基于相似项目与用户评分的协同推荐算法

推荐系统是电子商务系统中最重要的技术之一.随着电子商务系统用户数目和商品数目日益增加,在整个商品空间上用户评分数据极端稀疏,传统的相似性度量方法均存在各自的弊端,导致推荐系统的推荐质量急剧下降.针对用户评分数据极端稀疏情况下传统相似性度量方法的不足,本文提出了一种基于相似项目与用户评分预测的协同过滤推荐算法,综合利用相似项目和相似用户评分信息预测用户对未评分项目的评分.通过聚类算法形成用户候选近邻集,减小了算法搜索空间,降低了最近邻用户的搜索时间,从而增强了算法的扩展性.实验结果表明,本算法可以有效解决用户评分数据极端稀疏情况下传统协同推荐算法存在的问题,显著提高推荐系统的推荐质量.     

专题：推荐系统与数字图书馆

应用推荐系统技术提高信息搜寻检索效率是近几年数字图书馆寻求尽快发展的一个热点。基于计算机的推荐系统是为了满足信息超载和网络用户面临无尽选择需求而设计的，它的基本构思是通过展示排行以及个性化地向目标用户推荐事物或（和）人来帮助用户作决策并了解新信息。     

Research on Influence of Users' Cognition upon their Acceptance Behavior for Recommendation Technology

由于人类信息处理的认知约束,用户很难在信息过载的电子商务网站中快速找到与其需求想匹配的产品.尽管推荐系统有着提高用户快速找到产品效率的潜力,但这种潜力能否最终实现,取决于用户能否有效地接受和使用推荐系统.本文首先对推荐内涵和类型进行了总结,重点对事前和事后两种推荐类型进行了分析;其次对目前推荐系统在使用过程中存在的问题进行了分析;再次对推荐技术用户接受行为研究进行了总结;然后基于用户认知理论对推荐技术用户接受行为机理进行了深入研究;最后构建基于B2C网站的影响因素模型及实证分析,分析了用户认知风格差异对模型的影响,并基于模型验证结果对卓越网推荐系统使用问题及影响因素进行分析.     

基于关联数据的数字图书馆个性化信息推荐系统

个性化信息推荐是数字图书馆最重要的个性化服务,能够主动为用户提供符合其需求的信息.简要介绍关联规则数据挖掘的有关概念及其使用到的数据挖掘算法,分析系统设计思路,设计一个包括数据存储层、数据挖掘层和用户界面层3层结构的个性化信息推荐系统.     

一种基于情景相似度的多维信息推荐新方法研究

传统信息推荐方法只涉及到用户和项目(资源)这两个因素,忽略了情景因素,导致推荐效率比较低,而多维信息推荐在推荐的过程中考虑情景因素对用户行为的影响,动态捕捉用户兴趣在不同情景下的变化,从而大大地提高了信息推荐的效果,向用户提供更加个性化、智能化的推荐结果.本论文首先分析传统信息推荐的主要流程,然后提出了情景以及情景相似度这两个新的概念,构建了基于情景相似度的多维信息推荐系统模型,研制了基于情景相似度的多维信息推荐算法,并通过实验研究的方法验证了论文所提出的新算法的高效性与优越性.     

基于关联规则和Multi-Agent的个性化信息推荐系统研究

为提高网络信息激增中个性化信息推荐的有效性和智能性,将关联规则技术和Multi Agent技术应用到个性化信息推荐中,设计一个通过对用户日志挖掘以产生个性化信息推荐的系统PIRS。该系统包含6个不同层次具有独立功能而又相互关联的Agent任务模块,引入多个Agent收集和分析用户信息来学习用户的兴趣和行为,体现个性化信息推荐的智能性;利用PIRAgent在用户日志中进行挖掘时,采用的关联规则挖掘方法是基于位对象技术和改进的FP Tree构造方法,提高系统推荐效率。     

协同信息推荐:一种数字图书馆个性化信息服务新模式

基于用户-资源协同驱动的个性化信息推荐服务是一种在分析预测用户个体信息需求基础上向用户主动提供其可能需要但又无法获取的信息资源的服务方式。本文在阐述协同信息推荐服务系统基础上,对协同信息推荐应用于数字图书馆个性化服务的研究现状进行分析,总结出协同信息推荐在数字图书馆个性化服务中的重要作用,并提出了基于用户-资源协同驱动的数字图书馆个性化信息推荐服务模型。     

