融合邻域结构信息的概率矩阵分解算法

为解决概率矩阵分解算法未利用用户/物品的邻域结构信息问题,该文提出一种融合邻域结构信息的概率矩阵分解算法,该算法通过将概率矩阵分解与包含用户和物品邻域结构信息的图正则化项,整合到一个统一的优化问题中,以进一步提炼用户和物品的潜在因子,提高评分预测的精度.在两个真实数据集上的实验结果表明,所提算法能够实现推荐性能的显著提升.     

融入景点标签的矩阵分解个性化推荐

基于标签的推荐算法在景点推荐领域取得了良好效果,但仍然存在一些问题,如仅采用用户对景点的评分值表示用户对标签的喜爱程度,忽略了用户、标签、景点之间的关联,从而导致结果精度不高.提出一种融入景点标签的矩阵分解个性化推荐方法,通过文本挖掘技术构建适用于景点推荐领域的景点标签,并将其引入矩阵分解推荐算法的因子向量,然后利用矩...     

一种基于用户行为的多Agent信息推荐系统研究

通过分析用户行为和Agent技术,提出基于用户行为的多Agent个性化信息推荐系统设计模型。对基于用户行为数据进行分析,整合用户的行为特性可以为用户带来更好的使用体验,多Agent技术能结合用户兴趣偏好信息及用户访问记录实现信息过滤并推理出用户的意图,从而提供个性化的推荐服务。     

基于动态时序的特征复合协同过滤算法

协同过滤算法是推荐系统中研究较为广泛和深入的算法,为解决传统协同过滤算法无法处理时间动态变化的问题,提出一种新的改进算法：SpecialTSVD++算法。在传统SVD++算法中分别融入用户评分的时间信息、用户和物品的时间偏置,并且加入用户特征信息,增强数据与时间的关联度,体现数据的动态变化,并且结合用户属性产生个性化推荐结果。Movielens-10m数据集上的实验结果表明,SpecialTSVD++算法通过对时间动态变化带来的推荐影响进行优化处理,使推荐结果更加贴近用户当前需求,能显著提升推荐系统准确率。     

基于用户兴趣模型的信息个性化服务系统的研究

在人机交互的基础上实现了模型与用户同步学习,通过训练与更新模块使用户兴趣表示对用户可见,用户通过系统生成的用户兴趣描述直接对其进行修改,使其对自身的需求认识越来越明确,同时用户的操作对系统进行了优化,使系统对用户兴趣的表达越来越准确.     

模糊矩阵的分解

本文给出模糊矩阵 R 能分解为两个模糊集的充分必要条件     

基于方案模糊偏好信息的一种多属性决策方法

针对决策者对方案有模糊偏好信息的多属性决策问题,提出一种新的方法.通过构造优化模型,反映决策者对方案的主观偏好信息,求出属性权重向量,从而对方案进行排序.最后利用实例说明该方法的可行性.     

基于用户特征和用户兴趣的推荐计算

协同过滤技术是个性化推荐系统中最经典的代表,但传统的协同过滤技术也面临着冷启动、数据稀疏性等弊端,加上协同过滤技术很少考虑用户兴趣随时间变化和用户特征等因素,导致推荐质量不尽如人意。在传统协同过滤的基础上,结合用户兴趣变化和用户特征两方面,提出一种改进算法的协同过滤技术,与传统技术相比推荐质量显著提高。     

移动学习中的数据挖掘研究

随着网络技术与通信技术的迅速发展,移动学习呈现出强大的发展势头.本文以一个实际运行的移动学习网站为研究平台,利用数据挖掘技术对网站客观数据进行分析研究,并就"移动学习使用者特征"、"知识资源个性化推荐技术"和"资源需求趋势预测"这三个比较值得关注的问题进行了实验论证,对移动学习研究者和基于知识服务的网站运营决策者具有一定的启发意义和参考价值.     

结合人口分类特征知识的协同过滤算法

本文提出了一种结合人口分类特征计算用户相似度的协同过滤算法.实验结果表明,该算法可以改进相似用户的选取精度,从而提高推荐质量.最后,指出该算法可以解决网站刚启动用户数量不足时的"冷启动"问题.     

