协同过滤算法在大学生就业推荐系统中的应用

针对目前高校招聘信息呈现爆炸式增长,而毕业生无法及时、准确地获取高质量的就业招聘信息这一问题,提出符合高校需求的协同过滤推荐化算法。首先,协同过滤算法研究的大学生就业推荐系统,可以结合学生基本信息、招聘信息浏览量、往届学生招聘情况等隐性、显性信息进行学生—企业评价矩阵建设;然后,设计一套综合考虑时间因素和综合平均分数因素的学生相似度计算算法来寻找最近邻居;最后通过相应的算法进行给分,据此为大学生推荐招聘信息。     

基于标签的在线学习资源推荐算法

在线学习是目前获取知识的一种重要途径,然而信息过载导致从在线学习平台的大量资源中找到所需的学习资源非常困难.本文提出了一种基于标签的推荐算法,混合基于内容推荐和协同过滤推荐,采用TF-IDF来平衡热门标签的权重,采用修正的余弦函数相似性计算用户间、资源间的相似性,结合学科知识图谱,让推荐结果在相似基础上增加扩展性,满足进阶学习特点.实验结果表明,本文提出的算法在准确率和推荐效率上优于传统的协同过滤推荐算法,为解决同类问题提供了较强的参考价值.     

校园移动互联网业务个性化推荐算法研究

随着移动互联网技术的普及和移动互联业务的爆炸性增长,互联网业务个性化推荐技术日益受到重视,其中协同过滤算法是应用最为广泛的推荐算法之一,但是在校园移动互联网应用中,传统的协同过滤算法难以准确定位目标用户的最近邻,因此其推荐效果并不理想。本文将业务影响权重参数引入协同过滤算法中以便更加精确计算校园用户间的相似度,同时采用层次分析法（APH）确定权重数值,最后采用实际收集的数据进行算法仿真实验,结果表明该算法较传统协同过滤算法具有较好的推荐精度。     

基于邻近项目的Slope One协同过滤算法

协同过滤是个性化推荐系统中的常用技术,数据稀疏性是影响协同过滤算法预测准确度的主要因素。提出了改进的Slope One算法,在该算法中,首先根据用户历史评分计算项目间相似性,然后依据项目相似性选取当前活跃用户评价过的k个相似项目记为邻近项目集合,并计算目标项目与其邻近项目的评分偏差,最后以项目间相似性为权重,计算当前活跃用户对目标项目的评分预测值。该算法使用邻近项目进行计算,降低数据的稀疏性,同时减少了计算量。使用标准MovieLens数据集对该算法的预测结果进行验证,结果表明：相对于原算法,该算法提高了预测的准确性,与其他协同过滤算法相比,推荐准确度也有明显的提高。     

综合项目评分和属性的个性化推荐算法

针对传统协同过滤算法存在的数据稀疏性和冷启动问题,提出了一种综合项目评分和属性的个性化推荐算法.该算法在衡量项目相似性时,同时考虑用户评分和项目属性特征,并根据评分数据的实际稀疏情况动态调整两者的影响权重;预测评分时,利用用户对项目属性的偏好度来衡量其对未评分邻居项的喜好程度,并产生最终推荐.基于MovieLens数据集进行的实验结果表明,该算法使得最近邻的确定更加准确,系统推荐质量明显改善.     

一种基于信息老化的协同过滤推荐算法

协同过滤推荐算法中存在推荐信息低时效性问题,该文针对此问题,结合信息老化理论,提出一种基于信息老化的协同过滤推荐算法。该算法利用用户的点击记录,构建项目的时效性评价模型来预测项目当前时刻被点击的概率;将模型与基于项目协同过滤推荐算法结合,综合考虑用户的兴趣和项目的时效性来发现项目的最近邻居,从而进行高时效性的推荐。实验结果表明,与传统基于项目的协同过滤推荐算法相比,该算法提高了推荐结果的时效性。     

一种基于隐语义模型的协同过滤算法

传统的协同过滤算法忽略了用户对项目的兴趣度这一重要特征,对此提出了一种新的概率生成模型.综合考虑了用户对项目的兴趣度和用户对项目的评分模式两种因素,并在此基础上设计了一种度量指标进行推荐,实验证明与传统的协同过滤算法相比,该方法能够获得更好的推荐效果.     

