个性化推荐算法设计

协同过滤技术（collaborative filtering）目前被成功地应用于个性化推荐系统中，但随着系统规模的扩大，它的效能逐渐降低，提出了一种高效的个性化推荐算法，它包括维数简化和项集相似性计算两个过程，这种算法在提高精确性的基础上减少了计算耗费，可以较好地解决应用协同过滤技术的推荐系统所存在的稀疏性，扩展性等问题，快速产生精确的个性化推荐结果。     

自动分层推荐算法

推荐是Web个性化服务的核心，提出一种自动分层推荐算法，利用页面分层自动选择最佳的匹配粒度，进行基于频繁导航路径的推荐，实验结果表明，该算法大大减少了在线匹配的开销，可以成功地应用到Web日志挖掘中。     

基于商品目录的多层关联推荐算法

提出了一种多层关联推荐算法，结合商品目录，自动快速选择最佳的匹配粒度，进行基于频繁集的在线推荐。实验结果表明，算法大大提高了在线匹配的性能和质量，可成功应用到电子商务的个性化服务中。     

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。     

互联网技术支持下针对评论文本的个性化推荐算法设计

针对评论文本的个性化推荐算法包括多个功能层。数据预处理层将用户对物品的评语转化为词向量，从而降低算法的计算效率。卷积神经网络层对预处理后的数据进行卷积操作，形成评论语句的上下文表达方法。注意力层分为三层注意力机制和协同注意力机制两种运行模式，用于提取用户和物品的个性化特征。预测评论层以量化方式对个性化推荐算法进行评价，相关评价指标为均方误差。经数据检验，该推荐算法的性能优于PMF、UserCF等同类推荐算法。     

基于内容与协同过滤的混合推荐算法在数字科技馆中的应用

推荐系统作为一种筛选信息的工具，可以更加有效地解决“信息过载”问题，以个性化的方式提供满足用户需求的内容。本文根据基于内容的推荐算法和基于用户的协同过滤算法优缺点，将两种算法相结合，构建出基于混合算法的推荐系统，改善了数据稀疏性问题。具体介绍了混合推荐系统的设计思路和实现方法，在中国数字科技馆网站建设中进行应用。解决了网站科普资源个性化匹配不精准、优质资源曝光度不够等问题。     

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。     

大型商场智能导购策略与应用

针对大型商场传统导航和搜索效率低的问题,设计了一种导购策略,采用改进后的A*算法实现最优路径的规划,根据混合交叉推荐技术进行数据采集与数据推荐,加强算法对复杂室内地图环境的适应性,提高推荐效率.构建了基于微信小程序的大型商场智能导购系统进行验证,在店铺搜索和推荐逻辑模型下,搜索效率提升了近50％,并解决了室内导航以及信息个性化推荐问题.     

一种自适应用户兴趣的推荐算法研究

为更好地满足了推荐系统中用户个性化推荐的需求,提高推荐系统的性能。研究了用户兴趣模型,提出了一种用户兴趣模型自动更新的方法,在数据采集过程中,通过对隐性数据的采集,动态地更新用户模型;模型使用向量空间模型的表示方法。实验结果表明,新的模型提高了计算用户最近邻居的准确性,算法在不同推荐范围都用良好的表现,并具有很好的耐久性。     

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。     

基于改进相似度计算方法的协同过滤算法研究

协同过滤算法是目前推荐系统中应用最广泛的技术,相似度的计算是该算法中关键的一步,它直接影响到后续的目标用户邻居集的选取及评分预测,最终决定着推荐的准确度。在传统的基于用户的协同过滤中,相似度的计算未考虑用户评分差异和商品的热度对相似度计算的影响。论文引入平均评分修正因子和热门商品惩罚因子,对传统的相似度计算公式加以优化。实验表明,改进后的相似度算法在电影推荐时,平均绝对误差(MAE)值较其他相似度算法更低,有着更好的推荐效果。     

一种基于高斯分布的白平衡改进算法

针对白平衡算法中普遍存在的校正不足及算法复杂度过高等问题,结合灰度世界算法和完美反射算法的优点,提出了一种基于高斯分解的自动白平衡算法。该算法通过对图像灰度分布的高斯分解,得到图像的高斯分布模型,并以此计算增益曲线。实验结果表明,该算法能有效校正图像的偏色问题,适用于多种不同场景。     

