基于用户画像的课程学习视频推荐系统研究与设计

文章面向在线教育,研究并设计一种课程学习视频的推荐系统。由于线上学习资源冗杂繁多,且缺乏规范化构建和系统化管理,学习者难以精准获取满足其个性化需求的课程学习视频。文章通过数据挖掘技术获取用户数据后构建用户画像并进行相似用户群体识别,再利用推荐算法实现课程学习视频与用户之间的精准匹配。实验结果表明,该文推荐系统可以有效解决人们在选择学习资源时产生的“信息迷航”和“信息过载”等问题,能够有效满足用户个性化学习需求并为用户提供个性化学习路线。     

一种融合群组特征的个性化图书推荐模型

“热门借阅”“热门检索”等无差别的非个性化推荐方式无法有效解决馆藏图书中的“暗书”问题。而个性化推荐通常需要获取大量用户交互信息。然而在实际图书流通服务中,用户的书目检索等操作往往处于非登录状态,数据采集有很大局限性。由此提出一种融合群组特征的个性化图书推荐模型,仅基于用户的历史借阅信息数据及基础信息,变换得到读者对书目的评分预测,然后利用矩阵分解分析主体阅读偏好,进行个性化推荐。在此基础上,通过聚类算法得到目标读者的群组画像特征,为目标读者生成离线推荐列表。该文采用信息工程大学图书馆2020年度流通数据集验证了推荐模型的有效性,并通过对比实验验证了模型的推荐准确率。     

基于IPTV用户行为数据的个性化推荐系统的设计与实现

本文主要研究个性化推荐系统在新媒体行业的应用,通过对数据类型分类,设计联系用户和物品的评测模型,再利用数据采集架构采集用户行为数据,并用协同过滤算法得出推荐结果,解决了在IPTV领域用户量大、资源相对变化慢的个性化推荐问题;针对个性化推荐系统存在的问题,研究行业内相关成果,对个性化推荐系统的发展做出了展望,并对接下来的工作做了安排和计划.     

基于Mahout的图书推荐系统的设计与实现

为了让用户快速地寻找到自己需要的书籍,文章阐述了一种基于Mahout的图书推荐系统的设计与实现。该系统主要使用Taste引擎来构建用户偏好,使用基于项目的协同协同过滤算法计算物品和物品之间的相似度,向目标用户进行推荐。系统采用分层设计,易于开发和维护,稳定性强,有利于对用户兴趣度的后续数据挖掘研究。     

基于协同过滤算法的推荐系统研究

传统的推荐算法主要分为两类:基于内容过滤推荐算法(contents-based filtering,简称CBF)[1-2]和基于协同过滤推荐算法(collaborative filtering,简称CF)[3-10]。CBF算法主要利用信息检索或信息过滤技术,根据推荐项目(item)的内容信息和用户配置文件的相关性向目标用户推荐相关项目。     

基于用户行为的网站推荐系统模型

网上营销的难点是如何寻找潜在客户。识别用户行为是一个复杂的过程,建议采用二维模型来寻找相关的项目,然后推荐给用户。但太多不相干的建议转化为用户信息过载问题。本研究的目的是在每个维度中找出已被用户搜索的项目／对象,最受好评的每个维度中的项目可给予建议。要做到这一点,我们采用张量,它可以有效地模拟多维Web日志中的用户搜索数据,然后确定在每一个搜索维度上的用户模型。所有的评估均基于真实数据集,这清晰地显示出比其他广泛使用的向量和矩阵方法的有效性。     

基于项目与用户的组合推荐算法研究

协同过滤技术是当前推荐系统中应用最广泛的推荐技术之一,随着系统用户规模的激增,传统的协同过滤技术存在实时性差、可扩展性差、数据稀疏性等问题。为了解决上述问题,提出了一种基于项目与用户的个性化组合推荐算法。首先,利用项目聚类对未评分项目进行评分预测,并填充用户-项目评分矩阵;再将项目聚类结果与用户行为特征相结合并对其进行用户聚类;最后,根据近邻相似性计算实现TOP-N推荐。实验表明,提出的组合推荐算法显著提高了推荐系统的准确性与实时性。     

基于用户画像的就业系统的功能与设计

在当今中国就业形势越来越严峻的背景下,大量学生的就业问题也成为了焦点,通过数据挖掘方法,建立就业模型形成画像,进而形成了一种基于用户画像的精准就业系统,为学生的职业生涯规划以及职业走向做出正确预估,从而协助学生进行针对性的有效求职,同时结合就业系统的各项功能探讨用户画像对在校学生的职业规划有哪些重要的指导作用?     

基于用户兴趣和推荐信任域的微博推荐

向用户推荐其感兴趣的微博,是改善用户体验的重要途径.为使推荐的微博更加符合用户的兴趣和品味,提出的微博推荐方法不仅考虑用户自身的特点,而且还考虑所在社区对微博的评价.在技术实现上,采用支持向量机进行文本分类,以便发现用户的兴趣偏好;通过多维Newman算法进行用户社区的发现,并将社区视为推荐信任域.最后采用改进的协同过滤算法综合用户兴趣偏好和推荐信任域进行微博推荐,以此提高微博推荐的质量.实验结果表明,提出的微博推荐方法是切实有效的.     

