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。     

面向电子商务网站的个性化推荐系统

个性化推荐系统是电子商务个性化服务的核心技术,它是根据网络消费者的历史购买记录或当前浏览行为捕获其潜在偏好,进而为其推荐符合其当前偏好的商品。个性化推荐可以有效的过滤大量无关商品,降低消费者的选择成本,提高商品交易效率。本文立足于个性化推荐系统,分类总结了近年来提出的个性化推荐系统的核心思想,讨论了有代表性的研究成果,深入分析了个性化推荐系统亟待解决的基本问题,并总结展望了当今的发展方向。     

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。     

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。     

我国B2C电子商务个性化商品推荐服务实证研究

优质的个性化推荐系统带来了巨大的经济价值和社会价值的同时,也能提高B2C电子商务在当今激烈的市场竞争环境下的存活能力。在简要介绍电子商务个性化推荐系统模型的基础上,详细分析比较了亚马逊、当当网、天猫三家B2C电子商务个性化商品推荐服务,最后对B2C电子商务推荐系统的进一步发展方向进行了展望。     

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。     

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。     

个性化推荐系统的改进算法述评

推荐系统是复杂网络环境所产生的一种智能过滤冗余信息的方法,分析其相关研究进展从而为推荐系统的进一步研究及应用提供思路具有重要的参考意义。本文首先介绍了传统的个性化推荐算法及其应用,然后从混合推荐算法、动态推荐算法和其他推荐算法3方面总结了个性化推荐系统算法的进一步改进。同时指出基于大数据的个性化推荐系统是下一步的研究方向,也是提高推荐准确性的重要方法。     

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。     

个性化推荐系统对移动电子商务消费者购买决策的影响力及其应用策略

移动电子商务为消费者拓宽了对商品的选择空间,同时也诱发了信息过载、搜索负担过重等问题。为了缓解信息过载的压力,提升消费者的满意度,个性化推荐服务应运而生。主要以消费者购买决策为研究对象,分析了个性化推荐技术如何影响购买决策,并探析了个性化推荐系统在移动电子商务中的应用策略。     

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。     

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.     

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。     

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Web数据挖掘的电子商务网站个性化服务的研究

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。     

基于用户满意度的电子商务个性化推荐评价研究

电子商务个性化推荐不仅能使用户迅速快捷地获得合适的信息,还能为电子商务网站带来丰厚的商业利益。电子商务个性化推荐是指利用电子商务网站向用户提供商品信息和建议,帮助用户决定应该购买什么产品,模拟销售人员帮助客户完成购买过程。电子商务个性化推荐不仅能使用户迅速快捷地获得合适     

基于用户聚类的电子商务个性化推荐系统研究

从Web服务器日志文件和客户交易数据中挖掘有意义的用户访问模式和潜在的客户群,有助于企业提供个性化信息服务和开展有针对性的电子商务活动。本文基于Web挖掘的聚类技术,提出了一种电子商务中个性化推荐系统的具体实现方案。     

基于用户兴趣的协同过滤推荐算法

针对协同过滤推荐算法中的动态性问题,从用户标注物品的时间入手,研究用户的兴趣变化,提出基于用户兴趣的协同过滤推荐算法(UICF)。该算法考虑用户的近期和早期兴趣,构造了调节函数。实验表明该算法在推荐准确率上明显提高,应用于电力知识领域,进行电力知识的推荐,取得了很好的推荐效果。     

大规模个性化定制的电子商务生产运作模式创新

制造业正在出现一种新型模式——大规模个性化定制的电子商务生产运作模式。在新型模式下,通过电子商务与Internet,企业将与顾客直接联系和个性化定制,顾客将直接参与个性化的产品设计与制造,企业将个性化产品直接销售给顾客;同时,企业将进行大规模个性化定制的协同设计与制造,快速、低成本地生产顾客所需定制的个性化产品。     

电子商务推荐系统中推荐技术的比较研究

介绍了电子商务推荐系统的基本内涵,对电子商务推荐系统的工作流程进行了初步探讨,并从不同角度对常用的电子商务推荐技术的推荐机理与方法进行了对比研究。