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。     

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。     

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。     

基于标准化高斯pLSA协同过滤的用电量预测模型研究

在电力的中长期预测中,使用现有的电力负荷预测算法,具有很多局限性。主要的原因在于,系统输出的影响元素很多,用常规的解析方法无法对其进行描述。本文在协同过滤技术的应用下,建立电量的预测模型,然后进行数值仿真实验,其结果显示和灰色预测、神经网络相比,这种算法的优势更加明显。     

区分用户长短期兴趣个性动态化推荐算法的研究

协同过滤算法已被成功应用于许多领域,但遇到了可扩展性和精度低等问题。目前提出了许多改进算法,但它们均忽略了用户长短期兴趣对推荐的不同影响,针对这个问题,介绍一种基于查询推荐技术的用户兴趣模型,它能够区分用户长短期兴趣且为用户做出更加精确且不同推荐。     

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。     

论文推荐算法及数据特征研究综述

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。     

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。