改进填补法和多权重相似度相结合的推荐算法

针对传统推荐算法中存在的数据稀疏性问题,国内外许多研究人员都提出了相应的推荐算法。然而,在个性化推荐方面,其中大多数并没有取得很好的推荐效果。因此,提出改进填补法和多权重相似度相结合的推荐算法,该算法首先采用改进填补法填充缺失值并对数据降维,接着分别计算社交网络用户信任度和改进的二部图用户关联度,最后采用多权重因子将这两者相似度进行结合。基于此,该算法根据相似度高低获取邻居用户并对目标用户进行商品推荐。实验结果表明,在数据稀疏性以及个性化推荐情况下,该算法的平均绝对误差（MAE）优于其他推荐方法。     

改进的协同过滤推荐算法

传统的选修课系统存在结构性的不足和缺憾,为了避免高校学生盲目的选择选修课程,本文利用改进的协同过滤算法对高校学生进行个性化的选课推荐.本文首先介绍了两种推荐算法,并着重介绍基于协同过滤的推荐算法,并分析了两种算法的优缺点,最后针对协同过滤算法的数据稀疏性问题,提出了一种改进的协同过滤算法,即在协同过滤中加入基于内容的因素来解决这个问题.这种改进的协同过滤算法避免了传统协同过滤算法中存在的数据稀疏问题,以学生为本推荐适合学生的课程,满足学生学习的个性化要求.     

基于混合协同过滤的个性化Web服务推荐

随着网络上Web服务的不断增加,Web服务的个性化选择和推荐成为服务计算领域最重要的挑战之一。对个性化Web服务推荐方法进行了研究,提出了基于模型和基于内存混合的Web服务推荐方法。该方法基于客观连续的服务质量（quality of service,QoS）数据和主观离散的评价数据,采用聚类、映射、聚合等算法预测服务的质量,并对用户的期望、评分和服务的QoS信息进行了量化描述。此外,设计了Web服务推荐框架,实现了信息的采集与处理、Web服务的个性化推荐。实验结果表明,与主流的推荐算法相比,所提方法在多种评分误差的评价指标上都取得了更好的结果。     

一种混合模式的协同过滤算法

当今是一个数据爆炸时期,促进信息过滤技术发展,个性化推荐系统作为其中一种重要的应用方式,已经成为很多网站一种个性化信息服务方式,但传统的协同过滤算法存在扩展性和稀疏性的问题。提出一种基于项目聚类、项目语义相似度和奇异值分解的混合推荐模型,来应对传统的协同过滤推荐系统面临的算法的伸缩性问题、数据稀疏性问题和推荐的精准度问题,进行推荐。结果表明,与传统的算法相比,使用该改进算法能显著地提高推荐系统的推荐质量。     

CubeALS:新的三维协同过滤推荐算法

随着互联网的快速发展,人们对个性化网页搜索、个性化广告投放、个性化社会标注等三维推荐服务的需求越来越紧迫。这些三维立方体数据高度稀疏,且与二维推荐系统相比三维推荐系统中对象之间的关系更加复杂。为了更好地模拟三维对象之间的关系并解决三维数据高度稀疏的问题,提出了一种新的三维协同过滤推荐算法CubeALS(cube alternating least squares)。该算法对三维协同过滤推荐算法CubeSVD(cube singular value decomposition)进行了改进,尝试使用不同于SVD的算法进行矩阵分解。在真实的个性化社会标注数据集上的实验结果表明,与CubeSVD算法相比,CubeALS的性能得到了显著提高。     

基于Spark并行化改进混合地点推荐

推荐算法是数据挖掘中最重要的算法之一.地点推荐是推荐系统的重要研究内容.针对目前地点推荐面临的数据稀疏、冷启动、个性化程度低等问题,设计并实现了基于Spark并行化处理的改进混合地点推荐模型.该算法融合了基于内容的推荐和基于协同过滤的推荐,结合了用户当前的偏好和其他用户的意见.使用基于用户-地点属性偏好的矩阵填充方式,以此改善数据稀疏性问题;同时,对于海量数据,系统采用Spark分布式集群实现并行计算,缩短了模型训练时间.实验结果表明,与其他推荐算法相比,该算法能有效改善数据稀疏性、提升推荐效果.     

