基于协同过滤的数字图书馆推荐系统研究

信息推荐服务是数字图书馆的一项重要功能。该文论述了基于协同过滤的数字图书馆推荐系统的基本原理与特点、数字图书馆进行协同推荐的必要性,介绍了基于协同过滤推荐系统的主要方法和技术,并分析了目前协同过滤方法在数字图书馆推荐系统中应用的一些实例。     

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。     

一种协同过滤方法及其在信息推荐系统中的实现

本文提出了一种基于模糊聚类技术的协同过滤方法,应用模糊聚类技术从项目的属性特征上对项目进行聚类,用隶属度的值来表示项目属于每个模糊簇的程度,由用户-项评分矩阵和模糊簇的隶属度值,构造用户-模糊簇的偏好矩阵,进而利用用户-模糊簇偏好矩阵获得用户相似群体,为用户实现基于协同过滤的文档推荐。最后,利用过滤技术实现了一个科技文献推荐系统,对多种推荐策略进行了验证。     

信息过滤技术在数字图书馆的应用

信息过滤技术将在数字图书馆个性化服务中起重要作用。可以构建一个基于信息过滤技术的数字图书馆模型。它主要包括信息检索模块和信息过滤模块。图1。参考文献4。     

基于协同过滤算法的微博平台的信息推荐研究

将改进的协同过滤算法应用于微博平台的信息推荐,拓展微博算法的应用范围,增加微博平台的可用性,提高信息推荐的结果准确性,更好地满足用户的信息需求.首先分析协同过滤技术及其如何应用于微博信息推荐,并将基于微博文本特征的推荐算法与传统的推荐算法相对比,再融入微博用户兴趣度,得出更优的推荐算法.运用改进的协同过滤算法提高微博平台的信息推荐质量,使微博平台信息推荐更加精准、有效.     

数字图书馆个性化信息服务的探索

阐述了个性化信息服务逐次递进的三种形式及其特征，介绍了“数字图书馆个性化推荐系统”的内容与功能，最后指出个性化信息服务发展的几个关键问题。     

数字图书馆信息服务中资源推荐策略分析

面对数字图书馆海量的文献信息资源,给读者所带来的问题是信息过载,而推荐技术是解决这一问题的有力工具。介绍数字图书馆信息服务资源推荐模型,并对不同模式下的资源推荐策略进行分析,包括基于内容的推荐、基于读者的推荐、基于访问行为的推荐以及组合推荐,对各种资源推荐策略的优缺点进行分析,最后指出实施数字图书馆资源推荐服务所需解决的重点和难点问题。     

论数字图书馆个性化信息推荐系统*

构建一个综合信息检索、信息过滤、数据挖掘等多种技术的信息推荐系统，是数字图书馆实现个性化信息服务的有效手段。阐述了数字图书馆个性化信息推荐系统的目标、功能与资源定位，对推荐系统的结构框架和主要功能作了解剖，并分析了推荐系统实现的主要技术。     

推荐系统在数字图书馆的应用：研究与技术现状

Recommender systems are increasingly a necessity as the burden of overly abundant information becomes heavier. This paper examines the current studies on recommender systems in technological perspective as well as the potential use of recommender systems for digital library services and the issues which arise in using recommender systems for library services.     

基于协同过滤技术的个性化图书推荐系统研究

针对传统的大众化推荐如热门图书推荐、新书推荐等无法为读者提供个性化的图书推荐服务,提出了构建在协同过滤技术之上的图书个性化推荐系统模型,分析了协同过滤技术在图书推荐中的运用原理及可行性,最后总结其优缺点。     

基于多目标优化双聚类的数字图书馆协同过滤推荐系统

针对数字图书馆推荐系统,提出一种能够同时考虑用户和项之间的相似性的协同过滤(CF)方法,即应用多目标优化计算双聚类技术对行和列同时进行聚类,完成对用户和项相似性同时分组。为评估算法的效率,应用MovieLens数据集进行实验,结果表明该方法能够为用户提供有用的推荐意见,其性能优于其他CF方法。     

基于概念格的图书协同推荐研究

提出一种基于概念格的图书协同推荐方法。首先建立用户与图书之间的概念格,然后根据概念格中图书节点之间的继承关系,从下向上回溯用户之间的共同偏好,快速计算用户之间的相似度,以确定目标用户的"最近邻居"。最后通过计算协同推荐值,实现对目标用户推荐其可能感兴趣的图书,从而为图书的协同推荐提供支持。     

基于协作过滤的Web智能信息推荐方法

传统的协作过滤方法存在的主要问题是需要人为地提供评价,论文设计的协作过滤方法对其进行了改进,根据用户模式自动获取用户评价,构建评价矩阵。将设计的协作过滤方法应用到个性化信息推荐,提出一种基于协作过滤的Web智能信息推荐方法(WIIRM)。WIIRM考虑用户访问页面的时间特性,不需要用户注册,在推荐时考虑页面的新颖性,同时实现离线处理与在线推荐的结合。实验结果表明,WIIRM是有效的。
     

基于协同过滤的图书推荐模型

针对目前传统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,提出构建基于协同过滤的图书智能推荐系统。首先对图书进行聚类,构建无缺失的图书评价矩阵,在此基础上根据读者对相似图书的评分预测读者的兴趣爱好,为读者提供个性化的图书推荐。该方法在评分数据极端稀疏的情况下也可以为读者作出准确的图书推荐。最后通过实验验证该推荐方法的有效性和实用性。     

高校图书馆馆藏资源协同推荐系统研究

以武汉大学为实际研究环境,针对高校图书馆环境下协同推荐的特殊性,在缺乏用户对馆藏资源评分数据的情况下提出主要根据借阅时间计算用户的偏好值,并辅助使用用户评分对该值进行调整。将用户的信息需求分为长期信息需求和短期信息需求,分别计算用户对馆藏资源的短期偏好值和长期偏好值,运用Apache Mahout构造馆藏资源的协同推荐系统,针对用户的两种需求进行推荐,并且采用邮件调查的方式对推荐结果进行了检验。     

论数字图书馆个性化信息服务的实现

从用户需求和兴趣偏好的获取、用户需求模型的构建、数字图书馆信息资源的有效获取,以及基于规则或信息过滤方法对个性化信息资源进行识别与匹配4个方面,对数字图书馆实现个性化信息服务的思路、方法和技术进行论述,并强调提供个性化、智能化服务是数字图书馆最终的发展方向。     

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.     

一种基于情景的多维协同过滤新方法研究

介绍传统协同过滤方法,提出一个新的基于情景的多维协同过滤推荐模型。在该模型中,介绍情景的概念;阐述建立基于情景的多维用户模型的方法,并对基于情景的多维协同过滤推荐模型的组成部分进行详细介绍。提出一种计算情景相似度的新算法。基于该新算法,可以得到当前用户的“最近邻”在当前用户所在情景下对项目的评分。