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.     

微内容推荐路径优化的加速遗传算法研究

指出随着互联网中以用户创造内容为源的微内容规模迅速增长,微内容的去中心化与碎片化等特性使网民获取信息的难度增加。针对微内容推荐同时受到用户主观偏好与用户感知行为影响这一特征,利用加速遗传算法对信息节点相似度的影响因素,从用户行为、内容偏好、社会网络关系三个方面进行有效融合,构建微内容推荐路径模型算法,并证明该算法的可行性和有效性。     

基于情境感知的用户推荐系统研究综述

[目的/意义]对基于情境感知的用户推荐系统研究进展进行调研和总结,探讨其存在的问题,指出未来的研究趋势和挑战。[方法/过程]采用文献分析方法,从基于情境感知的用户推荐系统框架角度,分析各功能模块的实现技术和方法,并进行归类总结。[结果/结论]提出用户情境检测、获取和计算、情境不一致检测和解决方案、用户情境建模、情境感知推理、情境感知推荐过程的未来研究热点。本研究有助于全面了解基于情境感知用户推荐系统的概貌、涉及的关键技术及主要方法。     

基于遗传算法的高等院校排课系统研究

随着高等院校的扩招,学生人数剧增与学校教学资源紧缺之间的矛盾己经日趋严重,在教务管理系统中使用的排课模型也变得越来越复杂。本文在综合考虑排课因素的基础上,建立了排课问题的数学模型,提出了基于遗传算法的解决方案,有效地解决了传统排课模型的不足,且不必依赖特殊的实现模式。     

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。     

基于知识的协同过滤推荐系统研究

传统的基于项目的协同过滤算法,不能很好地解决数据稀疏和新项目问题(冷启动)带来的推荐质量下降的问题.笔者从智能检索的思想出发,提出一种新的基于知识的协同过滤推荐算法.该算法借助于领域本体,表达语义知识,增加了项目之间的关联信息;考虑到领域本体中结点、边、深度和密度对相似性计算的不同影响,算法结合信息论中的互信息相关概念,对相似性计算公式进行改进,提高了运算精度.实验结果表明,该算法相对于传统的基于项目的协同过滤推荐算法而言,可有效缓解由数据集稀疏和冷启动带来的问题,显著提高推荐系统的推荐质量.     

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的功能。文章论述了数字图书馆推荐系统的基本原理与特点、功能及意义,介绍了数字图书馆信息推荐的主要方法和技术,并对当前数字图书馆推荐系统的主要应用进行实例分析。     

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。     

文献推荐系统综述

文献推荐系统帮助用户在海量文献环境下发现个性化的信息,已经成为文献检索系统的重要组成部分。文献推荐技术研究在信息检索、文献计量学与电子商务推荐系统研究成果综合演变下发展起来。首先讨论了一般个性化推荐技术;进一步对文献推荐技术已经取得的研究成果进行了系统的分析与总结;同时,介于评价测度与方法是推荐系统的重要组成部分,给出了常用的文献推荐系统的评价测度;最后,对文献推荐系统研究现状作出总体评价并指出将来的发展方向。     

基于协同标注的B2C电子商务个性化推荐系统研究

针对B2C电子商务系统中“信息过载”与“信息缺失”共存的问题,在综合分析电子商务个性化推荐技术和协同标注基础上,提出采用协同标注方法构建推荐系统为顾客提供个性化的商品信息,描述了该系统的总体结构,并对系统中的概念生成器、查询分析器、商品标签地图等功能模块进行详细论述。     

一种基于交互式遗传算法的图书经费分配群决策模型

提出一种基于交互式遗传算法的大学图书馆藏书建设中图书采购经费分配群决策系统模型,通过人工智能技术把定性决策与定量决策结合起来,解决文献经费分配决策中优化目标非定量化、难以较高效率获得专家群体意见共识的问题。模拟实验反映出该模型能以较高效率达成专家群体意见共识。     

基于混合算法的电子商务推荐系统设计研究

针对目前电子商务推荐系统不能很好地为未注册用户服务的问题,根据未注册用户和注册用户各自特点采用两套不同的数据收集方案,以提高网站的友好性与数据的准确性。在推荐算法方面,由于决策树归纳算法与贝叶斯网络算法各有优劣,故将两种算法结合使用,并引入基于内容的算法思想对商品的各属性进行研究,以提高推荐的准确性。实验证明：上述方法能够很好地为未注册用户服务且基于混合算法的推荐优于基于单种算法的推荐。     

改进的Pearson-Compatibility群决策算法在多属性协同过滤推荐中的应用研究

目前个性化推荐领域的相关研究,很少考虑用户在资源属性上的兴趣差异,而资源属性往往是决定用户偏好的重要因素之一。针对这一问题,构建了基于资源多属性的用户评价模型和兴趣模型,并提出了一种改进的Pearson-Compatibility多属性群决策算法,在k-临近相似用户的推荐问题中引入该算法,结合协同过滤推荐的特点,对相似用户偏好差异性、残缺值、算法可能出现的提前收敛等问题进行了充分考虑,进而实现多属性的协同过滤。最后通过实验对算法的有效性进行验证,实验结果表明:算法在目标用户属性偏好的预测上,具有较高的准确度,对偏差值、残缺值具有较强的抗干扰能力,具有较强的实用价值。     

国外群推荐聚集策略研究综述

认为群推荐是对群体用户进行个性化推荐的技术,群推荐的一个重要步骤就是聚集,即将针对个体的推荐项目聚集成对群体的推荐,或者将个体的偏好聚集成群体的模型,聚集策略就是在聚集时所采取的方式。通过文献的梳理,介绍群推荐的群体形成和生成推荐过程,比较聚集策略的类型和应用,对聚集中存在的尴尬和隐私问题、群成员间交互问题、成员间差异性问题和基于群成员社交影响力的策略进行详细阐述,并展望聚集策略尚需进一步研究的方面。     

基于二分网络的推荐算法研究进展

全面总结和介绍基于二分网络的推荐算法研究现状,旨在介绍基于二分网络推荐算法的思想和各种优化方法,帮助读者了解这个研究领域.先介绍了二分网络推荐算法研究的背景和基于物质扩散和热传导的两种基本二分网络推荐算法,然后总结了8大类的优化算法,最后指出了当前还未研究的但还值得进一步研究的地方,并对大数据环境下基于二分网络的推荐算法进行了展望.     

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.     

基于Word2vec的图书馆推荐系统多样性问题应用研究

图书馆个性化推荐系统强调推荐的精准性,无法满足读者的多样性需求。本文将深度学习算法引入图书馆推荐系统,探讨推荐多样性的问题。首先,依据历史借阅数据,结合时间序列,形成读者借阅行为的共现矩阵;然后将共现矩阵看作上下文的语境,利用Word2vec的潜在语义分析特性,识别读者可能的兴趣;最后挖掘读者可能的兴趣,并提供多样性的推荐结果。本文选取上海浦东图书馆541万余条借阅数据进行实验,对比关联分析的结果,验证了该方法在推荐多样性方面具有较好的效果。     

发送者和接受者能力的二分网络推荐算法研究

在大数据时代,推荐系统在电子商务等领域中发挥着越来越重要的作用.本文通过对现有的基于二分网络推荐算法进行分析总结,提出了TAA算法,并将该算法同物质扩散算法、热传导算法、偏热传导算法、混合算法和接收者能力算法在Movielens数据集上进行对比实验,实验结果表明该算法推荐结果的准确率和召回率均优于现有的5种算法.