基于用户兴趣的协同过滤推荐算法

大数据时代,如何让用户在海量信息中快速查询所需信息尤为重要。推荐系统可发现用户潜在需求,为用户提供个性化服务。以电影推荐系统为例,提出了一种改进的协同过滤算法,并在真实数据集上进行实验,结果表明系统可靠性明显提高。     

改进物品相似度计算的协同过滤算法

针对传统协同过滤算法不能及时反映用户兴趣随时间的变化以及热门商品会影响用户相似度计算,从而产生推荐结果不精确的情况,提出将时间衰减函数与物品惩罚因子融合到相似度矩阵计算中,并通过对比实验验证不同参数对推荐算法的影响,以弥补传统协同过滤算法的不足.实验结果表明,当物品返回数为40,K值(近邻用户个数)=200时,改进相似...     

一般关系下的概率粗糙集模型

针对经典的概率粗糙集模型的不足,通过引入一般关系下的后继邻域算子,得到了一般关系下的概率粗糙集模型,并讨论了所给模型的一些性质和在广义近似空间中集合的近似精度及属性约简。     

改进预测评分矩阵的协同过滤算法

为解决传统协同过滤推荐算法数据稀疏、可扩展性差等问题,采用改进预测评分矩阵的协同过滤算法。首先使用基于线性回归分析的加权Slope One算法,在传统Slope One算法中加入可信度,提高共同评分基数;然后采用网上标准数据集movielens作为测试数据,结合协同过滤算法进行top-N推荐。实验结果表明,使用改进预测评分矩阵的协同过滤算法的MEA较小,在近邻数大于25时达到0.74,表明该算法改善了传统协同过滤算法数据稀疏、扩展性差问题,降低了推荐误差,提高了推荐系统准确度。     

基于改进RFM模型的协同过滤推荐算法研究

为了提高协同过滤推荐技术的服务效率和质量,给出了一种基于改进RFM模型的协同过滤推荐算法。该算法把利润引入RFM模型中,用利润代替购买金额,形成RFP模型,利用RFP来完善基于RFM的相似性计算,充分体现用户价值对推荐结果的影响。实验表明,该算法在提升推荐结果的覆盖率和准确率方面都有着较好的优势。     

提高易班用户粘性的工作策略研究

易班建立以来已逐渐成为大学生学习、生活、交友的重要场所,也成为高校德育的重要载体。但相比其他SNS网站、微博网站,大学生使用易班的频率不高,自主使用的主动性不够。如何提高易班用户粘性,从而在网络中为大学生思想政治教育开辟出更广阔的天地,是目前易班建设中亟需解决的问题,也是我们需要认真思考并作出创新性实践的重要课题。     

融合用户相似度与信任度的协同过滤推荐算法

传统的协同过滤算法难以解决“稀疏性”和“冷启动”等问题。鉴于此,提出一种融合用户相似度和信任度的方法。首先根据用户对共同项目的评分创建初始信任度,通过信任关系的传递规则,建立没有直接信任关系的用户之间的信任关系,然后融合用户相似度与信任度,用于传统的协同过滤推荐系统,找出用户的最近邻居集,进行项目的评分预测,从而产生推荐列表。实验表明,改进后的算法能有效提高系统推荐的准确性。     

基于用户特征和商品特征的组合协同过滤算法

协同过滤算法在电子商务网站推荐系统中的应用非常广泛,其通过分析大量用户的历史行为数据,挖掘用户的兴趣,向用户推荐合适的物品。然而,协同过滤算法存在数据稀疏性问题。针对该问题,提出一种基于用户特征和商品特征的组合协同过滤推荐算法。通过用户基本属性特征、物品分类属性特征以及用户的历史评分记录,计算用户的相似性和物品的相似性,获得近邻用户和相似物品;依据改进的基于物品协同过滤和基于用户协同过滤组合推荐算法,为项目进行评分。实验表明,该方法能降低预测结果的平均绝对误差,提高推荐精度。