基于Hadoop的推荐算法研究

本文通过对云计算和推荐系统的研究,构建了一种基于Hadoop平台的混合推荐算法。文中介绍了改进的混合推进算法,并结合Hadoop平台的Map Reduce编程模型来实现。通过实验验证,该算法能精确的预测用户的偏好,向用户推荐感兴趣的信息。其次,Hadoop能满足对大量数据处理的要求,结合改进的混合推荐算法,能够大大提高推荐系统的性能。     

关于视频推荐系统数据处理方法的分析

视频推荐系统作为一种重要的应用,可以帮助用户在网站中海量的视频库里找到其感兴趣的视频,同时也可以帮助用户挖掘出自己本身的兴趣。而视频推荐系统中核心和关键的部分是推荐算法,它在很大程度上决定了视频推荐系统的类型和性能的优劣。本文分析了视频推荐系统的常见架构并展示了优化后的推荐算法流程,在处理海量数据的真实应用背景下提出了总结出应用于视频推荐系统中的数据处理方法。     

认同度修正下的近相邻改进推荐算法研究

如何融合多方因素准确地为用户提供个性化产品一直是关注的热点问题,由此,一个新的近相邻改进算法融入了大众化认同度和个性化认同度,利于更加高效地挖掘隐藏信息.实验结果表明,相对于传统近相邻算法,认同度修正算法虽然查全率小幅度上下波动,但其他多个评价指标都得到极大提升,假正率和深度有所减少,查准率、F1值和提升度得以增加,并...     

基于Hadoop的电子商务个性化推荐算法——以电影推荐为例

以电影为推荐对象,选择了基于内容的推荐算法和基于协同过滤的推荐算法相结合的混合推荐算法,并在Hadoop平台下进行MapReduce并行化;通过线性组合的方式将两种推荐算法计算得到的电影相关性系数进行组合,实现本文系统的计算电影相关性的混合推荐算法,得到最终的电影相关性矩阵,构建电影关系网;最后对本文的提出的新型混合推荐算法工作模式进行了测试分析,证明改进方案具有良好的推荐精度。     

物联网中的推荐算法研究

本文在全面研究各类推荐算法的基础上,提出了基于物联网的推荐算法。该算法结合了基于内容的推荐和协同过滤推荐,综合考虑了物联网中设备的资源与资源相似性、设备与设备的评分矩阵,并基于用户与用户之间的相似性预测评分,给出推荐结果。     

高校科研信息管理中设备推荐系统算法分析

针对当前高校科研管理实际,研究对比了多种主流数据挖掘推荐算法的适用性,挑选出适合设备数据条件的推荐算法,并进行算法实际使用分析。最后,将基于内容过滤的推荐算法、基于用户的协同过滤的推荐算法和基于条目的 Slope One算法结合使用,互相补充,实现算法各性能的提高,完成高质量的推荐。     

基于多权重相似度的随机漫步推荐算法

在传统个性化推荐算法的基础上,提出了一种基于多权重相似度的随机漫步推荐算法。为了解决传统协同过滤算法中忽略了社交网络、热门项目以及共同评分项目之间影响等问题,通过引入万有引力公式计算社交网络中的用户相似度,并对传统协同过滤算法中的相似度进行改进,采用权重因子结合这两者相似度,最后开拓性地结合随机漫步算法进行商品推荐。实验结果表明,提出的算法具有比其他推荐算法更好的推荐性能。     

协同过滤算法在推荐系统中的应用

介绍了协同过滤算法,并对算法进行了改进,解决了用户稀疏的情况下传统算法的不足,同时通过引入评分阈值,显著提高了个性化协同过滤算法的推荐精度。     

协同过滤算法中推荐集选取方法的研究

针对传统的基于余弦相似性的协同过滤算法中推荐集选取方法进行了改进,设计了一种新的评分方式预测用户对未评价项目的评分,从而增强了推荐的合理性。实验结果表明,该算法同传统协同过滤算法相比能显著提高推荐精度。     

