基于改进协同过滤模型的农资推荐方法研究

协同过滤推荐方法在传统个性化推荐领域被广泛使用。农资电子商务领域面向的专家/终端用户和批发/零售的混合模式更为复杂,需要对传统协同过滤方法加以改进。文章在传统协同过滤模型基础上,提出对用户兴趣建模动态调整,改进K最近邻算法,以满足农资电子商务领域的特殊需求。实验证明,在农资个性化推荐中使用基于改进协同过滤的方法,提高了推荐的质量和效率。     

基于用户模式聚类的协同过滤个性化推荐方法

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。     

基于动态贝叶斯网络的协同过滤推荐方法

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。     

基于共同评分的协同过滤算法

协同过滤是目前电子商务推荐系统中使用最广泛最成功的一种个性化推荐算法.受数据稀疏性影响,传统协同过滤算法在较小共同评分项集上计算出的相似度不能准确反映用户间的相似关系,严重影响了推荐系统的精度.针对该问题,在分析共同评分分布及其与相似度关系的基础上,提出了基于共同评分的协同过滤算法,无须计算相似度,直接将共同评分作为最近邻选择标准.MovieLens实验表明该算法能明显提高预测结果的准确性和覆盖率.     

迁移学习优化TB算法的个性化推荐模型

针对标准Trada Boost算法在个性化推荐的应用中还存在精度不高的问题,本文提出了一种基于迁移学习优化Trada Boost算法的个性化推荐模型。首先采用迁移学习对Trada Boost算法的类簇进行平滑处理,即使用聚类算法对用户—项目评分数据进行预处理,并产生预选最近邻用户,接着使用基于内存的协同过滤算法在聚类结果数据上对评分数据进行平滑,最后采用改进的Trada Boost算法构建个性化推荐模型。通过仿真实验表明,本文提出的改进算法相比较目前常用的算法具有更高的个性化推荐精度。     

改进的个性化智能文献推送方法在数字图书馆中的应用研究

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。     

浅析协同过滤算法及其改进分析

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。     

面向图书馆大数据知识服务的多情境兴趣推荐方法

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。     

一种改进时间上下文关联的餐饮智能推荐模型

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％。     

基于用户行为与角色约束的协同过滤算法

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。     

基于相似用户情感分析的推荐算法研究

互联网发展迅速,电商扮演了重要角色,大多数的电商仅仅根据用户评分进行推荐,日益庞大的用户评论数据并没有很好的运用到商品推荐当中。本文利用大数据的聚类技术结合情感分析算法,通过相似用户对物品的需求相似,结合用户对商品评价的情感分析,对评价的情感倾向的分析作出一些评判,给出了一个较好的推荐算法,使得推荐系统可以为用户进行更好的推荐,代替了传统根据评分推荐系统,对未来推荐系统的发展方向有正面意义。     

基于相似传播和情景聚类的网络协同过滤推荐算法研究

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。     

基于URL聚类模式的个性化智能推荐服务

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。     

融合用户特征和主题关联的藏文文献推荐方法研究

文章基于现有藏文文献管理平台的功能模式,综合考虑用户关注兴趣以及主题内容的关联性,在参考中外文文献资源推荐算法的基础上,结合藏文文献的特点和藏文文献用户的关注兴趣,提出一种融合用户特征和主题关联的藏文文献自动推荐方法,该方法针对用户检索浏览数据和藏文文章特征建立主题模型,获取用户特征和关注主题;再依据关注领域核心作者信息,利用作者信息匹配和关注主题内容的关联判断实现藏文文献的主动推荐呈现。最后以部分藏文期刊文献数据作为测试数据对算法进行了测试实验,实验结果表明该方法具有一定的可行性。     

基于共享知识迁移学习的跨领域推荐研究

【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。     

基于混合模式的网络超市商品推荐方法

在分析现有网络商品推荐算法的优缺点及主要问题的基础上,提出一种基于混合模式的网络超市商品推荐方法。其主要思想是：通过商品本体概念和属性构建商品子模型,采用基于内容的推荐算法填充用户——商品评分矩阵;依据用户背景信息、评分数据和查询关键字构建用户子模型,采用K均值算法进行用户聚类;利用基于用户的协同过滤产生推荐。实验表明,混合算法提供的推荐结果更加准确高效。     

针对云平台协同推荐的近邻项目最优临界点优化

针对单一的基于用户或者基于项目的推荐算法在个性化推荐的应用中还存在精度不高、推荐结果不佳的问题,本文提出了一种近邻项目最优临界点优化的云平台协同推荐模型。首先根据所有的使用客户本身存在一定的偏向爱好,计算项目之间的相似度,得到用户对物品的相似度评价,然后采用线性回归的方法对相似度评价结果进行重新预测估计,最后对多个近邻用户和多个近邻项目的最优临界点进行优化,以提高推荐精度。仿真实验结果表明,本文提出的改进模型在个性化推荐的应用中,具有更高的稳定性和推荐精度。     

协同过滤中相似度计算的一种改进尝试

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。     

面向电商的基于协同过滤的个性化推荐

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。     

个性化推荐中基于认知的用户兴趣建模研究

【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。