共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
最近邻协同过滤常用的计算用户访问行为相似程度的距离函数仅是测定访问者对象在所有测试属性空间上的平均测定,而在属性集的子维空间上的相似模式并没有有效地挖掘出来,用户评分数据稀疏等问题使其推荐质量下降。针对这些问题,提出一种基于用户模式聚类的协同过滤推荐算法,该算法采用基于用户模式相似的子空间聚类方法产生聚类,并且利用模式相似度改进协同过滤,从而对用户产生个性化推荐。实验结果表明,该方法改善了推荐系统的效率和精度。 相似文献
3.
提出一种基于动态贝叶斯网络的协同过滤推荐方法。该方法实现了动态的推荐过程,使得推荐结果随用户喜好的改变而得到及时更新。并且使用DBN代替简单的相似模型来度量用户相似性,提高了最近邻推荐的准确性,解决了实时性推荐和数据空间的可扩展的问题。最后,给出基于DBN的协同过滤预测模型。通过对一个实例的研究验证了所提出的算法以及推荐模型的可行性。 相似文献
4.
5.
6.
提出一种基于用户兴趣度矩阵和改进粒子群优化的数字图书馆文献推送方法。从用户兴趣行为特征入手,首先构建用户对文献的兴趣度矩阵,然后通过文献聚类和最近邻查询,产生最优推荐列表。其中利用改进粒子群优化算法对文献聚类进行优化,进而能够提供更高效的文献推送服务。 相似文献
7.
近年来,互联网和web技术的不断进步促进了电子商务推荐系统的快速发展,各种推荐系统的日益繁荣改变了传统的贸易行为,它的逐步建立和完善使传统的商务运作摆脱了已有规则的束缚,对相关的商业形态、交易形式、流通方式以及营销方式等都产生的巨大的影响。针对电子商务推荐系统面临的主要挑战,对电子商务推荐系统推荐算法设计以及推荐系统体系结构等关键技术进行了有益的探索和研究,对算法中影响推荐质量的稀疏性问题和影响用户满意度的推荐完整性问题进行深入分析,引入了基于聚类的最近邻查询技术对协同过滤算法进行改进,经分析新算法缓解了对特殊用户无法产生准确推荐的问题,能够带给用户各更准确的推荐。 相似文献
8.
大数据环境下,推荐系统项目评分的稀疏性问题愈加突出,单兴趣表示方法也难以对用户多种情境兴趣进行准确描述,导致推荐结果精度大大降低。鉴于此,提出一种多情境兴趣表示方法,在此基础上构建面向图书馆大数据知识服务的多情境兴趣推荐模型,通过对用户多情境兴趣的层次划分,利用蚁群层次挖掘的优势来发现目标用户的若干最近邻类簇,然后根据类簇内相似用户对目标项目的评分对未评分项目进行预测,最后结合MapReduce化的大数据并行处理方法来进行协同过滤推荐。实验结果表明,多情境兴趣的建模方法改善了单兴趣建模存在的歧义推荐问题,有效缓解了大数据环境下项目评分的数据稀疏问题,MapReduce化的蚁群层次聚类方法也大大改善了推荐系统的运行效率。 相似文献
9.
针对基于用户的协同过滤推荐模型对搜索兴趣最近邻居准确度不高等问题,提出了一种时间上下文关联的智能推荐模型。该模型考虑了现实情况中顾客之间兴趣的时间同步性与顾客之间的相似性成正比的关系,并在模型中引入了时间衰减因子来表示这种关系,从而提高搜索兴趣最近邻居的准确度。实验结果表明,改进的时间关联推荐模型的准确度比协同过滤推荐模型的准确度提高了25%。 相似文献
10.
针对传统CF算法中稀疏评分数据及其产生的用户间相似性不准确问题,提出以用户行为对应一定分值代替空缺评分的方法来修正用户I-U评分矩阵,并以角色下的权重系数K约束最近邻的计算。实验表明,改进的算法具有更优的推荐质量。 相似文献
11.