算法推荐与平台责任的立法完善研究

人工智能时代下,在以算法推荐为工具的平台经济发展如火如荼的同时,也为网络安全带来了新的挑战与风险。基于现实背景,算法推荐带来了侵犯用户隐私权、价格歧视与推荐机制异化等问题。纵观现有立法,宏观上存在相关立法较为分散、微观上存在避风港原则具有滞后性、算法黑箱这一固有障碍使得规制困难的问题。对此,应当整合完善单独立法、更新避风港原则、并以算法解释和披露制度破除算法黑箱,三位一体地完善算法推荐相关立法,将算法纳入法制轨道,维护网络安全。     

融合的协同过滤推荐算法

协同过滤算法作为一种成功的个性化推荐技术已经被应用到很多领域中,但随着系统规模的扩大,它的效率逐渐降低。针对它出现的缺点,提出一种新的基于内容和网络结构图的混合算法,实验数据证明该算法可以解决传统推荐算法中存在的一些缺陷。     

基于有向图分割的推荐算法

利用资源分配的原理提出一个基于有向图分割的推荐算法.通过二部图网络结构与资源分配方法的结合,建立了物品间关系的有向图,再利用非对称非负矩阵分解(Asymmetric Nonnegative Matrix Factorization, ANMF)分割此有向图,并将物品根据分割结果得出的物品间关联关系进行分类,并以此设置物品间的关联权重,最终实现对用户的Top-N物品推荐方案.实验结果表明,提出的算法提高了推荐准确率,并且能在一定程度上提高推荐多样性,降低推荐物品的流行性.     

图书馆座位推荐算法研究

为紧跟时代步伐,越来越多的人选择在空闲时间到图书馆学习。为有效利用图书馆的座位资源,提高座位预约过程中的就座效率,文章针对某高校图书馆不同资源场景下的空闲座位与不同用户的需求匹配问题,采用混合推荐算法实现图书馆座位推荐。此算法将基于用户的协同过滤算法与基于内容的推荐算法相结合,通过基于内容的推荐算法得到座位相似度,从而克服了协同过滤算法在面对冷启动情况时的不足,提高了座位推荐的精确性。     

基于图卷积神经网络的家具推荐方法

协同过滤是大数据推荐系统的重要算法之一,为提高家具推荐效果,文章首先介绍了协同过滤的经典算法,其次对基于图卷积的推荐算法进行梳理并改进,基于收集到的数据集构建了模型,最后选取其他协同过滤经典算法与之进行对比和分析。实验结果表明：相较于基于物品的协同过滤算法模型、基于用户的协同过滤算法模型,基于图卷积的协同过滤算法模型在评价指标上有更好的表现,更适合应用于家具推荐。     

基于分布式数据挖掘的电子商务推荐系统①

为解决电子商务推荐系统开放性、效率和精确度问题,给出了基于分布式数据挖掘的电子商务推荐系统(BDBRS)功能结构,提出了该系统的体系结构,然后介绍了BDBRS所应用的技术和BDBRS的设计与实现,最后描述了BDBRS的部分功能模块及人机界面,验证了BDBRS的正确性和本文研究的推荐算法在效率、精确度等方面的优越性。     

智能算法在高考志愿推荐平台中的应用研究——基于文献分析

随着智能算法的发展,高考志愿的填报逐渐成为热点话题,而智能算法在高考志愿平台的应用相关研究文献缺少系统性整理.该研究以中国知网期刊数据平台和Web of science为数据来源,采用文献计量学方法检索2011～2021年该领域相关文献,通过对比分析与数据可视化,了解国内外研究现状、研究趋势以及发展差距,从而为国内研究...     

基于深度学习的军事情报智能推荐技术研究

军事情报推荐系统是帮助指挥员快速获取情报信息的有力工具,深度学习技术是人工智能领域的研究热点,基于深度学习的智能推荐技术已成为军事情报领域应用与研究的重点方向。本文介绍了情报推荐技术的军事背景与一般框架,系统梳理了5种典型的基于深度学习的推荐算法,对各类技术在不同应用场景下的主要优缺点进行了对比;最后总结了基于深度学习的智能推荐算法在军事情报中的具体应用,并根据军事情报智能推荐的特点,提出未来可能的研究方向,为后期研究提供依据与参考。     

基于特征的单向数字电视节目推荐系统

本文首先引述了当前数字电视的发展现状以及建立数字电视推荐系统的必要性,接着给出了整个系统的架构。该系统在前端采集用户特征和用户行为特征,并且把这些特征发送至服务器端,经过服务器端的推荐算法计算,推荐一组节目返回给用户供其选择。