

电子商务的发展加剧了企业的竞争。为了充分应用商务网站的信息,本文提出了建立基于关联规则的电子商务的推荐系统;探讨了电子商务推荐系统模型、生成关联规则和形成推荐集的过程。主要应用FP-Tree算法挖掘客户的行为模式和购买组合,根据用户的兴趣度和置信度产生相应的推荐侯选集,实现网站的个性化服务。根据挖掘的客户知识,网站可以制定针对目标客户的营销方案,从而提高客户的忠诚度,增加商务网站的赢利水平和竞争能力。     

基于聚类算法的视频推荐系统的算法研究

针对目前视频推荐系统功能少、推荐数据不全面,以及采集用户数据不全推荐能力弱,用户体验差等问题,提出了一种基于聚类算法的视频推荐系统算法。通过自主开发的聚类算法中的AP-聚类分层分析所获取到的不同的用户信息,以及不同的用户的视频的关注度信息,形成不同的用户视频信息聚类库,结合用户视频信息库中的历史数据,进行标签设置,自主进行计算权重,利用开发的聚类层进行用户对视频信息的喜好进行排序,生成喜好序列表,最后通过聚类分层模型计算出不同用户在聚类信息库中的喜好视频信息,进行标签和推荐。该算法成功的对不同用户的视频信息进行了标签和推荐,且推荐针对性较强,命中率较高,具有一定的学术研究价值和实际推广意义。