12.
互联网时代,个性化推荐系统逐渐被应用到各个不同的领域,随之个性化推荐算法也成为目前研究的热点。然而,传统的推荐算法往往存在着冷启动、数据稀疏等问题。本文在对传统推荐算法研究的基础上,提出了一种基于相似传播和情景聚类的协同过滤推荐算法,根据计算用户间的情景相似度对用户进行聚类,然后根据相似传播原理找出目标用户更多的最近邻居,最后根据预测目标用户对项目的评分进行推荐。借助网上公共数据集在Matlab上实现了该算法并验证了算法的有效性。实验结果表明,本文所提算法的准确性相比传统算法有所提高,同时缓解了传统推荐算法存在的冷启动和数据稀疏性等问题。 相似文献
13.
基于Web访问挖掘的个性化智能信息推荐服务方法的处理过程分为在线部分和离线部分。离线部分主要完成从站点服务器的访问LOG文件中挖掘出适合在线智能个性化推荐服务的用户事务模式,采用基于聚类用户事务方法获取用户个性化模式。在线部分通过个性化智能推荐服务智能接口实现基于URL聚类模式的个性化信息推荐服务,给出了链接距离因子定义和基于URL聚类模式的生成算法。通过实验总结这种方法的优缺点,这种方法是有效和可实现的。 相似文献
14.
15.
【目的/意义】基于迁移学习理论,提取多领域间共享知识模型,并进行有效的领域适应,提升目标领域推荐
性能。【方法/过程】充分利用领域中的用户-物品评分矩阵,分别对多领域用户和物品进行潜在特征提取,并将用
户-物品特征向量分别进行特征聚类;同时对多领域特征矩阵进行领域适应融合,得到共享知识模型;最后再运用
迁移学习理论与方法,将收敛的共享知识模型从源领域迁移至目标领域,提高目标领域推荐性能。【结果/结论】实
验结果表明,首先,多领域信息融合较于单领域推荐有着更好的推荐性能;其次,本文所提出的基于共享知识迁移
学习的跨领域推荐模型在推荐效果上要优于当前业界已有的其它跨领域推荐算法。 相似文献
16.
17.
18.
协同过滤技术被广泛应用于各种推荐系统当中。协同过滤中的核心问题是相似度的计算,本文在介绍传统相似度计算方法的基础上,提出一种新的计算方法,以基于物品为例进行了实验,实验证明该方法在推荐精度上得到一定程度的提高。 相似文献
19.
《科技广场》2016,(6)
以阿里为代表的巨头电商平台创造了一个又一个"双十一"促销奇迹,这得益于个性化推荐系统,协同过滤是其中应用广泛、效果较准确的一种技术,也是目前主流的推荐算法。本文采用基于用户协同过滤的个性化推荐技术对2014年"天池"大数据平台提供的四个月内884个真实用户对9531个商品的真实点击浏览、加入购物车、收藏和购买等四种行为的访问记录进行分析,以便对用户进行商品推荐。为真实反映用户对物品的偏好程度,对点击浏览、收藏、加入购物车和购买分别设置了权重0.0385、0.2375、0.3072和1,并采用皮尔森系数法计算用户之间的相似度,推荐结果与人们的经验是一致的。 相似文献
20.
【目的/意义】在利用用户感兴趣资源进行用户兴趣建模中,传统的资源特征选择方案未能体现用户真实兴 趣,针对这一情况,提出一种基于认知的用户兴趣建模方法,改善个性化推荐效果。【方法/过程】在结合用户群体认 知对资源特征进行识别的基础上,对用户感兴趣资源进行兴趣建模。以电影数据为例,进行个性化推荐实验,验证 模型效果。【结果/结论】实验结果显示,基于认知的用户兴趣建模的推荐准确率明显高于传统基于项目的用户兴趣 建模方法,该策略可以更准确地描述用户兴趣,提升用户兴趣建模效果。 相似文献