基于用户行为的协同过滤推荐算法在视频推荐上的应用研究

随着互联网的快速发展,人们在网上观看视频的频率也越来越高,对于视频网站来说,如何利用网站本身产生的海量的用户行为数据提升用户的黏性,成为网站经营者需要深刻考虑的问题.为了更好地吸引用户、留住用户,推荐算法也越来越多地在各种网站上得到了利用.该课题将对用户的行为数据进行分析,再利用协同过滤推荐算法来构建模型从而实现对目标...     

基于用户行为及知识传播的图神经网络推荐系统

协同过滤算法存在数据稀疏和冷启动问题,当前的推荐方法普遍引入知识图谱来缓解协同过滤算法的缺陷,但这些方法大都专注于利用知识图谱来构建用户及物品的特征表示,忽略了对用户交互信息的有效利用。本文提出了一种基于用户行为和知识图谱的推荐方法,该方法由交互传播以及知识传播两部分组成。前者通过图神经网络,利用用户-物品交互图来构建用户物品的高阶交互特征;后者利用知识图谱中传播得到相关实体来补充对物品的描述。在两个基准数据集上的大量实验表明,相对于基线模型,本文提出的基于用户行为及知识传播的图神经网络推荐系统具有较好的推荐效果以及泛化能力。     

基于微信小程序的美食点餐推荐系统的设计与实现

设计应用于微信小程序的美食点餐推荐系统,将协同过滤算法应用到该美食点餐推荐系统中,在构造评价矩阵时,不是通过向传统的让用户打分与评价的方式,因为点餐的时候不可能只点一道菜,所以评分也是对所有的菜评分,不能突出一道菜,因此文章通过收集用户的历史点餐记录、查询菜品记录以及用户当前的浏览记录来进行综合评分构建用户--菜品评分矩阵,然后进行菜品推荐,对于新用户而言则根据用户注册的时候填写的个人饮食偏好信息以及当前的查询与浏览操作来进行推荐,不存在新用户的冷启动问题。     

基于协同过滤和室内定位的商品推荐系统

利用物联网新兴技术和无线移动定位技术的优势,设计开发了一款基于室内定位的商品推荐系统,实现从过载的信息中识别出用户感兴趣的商品,借助近场通信技术(NFC)搜集用户数据,借助室内定位技术实时定位用户位置,并根据用户购物的历史数据用协同过滤算法实现商品推荐将结果推送给用户以达到让用户满意的购物体验.     

基于大数据的用户画像方法研究综述

在大数据时代,社交网络以及以社交为基础的互联网应用不断迅猛发展,其背后带来的是数据的爆炸式增长.对用户数据的采集以及合理的推荐,成为了各大网站的重要课题.用户画像提取过程,是个性化推荐的关键步骤.随着社交网络的快速发展,媒体类型不断丰富,用户参与门槛的不断降低.用户表达的数据模态逐渐呈现多样,为用户画像提取提供了广阔空间.随着用户画像数量的不断递增,利用大数据技术,有效的存储、计算用户画像,逐渐成为研究热点.本文首先介绍了相关的背景,然后介绍了基于大数据的用户画像构建方法,并介绍了不同数据集中的用户画像的应用,最后本文对基于大数据的用户画像方法进行了总结和展望,指明了该技术当前存在的问题与发展趋势.     

图书馆用户画像设计与应用研究

用户画像作为大数据环境下的用户分析及服务设计工具,可为高校图书馆开展精准化服务提供了新思路。文章阐述了用户画像的概念及特性,系统梳理了用户画像的国内外研究现状,详细分析了用户画像的构建流程,对用户画像在图书馆领域中的具体应用进行了探索。     

一种基于用户信任机制的个性化协同过滤推荐算法研究

传统的协同过滤推荐算法产生的数据稀疏性和冷启动问题存在潜在安全危机,不利于个性化推荐质量的提高。文章引入基于用户兴趣度和满意度的信任机制,改进传统用户信任度,通过信任度权重因子ωi,j,优化用户综合信任度,以提升预测评分质量。仿真实验分别从算法的推荐准确率和推荐覆盖率展开分析,实验结果表明,当ωi,j取值在0.5时,推荐准确率和覆盖率较RTCR算法、Trust Impact MF算法、A&I-Based算法明显占优。     

基于多兴趣度的图书借阅推荐系统研究与设计

针对数字图书馆图书借阅推荐系统中通常采用的协同过滤算法中存在的不足,分析了该算法存在在用户多兴趣情况下推荐时难免会产生偏差,从而降低预测推荐准确率问题,进而提出了一种基于用户多兴趣度的图书借阅推荐系统推荐算法的设计思路。该算法首先对待推荐图书进行分类,然后根据用户的借阅情况计算其对每类图书的兴趣度,将对每类图书兴趣度相似的用户聚为一类,在小范围内寻找最近邻居,最后根据用户对不同类别书目的兴趣度作为权重值来产生对该用户的每类图书的推荐数目。该算法不仅能够解决用户多兴趣度问题,同时也可减少计算工作量,提高推荐的准确率。