基于SVD高职院校在线教学资源推荐系统

本文选择SVD为基础模型,探讨融合高职学生兴趣特征矩阵、高职课程特征矩阵等因素,建构推荐系统。并用Python引入Surprise库,使用了公开的数据集,对新构建SVD的相关模型实施了实验测试。结果表明,与传统推荐过滤方法相比,基于SVD模型的推荐结果在RMSE及MAE值有所提高。但对于该群体的课程兴趣特征,存在提取与分类的问题,在下一步研究工作中将对该算法进行改进。     

个性化高校新闻分类推荐的应用研究

随着信息化和数字化时代的到来,大数据广泛渗入到各个领域。信息过载使得用户无法快速、准确地获取个人最关注的内容,这严重影响了浏览页面时的用户体验。为了能精准地进行分类推荐,对新闻分类和推荐方法进行细致的研究,进而提出一种能够进行精准分类,准确获取信息的推荐方法。利用爬虫技术获取真实的高校新闻数据;采用基于肘部法则改进的K-means算法进行聚类分析;结合用户注册时选定的兴趣标签,利用基于内容与协同过滤组合的推荐策略,针对不同用户的需求进行个性化推荐;以列表等形式将个性化的推荐结果展示给用户。根据高校的真实数据进行实验,结果表明,该算法能够有效地对高校师生的个性化服务需求进行处理,提高获取新闻时的高效性、准确性和智能性。     

基于CRF景点推荐模型研究

针对游客旅游景点选择难以及旅游发展趋势,文中提出一种基于CRF模型的旅游景点推荐算法模型。利用网络爬虫获取景点评论数据集,并采用CRF算法从中提取评价观点,对评论观点进行有效性过滤,将过滤后的观点构建观点集,计算各观点的余弦相关性,将相关性高的观点进行合并。实验结果表明,基于CRF景点推荐算法较其它常见方法在准确率、召回率方面有明显提高,且PR及ROC曲线效果良好。部分景点评论的稀疏性会导致这些景点评论分析结果的偏差。该方法对游客选择旅游目标具有很好的决策作用。     

基于云计算和IRS的在线课程推荐算法研究

为了提高MOOC在线课程的推荐效果和推荐效率,结合学习用户的偏好和IRS课程评价方法,提出一种基于云计算和IRS的在线课程推荐算法。将学习交互度I、评价率R和评分S和用户偏好结合,提出一种更加适合学习者用户的个性化推荐算法。研究结果表明,文中IRS推荐算法具有更高的命中率和评分差,其推荐的课程令学习者更加满意,更加适合学习者的个性化需求,可以提高推荐效率和运行速度,为在线课程推荐提供新的方法和途径。     

基于数据挖掘的开源电子资源访问行为统计模型

为了解决当前图书馆资源个性化推荐过程中存在推荐的准确率、召回率以及效率较低的问题,采用二维距离模型构建用户社区模型,用于描述访问用户与图书馆开源电子资源之间的关系,并对互联网用户需求和访问行为进行模糊规则推理.依据互联网用户属性和图书馆资源访问需求属性之间的模糊规则,建立图书馆开源电子资源访问行为统计模型,并利用该模型向用户提供个性化推荐服务.仿真结果表明,所建模型的推荐召回率高达98. 4%,推荐准确率为99. 2%,运行时间小于0. 04 s.所建模型能够为互联网用户提供准确、高效地图书馆资源个性化推荐服务.     

基于内容和协同过滤的科技文献个性化推荐

随着近年来科技的蓬勃发展,我国积累的科技文献资源数据规模逐年递增,日渐庞大。为了提高科技文献资源的利用率和科技服务的质量,对推荐系统需求越发迫切。文中将基于内容的方法和协同过滤相结合,取长补短,来实现科技文献的个性化推荐。TF-IDF算法用于提取科技文献的内容特征,SVD算法用于对评分矩阵进行分解。