共查询到20条相似文献,搜索用时 562 毫秒
1.
2.
CNNIC的调查表明超过一半的网购用户表示买每种商品前都会看相关商品评论,已有近8成的网购用户买大多数商品前都会看看商品评论,此外消费者网购产品的选择因素中,网上用户评价较好是价格便宜这个因素外主要考虑的因素,因此研究在线评论具有重要意义。本文主要从在线评论的信息特征出发对相关研究进行分析。 相似文献
3.
4.
5.
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
6.
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
7.
随着互联网的快速发展,网上交易的用户越来越多,大多数的电子商务网站都会为消费者提供相互交流的平台来发表其针对所购买商品的评论,针对于在线用户商品评论信息挖掘方法的研究也就成为当下的热点问题.本文对在线用户电商评论的特点以及分类进行了概括,总结了不同的商品评论信息挖掘方法的应用进展情况以及研究现状,并对其进行了比较研究. 相似文献
8.
《企业经济》2017,(12):129-133
本文利用网络爬虫技术爬取个人游记、评论等信息作为初始文本,进行分词、文本过滤等预处理,将复杂网络理论应用于文本挖掘技术,提取文本中主题的关键词,从而进行分类处理得出个人旅游偏好的特征属性,最后采用TOPSIS方法,利用特征属性对下一个备选目的地进行选择排序。本文从蚂蜂窝、同程旅游、携程等旅游网站中随机挑选一位博主,进行旅游偏好特征属性分析,再以桂林各大景点为例,获取满足该博主个人偏好的下一个目的地。对旅游产品企业及旅游部门而言,应用这一技术,可以了解用户需求,提供个性化服务;加强互动,重视口碑营销,形成品牌效应;同时,合理把控资金投入,完成针对性整改,规范旅游市场。 相似文献
9.
10.
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
11.
《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
12.
13.
14.
15.
准确地预估用户的点击率,并根据该概率对商品排序以供用户选择在推荐系统领域有着重要的意义。推荐系统中常用的因子分解机等机器学习模型一般只考虑用户选择单个商品的概率,忽略了候选商品之间的相互影响,离散选择模型则考虑将商品候选集作为整体进行考虑。提出了使用深度学习模型来改进离散选择模型,模型使用相对特征层、注意力机制等网络结构帮助深度学习模型进行不同商品间的特征比较,研究结果表明引入离散选择模型的深度学习模型表现优于梯度提升决策树、因子分解机等模型。 相似文献
16.
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
17.
网络评论板块使得消费者能充分参考其他消费者的评论信息做出正确的购物决策,然而,在电商购物平台上发布评论的评论者不仅仅包括用户,还可能是恶性诋毁的竞争者以及自我推销的商家。文章探讨了在线商品垃圾评论发布动机的影响因素,分为商家推销、同行诋毁、经济回报、情绪发泄、惩罚商家、敷衍应对、不堪骚扰7个方面。为后续的在线商品垃圾评论识别与治理研究提供重要理论依据。 相似文献
18.