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。     

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。     

消费者视角下的推荐系统研究

在网络购物环境下,推荐系统能帮助消费者更高效地找到合意商品,并促进网商提高销量,因此,它得到了广泛应用。现有研究主要关注推荐系统的算法优化,而较少探索推荐系统对消费者的营销效果。基于此,本文使用文献资料法,构建了一个概念模型,提出购物网站、推荐系统和推荐信息的特性影响推荐系统对消费者的营销效果。这些营销效果可综合长尾理论、基于信任的技术接受模型、更新的信息系统成功模型,以及信息系统持续使用模型来对其进行探索。产品特征、消费者心理特征和消费者对推荐系统的熟悉度,是推荐系统对消费者营销效果的调节变量。未来的研究可基于上述概念框架开展实证研究。     

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。     

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。     

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。     

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。     

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。     

基于信息用户的新闻推荐系统特点及构建

现今信息大爆炸的时代,每天有大量的新闻发布,如何在众多的新闻中,为用户推荐适合的新闻,增加用户的阅读舒适度有重要的意义。新闻推荐系统根据用户和新闻的特点,经过推荐模块采用不同的推荐算法进行新闻推荐。文章对新闻推荐系统进行了概述,给出了主要的流程图和主要算法。     

基于好友影响的个性化推荐模型

随着社交媒体的广泛应用,在电子商务行为中,消费者很大程度上的购买决策会受到他人因素的影响,尤其是好友的影响。本文提出了社交媒体网络下,用户评论和销量对于推荐模型的影响,建立了基于社交媒体中好友的评论的个性化推荐模型。通过从国内的社交网络中采集相关数据,对模型的效果进行了验证。     

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。     

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。     

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。     

基于随机游走模型的关键词推荐算法

关键词推荐技术,用于找出与初始查询或关键词相关的其他查询或关键词,被广泛用于搜索引擎和广告检索系统中,作为当今搜索引擎的必备技术之一,查询推荐技术的研究正受到越采越多的关注。为此,本文比较了现有的关键词推荐方法,并提出基于用户点击日志、基于随机游走模型的关键词推荐算法。该算法通过对用户输入的关键词及用户点击的url进行相关性打分,再以归一化后的相关性分值作为随机游走模型的转移概率,计算其首次击中时间,最后,通过分布式进行map/reduce求解适合海量数据处理的需求。     

基于用户-产品-标签三元关系的个性化推荐系统研究

本文主要是在张子柯,周涛,张翼成[1]研究的"基于用户-产品-标签三分图的整合扩散的推荐算法"的基础上进行改进,在用户-产品扩散过程中,使用用户对产品的评分等级进行加权扩散,在产品-标签扩散过程中,使用简单的平均分配扩散,然后进行用户-产品-标签三分图上的简单整合,最终把得分最高的一些产品推荐给用户,提高了推荐的效率和准确性。     

基于数据挖掘的AI公司职位推荐研究

本文以AI公司的人力资源现状为背景,通过对其人员离职现状数据的统计分析,采用基于案例推理算法,制定了基于数据挖掘的职位推荐模型,为该公司有意转岗或离职人员提供公司内部职位推荐服务,进而降低员工对离职率,确保该公司员工的稳定性。     

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。