适应用户兴趣变化的协同过滤推荐算法

协同过滤算法是至今为止最成功的个性化推荐技术之一,被应用到很多领域中 .但传统协同过滤算法不能及时反映用户的兴趣变化 .针对这个问题,提出两种改进度量:基于时间的数据权重和基于资源相似度的数据权重,在此基础上将它们有机结合,并将这两种权重引入基于资源的协同过滤算法的生成推荐过程中 .实验表明,改进后的算法比传统协同过滤算法在推荐准确度上有明显提高 .     

基于大数据分析的中医药信息个性化推荐系统

为解决中药智能推荐存在的稀疏性和扩展性问题，设计基于大数据分析的中医药信息个性化推荐系统。首先采集患者中药历史用药数据，并保存到存储器当中，利用处理器运行改进后的协同过滤算法，检索相关中医药信息，最后将结果反馈给目标用户，实现针对目标用户的个性化推荐。结果表明：设计系统的推荐覆盖指数较高，说明稀疏性问题得到了改善，提高了个性化推荐质量；随着最近邻居个数增加，系统中改进后个性化推荐算法的执行时间复杂度减小，说明扩展性问题得以改善。     

基于用户行为的个性化推荐系统的设计与应用①

目前电子商务网站提供的推荐服务很难满足用户的个性化需求,协同过滤算法作为应用最成功的推荐算法,依然存在数据稀疏性、用户评分真实性等问题,制约着推荐系统的质量。设计和实现了一个基于用户行为的个性化商品推荐系统,主要采用前融合组合推荐策略,避免了单纯使用协同过滤算法的弱点。阐述了基于用户行为的个性化推荐系统的设计思想和实现过程,最终通过实验验证了本推荐系统具有良好的推荐效果。     

一种基于用户兴趣局部相似性的推荐算法

协作过滤算法作为至今最成功的个性化推荐技术之一,被广泛应用于电子商务、个性化节目推荐等系统中。但传统的基于协作过滤的推荐系统一直受到系统的稀疏性、推荐精确度低等问题的困扰。提出了一种基于用户兴趣局部相似性的改进的协作推荐算法（CFUPS）,针对协作过滤算法中用户近邻的计算和项目评分的预测两关键步骤,基于用户间潜在的局部相似的兴趣,并结合项目资源属性和项目评分矩阵来预测项目评分,进而给用户推荐感兴趣的个性化资源,理论上在提高推荐精度、克服稀疏性问题上均有改善。同时实验表明,在极具稀疏性的数据集上,该算法的推荐精度较以往的协作过滤算法有明显提高。     

一种支持个性化Web推荐的聚类分析

提出基于关联的聚类分析方法,挖掘具有相似访问兴趣的用户访问模式,分离不相关的用户模式,并提出基于关联的聚类算法。实验证明,该算法大量减少不相关的用户访问模式,提高个性化推荐质量。为进一步研究个性化推荐技术奠定基础。     

个性化学习推荐系统的设计与实现

针对远程教学系统中的个性化服务需求，本文在介绍个性化服务相关技术的基础上，提出了基于内容过滤和协同过滤两种方法相结合的个性化推荐算法，设计并实现了个性化学习推荐系统。     

基于学生行为分析的兴趣课程推荐系统的研究

通过分析学生的出勤率和考试成绩等行为信息,运用数据挖掘中的聚类分析算法和多元线性回归模型推理出每位学生的兴趣课程,并为其提供个性化推荐服务;最后,采用MATLAB统计工具包对课程推荐的准确率进行验证.以此为基础构建基于学生行为分析的兴趣课程推荐系统.     