基于IPTV的个性化推荐技术的研究

随着IPTV技术的迅速发展,IPTV系统为用户提供的内容也越来越丰富,用户在庞大的互动电视节目信息空间中,希望快速的找到自己喜欢的电视节目,因此,个性化推荐技术的研究和开发成为热点.论文论述了目前推荐研究方面常见的几种技术,提出了混合推荐的优越性,并指出该推荐是目前应用最广泛的技术.在论述的基础上提出了用户兴趣模型创建的方法,为开发高效的推荐系统提供了理论依据.     

个性化网络协同推荐服务的扩展及其实现

传统的网络协同推荐服务对用户行为数据进行统一挖掘处理,但在处理分散数据时,难以开展协同服务.由此,推荐服务系统的可扩展问题日益凸显.实际上,用户信息行为与需求层次结构的对应关系已为构建可扩展的个性化协同推荐服务系统提供了一种新思路.可扩展的个性化协同推荐服务模型从需求层出发,通过行为层、过滤层、推荐层、交互层和资源库的扩展,最终实现个性化协同推荐系统的可扩展性.     

应用Web2.0技术的多向网上书目推荐系统探讨

随着网络的普及,多元化的媒体信息服务改变了人们获取信息的方式.应用Web2.0技术的多向化书目推荐系统,通过每个用户的浏览求知过程,以用户个人的思想脉络、浏览痕迹为线索.筛选出最适合的图书种类推荐给用户,创造属于用户个性化的网络图书目录.本文结合国内外网站实例,介绍该系统特色功能,分析系统现有的缺陷并提出改进建议,探讨了该系统与图书馆网络信息服务的结合.     

A Web Resource Recommendation Method Based on User Taste Diffusion Model

针对Web 2.0环境下大众分类系统中用户、资源和标签之间的三元相关关系,本文提出一种基于三部图的用户兴趣扩散模型,据此为用户进行网络资源的推荐.其主要思想是:通过迭代的扩散机制,使目标用户对信息的兴趣依三部图结构扩散至其他的用户、标签和资源上,然后以资源兴趣度排序为依据,在目标用户未曾收藏的资源中产生推荐.该推荐方法的优势在于扩大了推荐范围,避免了数据稀疏对推荐造成的干扰.利用公共数据集进行的实验表明,本文提出的推荐方法其准确率和召回率优于基于二部图用户兴趣扩散的资源推荐结果.     

个性化推荐系统中的用户模型问题

个性化推荐系统已成为图书馆提供个性化服务的重要手段，而用户模型则是个性化推荐系统的基础和核心。然而基于关键词的用户模型已经不能够适应用户的个性化信息需求，本文提出了基于ontology的用户模型的设想。     

基于项目分类预测的协同过滤推荐算法

在电子商务系统中,为了帮助用户有效地发现、过滤和利用信息,信息过滤技术应运而生.协同过滤技术作为其中的一种技术被成功地应用于推荐系统中.随着电子商务用户数目和商品数目的日益增加,整个项目空间上用户评分数据极端稀疏,传统的相似性度量方法均存在各自的弊端,导致推荐系统的推荐质量急剧下降.针对这一不足,提出基于项目分类预测的协同过滤算法,通过对用户评分矩阵中的项目进行相应的分类,缩小邻近搜索的范围,预测项目评分,减少稀疏性,并采用新的相似度计算方法.实验结果表明,该算法能提高个性化推荐算法的准确性.     