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。     

基于聚类系数的推荐算法*

摘 要：针对于标准二分图网络推荐算法（NBI）的物质扩散机制过于简单的问题,基于聚类系数的改进NBI算法（简称NBICC）被提出。在文章中,推荐系统可以被抽象为一个有向加权二分图网络。在物质扩散的过程中,考虑到聚类系数因素的影响,重新定义了商品之间的相似度的计算公式,进而获得了更加精确的推荐结果。Ranking score,precison,recall等评价指标被应用在本文提出的新算法中,实验结果表明,这三样重要指标上,NBICC算法都强于标准NBI算法。     

基于改进权重增量Apriori算法的产品推荐方法

采用权重增量挖掘思想优化算法,为用户推荐个性化产品配置提供了有效的解决方案.方法主要主要分为3个部分,首先利用平台搭建起来的用户跟踪模块对用户行为进行跟踪和数据的收集;然后结合用户最近的行为习惯,使用基于权重增量的Apriori算法进行关联规则挖掘;最后根据挖掘出的结果完成产品推荐的过程.通过对挖掘算法的优化,大大提高了系统的运行效率和准确性,产品推荐随着用户行为的改变而改变,更加符合实际情况.实验结果表明,该算法可以有效解决产品推荐问题,相比于传统关联规则挖掘算法,准确率提高了4%.     

基于加权Slope one的协同过滤个性化推荐算法

针对传统协同过滤算法存在冷启动、数据稀疏、运行效率低下等问题,分析了较传统协同过滤算法更加高效准确的Slope one算法的优点、原理及流程,针对Slope one算法未考虑用户兴趣变化和用户相似性这两方面的问题,提出了基于用户兴趣遗忘函数和用户最近邻居筛选策略的改进方案,以期提高推荐的质量,同时采用MovieLens数据集进行了实验验证,实验对比结果佐证了本文算法确实提高了推荐准确度并且减少了响应时间。     

基于LFM矩阵分解的推荐算法优化研究

在推荐系统中,基于矩阵分解的推荐算法是目前的研究热点之一,然而普通矩阵分解算法的推荐精确度偏低,为了改善该问题,以矩阵分解算法中的潜在因子模型（LFM）优化为研究对象,分析LFM中两种基础推荐算法在寻优速率与推荐精度上的不足,然后提出两种改进算法：带冲量的批量学习算法和混合学习算法,最后通过实验数据测试,对比了不同算法的推荐效果,结果证明改进算法的性能更优。     

基于改进遗传模拟退火算法的BP神经网络的畸变校正研究

针对相机所采集的图像大多都存在畸变现象的问题,设计了基于改进遗传模拟退火算法的BP神经网络校正算法。该算法针对传统遗传算法易于收敛局部最优的问题,提出分段选择策略与随机抽样相结合的选择算子,自适应交叉与变异算子。在畸变校正中,该算法通过网络的输入输出建立理想点与畸变点的关系,使用改进的遗传模拟退火算法来优化神经网络中的阈值与权值,然后使用基于LM算法的BP神经网络进行局部优化,最后通过插值算法得到校正后的图像。实验表明,该算法能过较好的对图像进行畸变校正,同时与传统的BP神经网络算法相比精度更高,收敛速度更快。     

结合CFDP与时间因子的协同过滤推荐算法

在这个网络数据呈现爆炸式增长的时代,如何利用用户行为数据,对每位目标用户进行精准的项目推荐是一个极有价值的研究方向。协同过滤推荐算法作为最常见的推荐算法之一,如何对传统的协同过滤算法进行优化,便是该文的研究内容。针对传统协同过滤算法存在的数据稀疏、冷启动以及实时性问题。采用CFDP算法对项目集合进行聚类,并对采用Slope-One算法进行数据填充,有效地缓解了数据稀疏以及冷启动的问题。针对传统算法的实时性问题,引入了时间因子,对每一项预测评分都乘以时间权重,使得预测评分更加科学准确,解决了推荐系统的实时性问题。采用MovieLens 1M数据集分别对传统协同过滤算法以及改进协同过滤算法进行对比实验,得出新算法的平均绝对偏差MAE要小于传统的协同过滤推荐算法,表明改进算法有效地优化了传统算法。