基于行为序列分析的学习资源推荐算法研究

利用数据挖掘技术分析网络学习行为数据可以挖掘出其隐含的行为规律特征,为学习者提供个性化的学习资源服务。针对现有的数据挖掘算法在对网络学习行为数据进行分析时普遍存在模型适用性不高的问题,提出了一种基于行为序列分析的学习资源推荐算法。首先,提出行为序列及其相关概念的定义,并提出行为序列相似度计算方法;然后提出基于行为序列相似度的协同过滤推荐算法,计算学习者相似度并为待推荐学习者生成学习资源推荐列表;接着给出基于学习风格的推荐方法,将学习者学习风格特征融入推荐过程;最后,给出基于行为序列分析的学习资源推荐算法的模型。提出的算法没有对行为序列的模式进行限制,具有较高的适用性,对深入研究网络学习行为序列数据为学习者提供个性化学习服务具有一定的借鉴作用。     

结合使用挖掘和内容挖掘的web推荐服务

随着Internet的基础结构不断扩大和其所含信息的持续增长,Internet用户越来越感觉容易在WWW服务中“资源迷向”。提高用户访问效率的方法有页面预取技术,站点动态重构技术和web个性化推荐技术等。现有的大多数web个性化推荐技术主要是基于用户使用记录的数据挖掘方法,没有或很少考虑结合页面内容—这才是用户真正感兴趣的。该文提出一种结合用户使用挖掘和内容挖掘的web推荐服务,该推荐服务根据频繁最大前向访问路径,提出含有导航页和内容页的频繁访问路径图概念,根据滑动窗口内的最近用户访问页面内容和候选推荐集中页面内容相关性,来向用户提供个性化推荐服务。经推荐质量分析,这种方法具有较好的推荐优化能力。     

基于遗传算法的新书推荐系统研究

新书推荐是数字图书馆推广个性化服务的重要内容。为设计开发高效、准确的推荐系统。研究人员采用多种智能算法实现图书推荐。基于遗传算法的新书推荐方法（GANBook）利用遗传算法搜索效率高、自适应性强等优点对新书书目进行自动搜索．从而实现个性化图书推荐。仿真实验表明GANBook算法能够快速、准确地在数量庞大的书目中找出适合特定读者的最佳图书推荐组合,从而实现快速、个性化的新书推荐服务。     

基于支撑向量机的自适应信息推荐算法

提出一种新的基于支撑向量机的自适应主动推荐算法，该算法将用户模型按照层次化方式组织成领域信息和原子需求信息，考虑多用户同类信息需求，采用支撑向量机对领域信息结点中的原子需求信息进行分类协同推荐。然后再针对每一领域信息节点中的原子信息需求进行基于内容的过滤，最后将所有领域信息需求获得的推荐集按照一定的重要度等级进行推荐．本文所提算法克服了采用单一方法的弊端而使得推荐质量得到了很大的改善，基于标准测试集的测试结果表明该算法在查全率和查准率方面表现出了优越的性能，尤其适合大规模用户的自适应主动信息推荐。     

多属性协同过滤推荐在物流配送服务平台的应用

为了帮助用户选择尽可能满足其个性化偏好的物流配送服务,结合配送服务的多属性评分特点,本文构建了基于多属性协同过滤的推荐算法,对传统协同过滤算法进行了延伸与改进,首先预测目标用户对候选服务各属性的评分值,通过引入服务的个性化特征因子减小热门服务对用户相似度计算的误差,考虑到用户的服务属性评分存在波动性,使用信息熵将用户历史评分均值与协同过滤得到的预测值相结合进行修正,然后基于同一用户对不同属性评分波动性的差异,计算得到用户对服务所有属性的评分预测权重,将各属性的评分预测值与对应权重加权求和进行服务推荐.对配送服务交易的评分数据样本进行实验验证,在准确率和平均绝对误差指标上有较好的表现,将算法应用于物流配送服务平台,构建推荐系统,能够提高平台个性化服务能力.     

融合神经网络和泊松分解的兴趣点推荐算法

针对兴趣点推荐系统存在的隐式反馈建模用户-POI交互准确率不高和忽视用户签到数据的隐性反馈属性的问题。提出了一种新颖的兴趣点推荐算法。具体而言,采用一种基于神经网络的排序算法来捕获用户-兴趣点的交互关系,结合泊松分解算法和贝叶斯个性化排序技术建模用户的签到行为,将上述2个步骤得到的算法整合到统一的推荐算法架构中,从而提供兴趣点推荐服务。实验结果表明,提出的算法推荐性能优于传统主流先进兴趣点推荐算法。