共查询到20条相似文献,搜索用时 31 毫秒
1.
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。 相似文献
2.
3.
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。 相似文献
4.
《价值工程》2017,(19):160-164
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。 相似文献
5.
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. 相似文献
6.
协同过滤推荐算法综述 总被引:3,自引:0,他引:3
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。 相似文献
7.
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。 相似文献
8.
9.
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。 相似文献
10.
11.
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。 相似文献
12.
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。 相似文献
13.
14.
15.
16.
17.
18.
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。 相似文献
19.
基于关联规则的推荐系统在电子商务中的应用 总被引:8,自引:0,他引:8
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。 相似文献
20.
《价值工程》2020,(2):250-252
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。 相似文献