个性化推荐系统综述

随着信息时代的不断发展,信息过载是目前互联网用户面临的一个严重问题,个性化推荐系统就是解决这一问题的重要工具。为了解国内对个性化推荐领域的研究现状与发展趋势,通过对相关文献进行收集处理并借用VOSviewer、Excel对发文量、发文期刊、发文作者、关键词进行现状分析,同时对个性化推荐系统的关键技术用户兴趣模型和推荐算法进行阐述介绍。最后指出了未来个性化推荐系统的挑战与研究重点。     

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。     

基于云计算的信息推荐系统研究

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。     

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。     

基于网络结构的推荐系统

<正>互联网技术的快速发展,使得大量的信息同时呈现在人们面前,这种现象被称之为信息超载。信息的爆炸使得信息的利用率反而降低,人们很难在如此冗多的信息中挑选出最符合自己要求的信息。通过搜索引擎来过滤信息的方式只能呈现给所有的用户一样的排序结果,无法根据用户的喜好为用户推荐感兴趣的商品或信息。个性化推荐研究开始于20世纪90年代,它被作为一个独立的概念提出来,被认为是当前解决信息超载问题最有效     

基于用户的推荐系统技术应用及建构

随着互联网的发展，网上的信息量不断膨胀，出现了信息过载问题。而传统的信息检索技术在搜索效率、搜索准确度、反馈互动上均存在不足，不能有效地解决这个问题。推荐技术作为解决信息过载问题的有效工具应运而生。文章对推荐技术进行概述，介绍其基本流程及常用的推荐算法。     

基于文献计量的个性化推荐研究进展分析

个性化推荐有效缓解了大数据时代"数据爆炸"的现象,通过事先了解用户的潜在兴趣偏好,有针对性的提供符合用户实际需求的信息,从而提高用户的使用效率。本文通过文献计量的方法对2008年到2018年之间的有关个性化推荐的相关文献进行统计分析,分别从时间分布、期刊分布、关键词共现分析以及关键词聚类分析几个部分展开研究,以发现个性化推荐领域的主要研究热点问题与发展趋势,进而探讨未来研究的走向,为个性化推荐的发展提供依据。     

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。     

个性化推荐系统中Web使用挖掘技术的研究

Web挖掘技术在处理海量数据和稀疏数据上有着先天的优势,所以在推荐系统中Web挖掘技术得到了越来越广泛的研究和应用.文章从web挖掘的概念着手,介绍几种个性化推荐技术,并指出了推荐系统未来的研究热点和发展方向.     

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。     

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。     

基于模糊聚类的数字图书馆个性化推荐系统方案设计

用户建模是数字图书馆个性化推荐系统中的关键技术,本文依据中图法对用户兴趣进行了建模,并通过Apriori关联规则算法挖掘了信息资源各类别间的关联,然后通过FCM算法对用户进行聚类分析得到目标用户的最近邻,在Top_n最近邻居集中通过协调过滤技术产生推荐。实验结果表明,本文提出的方案是可行的和有效的,也为创新数字图书馆个性化服务提供了一种新的思路。     

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。     

基于用户偏好的多特征融合个性化图书推荐模型

随着图书馆图书数量的增加,读者无法快速获取自己所需资源。针对数字图书馆无法为用户提供准确个性的图书推荐服务的问题,通过分析个性化推荐技术,构建了一种基于用户偏好的个性化图书推荐模型,并进行了系统的研究。最后通过试实验验证其模型的有效性。     

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。     

个性化推荐系统中Web使用挖掘技术的研究

Web挖掘技术在处理海量数据和稀疏数据上有着先天的优势,所以在推荐系统中Web挖掘技术得到了越来越广泛的研究和应用。文章从Web挖掘的概念着手,介绍几种个性化推荐技术,并指出了推荐系统未来的研究热点和发展方向。     

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