共查询到20条相似文献,搜索用时 213 毫秒
1.
2.
3.
针对目前在线教育与网络招聘的发展情况,通过对现有平台运营模式的分析研究,提出构建基于大数据的在线就业课程推荐系统。本文详细阐述了在大数据时代通过数据分析将在线教育与网络招聘融合发展的前景及必要性,最后通过实验,运用Apriori算法和协同过滤算法对真实的在线学习数据,网络招聘数据以及个人信息进行关联规则挖掘,提供个性化课程岗位推荐,得出在大数据背景下在线教育与网络招聘融合发展是未来准确方向的结论。 相似文献
4.
5.
随着全球定位系统的发展,移动网络环境下信息服务越来越受到用户的关注。目前,由于信息过载现象严重,个性化推荐算法可以自动为用户推荐其感兴趣的信息,并过滤掉冗余的信息。鉴于此,本文基于传统的协同推荐算法进行改进,提出了融合奇异值分解法和相似度计算法的协同过滤算法,实验结果表明,通过构建移动网络环境下的个性化信息推荐系统,取得了较好的推荐效果。 相似文献
6.
互联网企业飞速发展,如今已慢慢步入大数据的时代,用户在电商平台的选择急剧增加,为了提升用户体验、提高用户留存率和促进用户下单,各大电商平台都推出了各自的个性化推荐系统。个性化推荐算法的基本原理有基于内容的推荐、协同过滤和混合过滤等,由于算法的复杂化和不同电商平台的各自业务特点,不同平台的底层算法也有所不同。本文首先介绍了个性化推荐系统的概念及其发展历程、个性化推荐算法原理及分类,论述了电商平台个性化推荐系统的实际价值与实现。本文还以拼多多、小红书、京东三大电商平台为例,分析其个性化推荐系统的具体实现方式,阐述了个性化推荐系统面临的挑战和未来趋势,最后得出结论。 相似文献
7.
基于用户的协同过滤推荐技术 总被引:1,自引:0,他引:1
随着因特网普遍使用和电子商务迅猛发展,推荐系统已成为重要研究领域,人们对推荐技术作了广泛的研究。个性化的推荐系统以个性化方式向用户推荐商品,帮助用户找到他们所需要的商品,并便捷地完成购买过程。介绍了电子商务系统中的协同过滤推荐技术,详细分析了基于用户的协同过滤推荐算法,同时指出了它的优点和缺点。 相似文献
8.
目前文献中对于电子商务个性化研究多集中在传统理论层面,且大多探讨基于内容推荐方法和基于协同推荐方法,而对大数据时代下的个性化推荐的研究相对很少。本文通过研究大数据的数据挖掘方法及电子商务的发展,试图探讨个性化推荐的方法,最后探讨了大数据背景下电子商务个性化推荐服务的发展方向。 相似文献
9.
10.
伴随着信息技术迅猛发展、大数据广泛应用,算法推荐技术正在将人们带入个性化、定制化、智能化更强的信息传播时代。因为算法推荐,互联网平台越来越能抓住用户的心,帮助人们更加方便、精准地获取信息,也牢牢吸引了用户的注意力。据不完全统计,当前基于算法的个性化内容推送已占整个互联网信息内容分发的70%左右。算法推荐逐渐成为各平台"基本操作"的同时,诸如低俗劣质信息精准推送、"大数据杀熟"等乱象也凸显出来。 相似文献
11.
在信息量越来越大的今天,基于各种推荐技术的个性化推荐系统应运而生,为了使用户及时从大量数据中得到所需信息,电子商务个性化信息推荐服务应运而生。协同过滤推荐技术作为目前最成熟、最成功的推荐技术,得到了广泛的应用。协同过滤通过收集用户的兴趣爱好,及其他用户的评分信息计算用户间的相似度,从而进行推荐。然而由于数据稀疏度、冷启动、算法的可扩展性问题严重影响了推荐的准确度,推荐系统的应用和推广遇到了瓶颈。 相似文献
12.
跨境电商蓬勃发展,个性化推荐策略对于跨境电商平台运营至关重要。首先对于传统电商平台的个性化推荐策略进行简单介绍,然后结合跨境电商的特殊性阐述跨境电商平台个性化推荐策略的特点,分析可改进的因素,最后结合大数据理念和技术有针对性地分别从建立区域用户画像库、优化推荐算法、提高推荐效率以及实现精准营销等方面提出跨境电商平台个性化推荐策略的优化建议。 相似文献
13.
14.
随着网络信息技术的不断发展和进步,电子商务已经成了新世纪人们工作中的一种重要的商务模式。但是,电子商务作为一个虚拟的商业世界,如何在这个虚拟的世界上里将老顾客留住,并对新顾客进行吸引成为了当前电子商务研究的主要方向。受这一需求的影响,电子商务个性化推介系统在得到了有效的发挥和应用。文章从电子商务个性化推荐系统概述出发,重在对电子商务个性化推荐系统中的推荐技术进行分析和探讨。 相似文献
15.
16.
17.
《中国商贸:销售与市场营销培训》2010,(25)
阐述了目前研究最深入的Web数据挖掘技术——Web使用挖掘,Web使用挖掘在电子商务服务中的应用价值,提出了基于使用挖掘的电子商务推荐系统,详细分析了电子商务个性化推荐系统的模式和步骤。 相似文献
18.
在网络购物日益风靡的今天,怎样提供优质的个性化服务是当今电子商务系统的核心内容,而协同过滤推荐则是当今发展最成熟且最成功的推荐系统.本文将全方位介绍协同过滤推荐的内容、研究成果以及协同过滤算法中出现的问题,并提出协同过滤算法进一步发展的方向. 相似文献
19.