融合用户画像和知识图谱的智慧图书馆信息推荐体系研究

文章从用户画像和知识图谱角度出发,构建了智慧图书馆的信息推荐体系结构,智慧图书馆的信息推荐体系包括系统板块和系统架构两大部分,系统板块包括系统管理、用户画像、知识图谱、信息推荐、结果展现、结果反馈等七大模块,系统架构包括数据层、分析计算层、结果层、反馈层等四个层级。     

基于混合推荐的学术资源推荐系统的服务模式与数据挖掘

图书馆学术资源推荐系统是一种为了解决信息过载、提高搜索效率而提出的基于信息过滤机制的知识服务系统。系统的改进,可以从用户Web日志、搜索习惯、浏览行为、图书馆学术关联数据等多角度进行数据挖掘和数据分析,以构建读者信息需求库及关联数据仓库,采用基于内容过滤推荐和规则过滤推荐相结合的混和推荐技术来实现推荐系统,以提高资源推荐的精度和覆盖率。     

基于知识组织系统社会标注推荐研究

知识组织系统在文献信息组织中意义重大,将其应用于网络环境下,结合流行的社会化标注,是规范社会标注的有效途径。En Tag标注系统,将单一社会化标注系统和基于知识组织系统的标签推荐系统相结合,研究其对用户检索共享信息的影响,并参考知识组织系统中DDC等层级结构的映射关系为用户提供相关推荐。实验证明,基于知识组织系统的社会化标注可以完善用户标签推荐。     

国内电子商务网站推荐系统信息服务质量比较研究——以淘宝、京东、亚马逊为例

[目的/意义]推荐系统已经成为电子商务网站的重要组成部分之一,为用户提供多种形式的信息推荐服务。国内以淘宝、京东和亚马逊为代表的电子商务网站的推荐系统采用不同的技术架构和多种热点推荐技术,并且越来越重视信息服务的质量。对推荐系统服务质量进行比较研究,能够进一步推动电子商务推荐系统的发展。[方法/过程]首先,从准确性、时效性、新颖性三个技术指标对比以上推荐系统的技术架构对于推荐服务质量的影响;其次,以用户体验作为信息服务质量评价的基础,对182名受访者进行热点技术的认可度调查,研究热点技术对推荐服务质量的影响;最后,对功能模块的用户体验情况进行调查和比较分析。[结果/结论]在这些研究、调查和分析的基础上,给出电子商务推荐系统使用的技术架构和热点技术,以及改进功能模块设计的对策,以进一步提升推荐系统的信息服务质量。     

A Literature Review on Tag-based Personalized Item Recommender Systems

数据稀疏性多年来一直是困扰传统推荐系统性能表现的一个大问题,社会化标签为推荐系统获得用户的偏好信息提供了一个新的数据来源,同时也对传统的基于二维数据的推荐技术提出了新的挑战.不同于以往更多的以推荐标签为研究目标的是,本文以推荐项目(产品)为研究目的,在分析、评述社会化标签系统的概念模型以及用户兴趣模型表示方法基础之上,重点对基于标签的四种项目推荐方法进行了前沿概括、比较和分析;接着介绍了典型社会化标签系统实例及其数据集的取得方式;最后,对基于标签的个性化项目推荐系统有待深入的研究难点和发展趋势进行了展望.     

基于用户群体影响的协同过滤推荐算法

协同过滤是推荐系统中广泛使用的推荐技术,对推荐结果可解释强.基于用户的协同过滤是一种重要的系统推荐方法,用户评分数据的极端稀疏性制约着系统的推荐质量.针对上述情况,提出一种基于用户群体影响的协同过滤推荐算法.首先,定义了用户群体的概念并根据群体影响提出两条相应准则;然后,计算用户相似性时,不仅考虑了用户个体之间的相似性,而且考虑了用户所处群体之间的相似性.该算法不仅可以更加精确地刻画用户之间相似度,而且一定程度上增强了推荐系统的稳定性.实验结果表明,该算法能有效地提高系统的推荐质量,而且满足所提出的两条准则.     

基于Web日志和缓存数据挖掘的个性化推荐系统

针对当前推荐系统中存在的问题,提出一个基于Web日志和缓存数据挖掘的个性化推荐系统.系统依据Web日志挖掘用户兴趣页面时综合考虑了访问次数、浏览时间和页面长度.通过对Web日志和缓存数据挖掘得到的兴趣页面的有效分类,构造不同用户的兴趣模型.系统能依据用户兴趣模型实现内容过滤推荐,同时也能通过比较不同用户的兴趣模型实现协作过滤推荐.经模拟实验测试表明,本文提出的推荐方法是可行并且有效的.