共查询到20条相似文献,搜索用时 46 毫秒
1.
2.
3.
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
4.
5.
6.
《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
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.
通过对推荐系统和云计算技术的理论、技术问题进行研究,构建基于云计算的信息推荐系统,并对推荐系统中的推荐算法进行深入研究,利用云计算技术设计信息推荐系统,解决互联网中信息过载问题,为不同用户提供个性化的推荐服务,最后对云计算下的推荐系统的研究难点和发展趋势进行展望。 相似文献
9.
随着互联网的普及和电子商务、个性化推荐技术等的发展,Web使用挖掘成为了数据挖掘的新的研究热点。针对Web用户会话聚类,提出了一种基于序列对集合的用户会话实时聚类方法。对聚类算法进行了分析与比较,给出了时空复杂度,实验比较了BOM算法与BOC算法的效率,并验证了BOC算法的有效性与时效性。 相似文献
10.
11.
12.
本文在阐述Web数据挖掘技术的定义和过程基础上,把Web数据挖掘应用到电子商务网站个性化推荐服务系统中,形成了基于Web数据挖掘的个性化服务电子商务网站模型,并对数据挖掘技术在个性化服务不同层面的应用进行分析。 相似文献
13.
14.
15.
16.
17.
18.
随着大数据技术的迅猛发展,电商行业正面临前所未有的机遇与挑战。本文首先概述了大数据在电商领域中的应用现状,如用户行为分析、个性化商品推荐、供应链优化及营销策略的完善。其次,重点探讨了大数据驱动下电商平台的发展与创新,包括数据资源的整合与深度挖掘、大数据在电商运营决策中的运用,以及大数据与人工智能技术在电商平台的创新结合。此外,我们还从用户体验的角度分析了大数据的影响,如个性化推荐、用户黏性、数据隐私保护与合规管理等方面。最后,对大数据驱动下电商行业的发展趋势进行了展望,包括大数据在电商行业的未来应用前景、数据治理与安全挑战,以及电商行业对人才的需求与培养。希望通过本次研究,为电商行业的未来发展提供理论支持和实际操作建议,从而促进电商行业的创新和可持续发展。 相似文献
19.
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