基于组合优化理论的协同过滤推荐算法

针对传统推荐系统中的协同过滤推荐算法无法解决数据间的高度稀疏问题,采用余弦相似性度量运算的物品相似性误差较高,导致系统推荐质量降低,提出基于局部组合优化的协同过滤推荐算法,其改进了物品间相似性的运算,为了解决数据稀疏性问题,选择目标的近邻对象时利用局部优化方法选择推荐群,降低了预测的误差,确保误差值收敛到某固定值,并采用基于内容的方法调整协同过滤预测存在的异常预测结果。实验结果表明,所提算法抑制了数据稀疏性的不利影响,提高了协同过滤预测评分的准确度。     

一种改进相似度计算方法的协同过滤推荐算法

由于新用户和新项目的不断加入,传统的协同过滤推荐算法存在冷启动问题。针对该问题,提出了一种改进相似度计算方法的协同过滤推荐算法。首先根据项目的属性特征,计算项目的属性相似性,然后根据项目的用户评分,计算项目的得分相似性,按一定的权重比例将两种相似性组合起来作为最终的项目相似性。最后,根据项目相似性计算目标项目的邻居项目集,根据邻居项目集预测目标项目的用户评分。实验结果表明,新算法能提高推荐精度,并能在一定程度上解决冷启动问题。     

基于用户兴趣变化的混合推荐算法分析

推荐算法被应用在商品购物、音乐推荐、书籍推荐等网站。如何根据这些已有的用户行为数据让用户快速做出抉择,推荐算法显得十分重要。传统的协同过滤算法没有考虑到用户的兴趣是随时间而变化的。文章首先在传统的协同过滤算法的基础上构建时间变化函数,对用户以往的评分数据,对数据做时间加权,提高预测用户兴趣的能力。针对当前推荐算法都会遇到的评分稀疏性问题,文章提出了把基于时间权重的协同过滤算法与基于关联规则的推荐算法进行混合推荐,提高了算法的准确率。     

Hadoop环境下协同过滤算法改进与实现

协同过滤算法被成功的应用于个性化推荐系统中。但是传统的协同过滤算法没有考虑用户兴趣会根据时间的推移发生兴趣偏移问题,导致推荐系统的推荐质量下降,而且随着数据量的不断增大,传统的基于单机模式的推荐计算模式已经无法适应大数据。针对该问题,提出了在Hadoop分布式环境下基于时间加权的协同过滤算法设计和实现,实验表明,改进的算法可以在Hadoop分布式环境下对海量数据进行计算生成推荐结果,而且提高了推荐系统的推荐质量。     

基于改进的协同过滤图书推荐算法

高校图书馆图书个性化推荐没有得到很好的推广和实施,一个重要原因是用户对图书的评价不足。因此,提出了一种基于兴趣的高校图书推荐算法。该算法较好地解决了协同过滤算法无法使用和评分不足的问题。同时,将流行与反向流行的特征结合,使其更接近读者的行为。实验表明,该算法优于传统的协同过滤推荐算法,能够满足实际需求。     

一种优化的组合协同过滤算法

改进了传统协同过滤算法中最近邻搜索这一关键步骤,提出了一种结合概念层次和用户局部兴趣相似的协同过滤算法,使推荐系统在用户矩阵整体稀疏局部密集时依然能产生较好的推荐.该算法应用于基于iPhone平台开发的EatMe菜肴推荐系统,实验证明改进算法比传统协同过滤算法有更高的查全率.     

