基于客户行为序列的推荐算法

客户的兴趣是不断变化的。但是,目前所广泛应用在推荐系统中的协同过滤算法却是静态的,它只是单纯整合客户的历史数据,并未考虑客户的兴趣变化情况,这必然会导致对高信息量客户的低推荐性能。文中将客户的兴趣度变化考虑在内,提出了一种基于客户行为序列的算法,可以在一定程度上提高针对高信息量客户推荐的性能。     

基于聚类分析的新书推荐

针对大多数图书馆管理系统中的个性化服务中的新书推荐只是定时将新到馆的图书罗列出来让读者浏览进行推荐,推荐效果差的问题。本文在比较三大常用的推荐技术的优缺点后,采用基于聚类分析的推荐算法推荐新书,并具体给出实现的方法。     

一种基于混合推荐模式的图书推荐系统

针对传统图书馆信息服务方式的不足,本文提出了一种基于混合推荐模式的图书推荐系统,即结合了基于内容的推荐,基于关联规则的推荐和基于协同过滤的推荐方法来产生推荐结果。本文详细阐述系统设计方案和这种混合推荐模式的实施方案,最后对系统的运行情况进行了总结,并提出了将来的研究方向。     

基于学习兴趣的个性化推荐算法研究

根据高职学校目前选修课的现状,在学生进行选修课选择时,提出一种基于隐式和显式兴趣相结合的学生兴趣个性化推荐算法模型,结合相关推荐技术进行个性化推荐,从而将盲目的选课变得有指导性、有针对性,大大提高了学习效果以及选修课开设的意义,对今后教学改革有一定的指导意义。     

基于用户阅读时间-频次行为的书籍推荐方法

随着电子阅读在近年来的兴起,通过研究用户对电子书籍的喜好,利用协同过滤推荐算法向用户进行个性化的书籍推荐具有实际应用价值,也成为了推荐系统研究中的重要内容。但当前很多书籍推荐应用中都存在缺少用户评分数据甚至没有用户评分的情况,使得传统协同过滤推荐方法的应用受阻。为解决此问题,通过分析处理用户阅读数据的相关行为数据,将此类行为数据通过时间-频次模型建模并得到用户-书籍评分矩阵,并利用该评分进一步实现基于用户的协同过滤书籍推荐算法。实验结果表明,改进的书籍协同过滤推荐算法的时间-频次模型能够提高书籍的推荐效果具有实践研究意义。     

基于关联规则算法的推荐方法研究综述

目前传统推荐算法已经被广泛应用于各类推荐系统,然而在推荐过程中仍然存在着无法处理非结构化数据、数据潜在关系发现困难、数据稀疏和冷启动等问题。关联规则技术的出现有效缓解了这些问题,推荐效率也因此得到提高。将关联规则技术的特殊属性与推荐算法进行高质量的结合成为推荐领域的研究热点。通过综述关联规则技术与数据的不同关联规则类别在传统推荐算法中的应用,对传统算法在推荐过程中的优缺点进行了归纳阐述。针对基于关联规则推荐算法的研究进行总结,并对其未来的发展趋势进行展望。     

基于混合规则的图书推荐模型设计与研究

在海量的数字图书信息中,准确、迅速地找到符合自身需要的图书是数字图书馆服务系统需要解决的主要问题.主要针对数字图书馆服务推荐系统中常采用的单一关联规则或协同过滤规则中存在的不足,构建了一种基于混合规则的数字图书馆服务推荐模型并对传统的推荐算法进行了改进设计.在图书推荐过程中,首先采用关联规则推荐得到若干个用户喜欢的图书子类,然后在这若干个图书子类所属的范围内利用协同过滤规则推荐出用户具体所需的图书.结果表明,该模ju不仅能处理图书借阅服务中种类繁多的推荐问题,又可提高推荐效率,具有较高的实用价值.     

基于对象网的协同工作环境

大规模协作需要使用对象网来构造新型的协同工作环境。以协同编著系统为实例,介绍了CORBA／Web互操作技术和CORBA／COM应用集成技术,以及如何利用它们来构造对象网和丰富编辑工具。     

基于用户行为的盲人图书推荐方法

为帮助盲人更有效便捷地通过网络获取所需书籍资源,提出一种基于用户行为的图书推荐方法。该方法在考虑用户兴趣随时间变化的基础上,通过分析用户日志,建模表达访问书籍、访问书籍类别、使用书签3类用户行为,实现盲人用户的图书推荐,同时缓解盲人数字图书馆中的用户数据稀疏问题。实验结果证明,该方法推荐效果良好。     

