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。     

面向微博的个性化内容推荐算法研究

随着信息共享时代的发展,海量数据的诞生对推荐系统提出了更高的要求。针对微博的海量数据,提出了一种融合朴素贝叶斯分类和基于用户的协同过滤算法的混合推荐算法。该算法将文本关键字作为特征属性,利用贝叶斯分类法筛选出用户可能感兴趣的数据,缩小推荐结果集;然后采用基于用户的协同过滤算法,通过计算用户相似度,根据最近邻居得到推荐结果列表。实验结果表明,混合推荐算法相比较于单一的推荐算法有着更高的准确率。     

电子商务推荐系统主要推荐技术研究

推荐系统作为解决信息超载问题的有效工具,受到国内外研究者的广泛关注。本文简要描述了推荐系统的定义以及作用,重点介绍了基于规则的推荐、基于内容的推荐和协同过滤推荐这三种算法,分析了每种算法的优缺点,并描述了混合推荐技术的基本思路。文中列出了几种评价推荐系统性能的重要指标。     

基于标签的电影推荐算法研究

为了有效解决用户在电影网站海量资源中寻找兴趣度高的电影时效率低这一问题，研究了一种基于标签的推荐算法。根据用户与标签的关系计算用户对标签的兴趣度；构建标签基因矩阵以及兴趣度矩阵，计算出用户对电影的喜好程度；为用户推荐喜好程度高的电影，提高用户对电影网站的好感度。通过在实际数据集上应用基于标签的推荐算法，验证了该算法的可行性以及有效性。     

基于马尔可夫聚类和混合协同过滤的电视节目推荐

针对家庭用户的电视节目个性化推荐问题,提出一种基于马尔可夫聚类和混合协同过滤(MCL-HCF)算法的混合推荐方法。采用马尔可夫聚类对各个时间段的电视用户进行聚类,产生不同的群组,最小化每个群组里的个体成员和群组整体的偏好差异,再以群组为单位进行电视节目推荐;使用基于物品的协同过滤和基于用户的协同过滤算法分别产生推荐列表;采用基于加权融合的混合推荐算法对两个推荐列表进行处理,得到最终的混合推荐结果。在公开数据集上的实验结果表明,该算法在平衡推荐惊喜度和相关性的同时能够获得令人满意的推荐准确率。     

基于用户行为特征的动态权重混合推荐算法

推荐系统可以为不同的用户定制个性化的网络服务,如何提供准确的推荐则成为其最大难点。针对传统推荐算法的稀疏性问题,提出基于用户行为特征的动态权重混合推荐算法。通过对数据集中的数据进行预处理,计算出不同用户对于不同物品的个性化行为特征指数,并将其引入相似度的计算中。依据用户评分数据稀疏性的差异计算出动态权重,并依此将基于用户内容的推荐和协同过滤推荐进行动态混合。实验结果表明,该算法在稀疏数据集中能有效降低推荐误差,提高推荐精度。     

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。     

基于综合因素的服装智能推荐算法研究

个性推荐算法在各类电商系统商品推荐,特别是图书推荐和电影推荐中得到了广泛应用与落地,服装的推荐也取得了比较好的效果。但是,基于个人衣橱的并结合当天的天气、特殊场合等实际因素的动态推荐系统的应用却比较缺乏,本文搭建了用户和服装两个模型,提出了一种基于综合因素的服装智能推荐算法,可以很好的解决人民日常服装的穿搭问题,具有极大的应用前景。     

微博个性化内容推荐算法研究

移动环境下的微博推荐算法,最需要解决的是用户兴趣根据位置变化而快速变化问题。基于微博这种新型的网络交互环境,提出一种基于移动环境的内容推荐算法,以用户的位置为核心,根据"用户-内容-时间-位置"关系实现相关性的计算,进行好友和内容的推荐。并对该推荐算法的推荐精度进行了实验,证明了位置对内容评分在移动环境下可以提高推荐精度并可以增强用户体验。     

基于学习者模型的教育资源推荐方法

为解决传统领域的推荐算法不完全适用于教育资源的问题,提出了一种基于学习者模型的混合推荐方法.首先,通过把神经网络中对文本信息的分类引入推荐算法中,缓解了冷启动问题;其次,通过对老用户的学习特征和学习能力进行类内计算,解决了传统协同过滤单一计算评分相似度和计算量大的问题.实验结果表明,该模型在教育资源大数据场景下取得了良...     