基于协同过滤的推荐算法研究

随着互联网时代WEB2.0技术的到来,信息过载问题要通过协同过滤推荐系统算法有效地解决。文章分析了基于协同过滤的推荐算法研究的意义和基于协同过滤的推荐算法研究的现状,根据推荐系统和协同过滤算法的特点,分别对融合社交网络信息的协同过滤算法、融合基于用户和基于项目协同过滤算法进行简单的研究和分析。     

基于模糊权重相似性的协同过滤算法研究

在传统协同过滤算法中,相似度直接依据用户评分。但是,用户评分会受各种不确定因素影响。采用数值评分的推荐系统收集到的用户喜好信息是模糊、不精确和不完整的。单一的数值不能包含丰富的信息来表达用户喜好,也会导致推荐结果的不准确性。文中定义了几种模糊集的隶属函数,提出了基于模糊逻辑的相似度计算方法。实验结果表明,基于模糊权重的相似度有效的提高了推荐系统的预测准确度,一定程度上解决了协同过滤算法的可扩展性和数据稀疏性问题。     

融合时间因素的隐语义模型推荐算法

针对传统推荐算法中存在数据稀疏和精确度不高的问题,提出一种融合时间因素的隐语义模型推荐算法,在隐语义模型中引入时间偏置项体现时间推移对用户兴趣偏好的影响,解决数据稀疏问题的同时降低时间推移造成的误差,结合基于邻域的协同过滤模型求出目标用户推荐列表。采用Movielens1M数据集验证算法的有效性,实验证明该算法与基于用户的协同过滤算法以及基于隐语义模型的推荐算法,能有效解决数据稀疏问题,在准确率、召回率和综合F值上分别比基于用户的协同过滤算法提高1.66%、2.12%、2.04%,比基于隐语义模型的推荐算法分别提高1.38%、1.48%、1.49%,能够进一步提高推荐系统的准确性及推荐质量。     

结合SVD的协同过滤算法研究

在推荐系统的应用领域中,协同过滤算法是目前使用最为成功的技术之一.然而,随着数据量的不断增加,协同过滤技术面临着众多挑战,主要包括数据矩阵的稀疏性、冷启动以及系统扩展性等问题.针对数据矩阵稀疏性问题,提出了结合SVD矩阵分解技术与协同过滤结合的推荐算法,该算法相对于传统的协同过滤算法有着较高的推荐精度,能够产生高质量的推荐结果.     

基于移动用户上下文相似度的协同过滤推荐算法

该文面向移动通信网络领域的个性化服务推荐问题,通过将移动用户上下文信息引入协同过滤推荐过程,提出一种基于移动用户上下文相似度的改进协同过滤推荐算法。该算法首先计算基于移动用户的上下文相似度,以构造目标用户当前上下文的相似上下文集合,然后采用上下文预过滤推荐方法对移动用户-移动服务-上下文3维模型进行降维得到移动用户-移动服务2维模型,最后结合传统2维协同过滤算法进行偏好预测和推荐。仿真数据集和公开数据集实验表明,该算法能够用于移动网络服务环境下的用户偏好预测,并且与传统协同过滤相比具有更高的推荐精确度。     

一种优化的相似度协同过滤推荐算法

传统的协同过滤推荐算法存在推荐准确性不高的问题。在计算相似度时，当得分向量的结果差异性不大时，可能会产生相似的结果向量，从而降低相似度结果的准确性。针对这一问题，提出一种优化的用户相似度协同过滤推荐算法，在传统的余弦相似度计算中加入一个平衡因子，并通过实验验证加入的平衡因子阈值算法的有效性。实验结果表明，优化的用户相似度协同过滤推荐算法能够显著提升用户相似度计算的准确性，从而得到较好的推荐结果。     

基于标签与协同过滤算法的淘书吧应用

随着互联网的不断发展,电子商务的流行使人们从线下交易逐渐转为线上交易。电子商务中的推荐系统对人们日益多元化的网络消费起到了至关重要的作用。本文在传统协同过滤推荐算法基础上,加入商品标签属性,构建用户,商品,标签三者之间的关联模型。先构建用户商品评分矩阵,在计算用户对商品兴趣度时增加入标签作为权重系数,提高淘书吧应用推荐准确性。实验结果表明,该方法能有效地改进现有的推荐算法,达到更好的推荐效果。