基于用户偏好和项目属性的协同过滤推荐算法

协同过滤推荐算法是目前应用最为广泛的个性化推荐方法之一,但传统的推荐算法在计算目标用户邻居集时只考虑用户项目评分矩阵中的具体数值,没有考虑用户偏好以及用户评分与项目属性之间的关系,推荐精度也有待进一步提高。针对这一问题,提出了一种基于用户偏好和项目属性的协同过滤推荐算法(UPPPCF)。本算法在传统的用户项目评分矩阵基础上综合考虑用户偏好以及项目属性,把评分矩阵转变成基于用户偏好的用户项目属性评分矩阵,然后根据这一评分矩阵来计算目标用户的最近邻居集,克服了传统相似性计算方法只依靠用户评分值的不足,同时本文对预测值判定给出了一种有效的度量方法。在 MovieLen 数据集上的实验结果表明,本文提出的UPPPCF算法能够有效弥补传统协同过滤算法中的不足,而且在推荐精度上有了明显的提高。     

融合用户信任模型的协同过滤推荐算法

协同过滤推荐是电子商务系统中最为重要的技术之一.随着电子商务系统中用户数目和商品数目的增加,用户-项目评分数据稀疏性问题日益显著.传统的相似度度量方法是基于用户共同评分项目计算的,而过于稀疏的评分使得不能准确预测用户偏好,导致推荐质量急剧下降.针对上述问题,本文考虑用户评分相似性和用户之间信任关系对推荐结果的影响,利用层次分析法实现用户信任模型的构建,提出一种融合用户信任模型的协同过滤推荐算法.实验结果表明： 该算法能够有效反映用户认知变化,缓解评分数据稀疏性对协同过滤推荐算法的影响,提高推荐结果的准确度.     

基于用户行为和新闻时效性的农业信息协同过滤推荐算法

农业信息具有较强的时效性和周期性特征,传统基于行为的推荐算法能挖掘农户兴趣但不能反映农户不同时段的信息需求。同时,农户一般采用匿名网页直接浏览的方式查看农业新闻,显式反馈数据十分稀少,传统协同过滤推荐算法需要面临冷启动等问题。本文提出一种基于用户行为和新闻时效性的协同过滤推荐算法,综合采集用户的隐式、显式反馈数据等多维因素,同时考虑农业信息的分类特征及周期性特征,针对农户对不同农业信息分类信息的周期性关注度变化以及热度系数提高农业新闻推荐的针对性和时效性。通过对真实访问数据进行验证,结果表明提出的算法能有效提升农业信息推荐准确率。     

基于R树的协同过滤推荐算法

R树是一个高度平衡树,也是目前应用最为广泛的空间索引结构.本文以用户行为的历史数据之间的相似度构造R树,提出一种基于R树的协同过滤推荐算法（R_CF）;另外,从用户的隐式反馈着手,构建用户兴趣行为数据模型,并进行数据标准化处理.仿真实验表明:较之传统的协同过滤推荐算法（CF）,本文提出的R_CF算法可以极大提升推荐top-n个相似度最高的用户时的查询速度.     

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。     

结合用户特征的政务服务协同过滤推荐方法

为推荐政务服务相关事项,提高用户办事效率与政府服务水平,该文提出一种推荐算法,即结合用户特征的政务服务协同过滤推荐方法。该方法为解决传统协同过滤未考虑用户属性的问题,将用户画像技术与其相结合。首先,建立政务服务用户画像;然后,采用奇异值度量分析方法融合用户画像与基于用户的协同过滤算法,使特征属性参与相似度计算,改善用户之间的相似性,并解决数据稀疏性的问题,使推荐结果更具实际意义;最后,计算政务服务事项预测得分,将得分最高的 TOP-N 推荐给用户。在实验部分,该文利用某市企业法人的政务服务真实数据进行验证。结果显示,该算法能够满足政务服务推荐的个性化要求,预测准确性较高。     

基于近邻评分填补的协同过滤推荐算法

评分数据的稀疏性影响协同过滤算法的推荐质量。为此,提出一种基于近邻评分填补的混合协同过滤推荐算法。对原始评分矩阵进行全局降维,在低维的主成分空间中计算用户相似性,减少算法复杂度。采用奇异值分解法对近邻评分缺失值进行填补,降低近邻评分的稀疏性。在MovieLens数据集上的实验结果表明,该算法具有较好的推荐效果。     

基于心理学模型的协同过滤推荐方法

提出一种改进协同过滤推荐的方法。该方法根据心理学中的态度行为关系理论建立用户浏览购买模型,通过分析用户浏览信息,预测用户对项的评分,根据预测的评分,运用协同过滤推荐算法为用户做出推荐。实验验证了用户浏览购买模型的有效性。与传统协同过滤方法进行对比的结果表明,该方法可以有效地改进协同过滤算法的推荐结果。     

基于新闻时效性的协同过滤推荐算法

提出一种基于新闻时效性的协同过滤推荐算法. 首先对新闻的时效性进行了特征分析, 建立了新闻时效性模型, 然后结合新闻时效性改进了基于用户的协同过滤算法. 最后进行了仿真实验, 实验结果表明, 该方法可以有效提高推荐算法的性能, 改善新闻推荐准确度和召回率.     

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。