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.     

Slope One算法的改进及其在大数据平台的实现

针对原始Slope One算法计算推荐预测值时忽略了项目之间的相似性,以及大数据时代下推荐效率低下的问题,提出基于Spark平台的聚类加权Slope One推荐算法。通过Canopy-K-medoids聚类算法生成最近邻居集合;在最近邻集中用Slope One算法上加权项目之间的相似性进行推荐预测;在Spark平台上实现并行化。通过在电影数据集上的实验得出,基于Spark平台的优化算法与传统Slope One算法、加权项目相似度的Slope One算法相比,提高了推荐精度。     

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。     

基于信任模型的协同过滤推荐算法

提出一种基于信任机制的协同过滤推荐算法,其中,直接信任度基于共同评价项目得出,推荐信任度通过对项目的预测得出。借鉴社会网络中人与人之间的信任评价方法,使用户之间的相似度计算更加准确,从而为目标用户提供更好的推荐结果。实验结果表明,该模型提高了信任度预测的准确性及系统的推荐质量。     

基于融合GMM聚类与FOA-GRNN模型的推荐算法

针对传统基于物品的推荐算法由于数据稀疏性导致的低推荐精度问题,提出了一种融合GMM聚类和FOA-GRNN模型的推荐算法。该算法首先使用高斯混合模型（GMM）方法对物品特征进行聚类;然后根据聚类结果分别构造评分矩阵,并使用Slope One算法填充评分矩阵;最后计算用户对物品的相似度预测评分作为输入,通过FOA-GRNN模型输出最终的评分。基于movielens-2k数据集的实验结果表明,与其他3种算法相比,该算法能够更好地处理高稀疏性数据,推荐精度更优,并能够在一定程度上解决冷启动问题。     

基于多属性的动态采样协同过滤推荐算法

针对目前协同过滤推荐算法推荐精度和用户数据在算法中匹配度都不高的问题,提出一种多属性的条件受限波尔兹曼机协同过滤推荐模型（MA-CRBM）。该模型基于实值状态的条件玻尔兹曼机,融合了用户职业和性别属性,充分利用数据集中潜在的评分与未评分信息。在训练过程中,采用动态迭代采样算法对原采样算法进行了改进,克服了训练后期数据采样误差波动太大导致精确度不高的问题。在MovieLens 数据集上的实验结果表明,MA-CRBM模型具有较好的推荐效果,可以有效提升推荐模型的精度和效率。     

一种基于用户偏好的协同过滤推荐算法

In this paper, a collaborative filtering recommendation algorithm based on user preference is proposed. First of all, the user similarity is calculated according to the length of the longest common subsequence of different user interest sequences and the num- ber of common subsequences, and then the similarity obtained by this algorithm is weighted and mixed with the similarity obtained by traditional collaborative filtering recommendation algorithm. Project recommendation is completed based on mixed similarity and the possible project score by target users is predicted. Finally, by comparing the average absolute error MAE values of three rec- ommendation algorithms in three data sets of Ciao, Flixster and MovieLens 100K, it is proved that the proposed user collaborative filtering recommendation algorithm (XQCF) has improved the accuracy of the recommendation system.     

基于本体的Web资源个性化推荐算法

为提高Web资源推荐的准确度,提出基于本体的Web资源个性化推荐算法(BO-RM)。设计Web资源主题抽取算法和相似性度量方法,利用本体语义推理机制实现资源聚类,在推荐过程中通过实时分析用户浏览行为捕获用户个性化偏好的变化,动态实时推荐内容。与基于情境的协同过滤算法（CFR-RM）和基于模型的个性化预测算法（BM-RM）进行对比,结果显示BO-RM的时间开销相对稳定,在平均排序倒数(MRR)和平均准确率(MAP)上均取得了较好的效果。实验结果表明:BO-RM离线完成海量Web资源的分析聚类,有效提高了运行效率,实用性比较强;BO-RM实时捕捉用户兴趣变化,动态更新推荐列表,更加贴近用户的真实需求。