基于Mahout与协同过滤算法的中医调理文章推荐引擎

本文研究了推荐系统的相关知识,在传统的基于用户的协同过滤算法上引入了属性相似度,增加了相似度的准确度,提高了推荐性能;利用评估推荐器计算平均绝对误差评测、调整推荐器的性能;利用Mahout开源框架,结合协同过滤算法构建了中医调理文章推荐系统。     

信息茧房与准确率：基于复合型算法的个性化模拟推荐系统

本文在分析算法型信息分发的主要推荐机制基础上,指出了在实际的研究中,算法推荐的准确率如何衡量的一种方法,并结合了协同过滤和文本分析两种主流推荐机制设计了基于复合型推荐算法的模拟个性化信息推荐系统。     

建筑材料行业科技评审专家公示

依据中国建筑材料工业协会《关于建材行业科研开发、项目验收、科技成果鉴定、国家和社会奖项评审推荐工作的暂行规定》,中国建筑材料工业协会组织有关单位推荐科技评审专家,并将在此基础上建立专业齐全的科技评审专家体系。经过中国建筑材料工业协会科技教育委员会组织有关专家对申报材料进行了评审,遵循科技评审工作科学化、民主化和公开透明的原则,现将第三批符合条件的评审专家向全行业公示。专家遴选工作正在进行,各单位还可根据情况向我会继续推荐。对公示专家如有异议,请向中国建筑材料工业协会科技部提出。联系电话:010-8837634…     

建筑材料行业科技评审专家公示

依据中国建筑材料工业协会《关于建材行业科研开发、项目验收、科技成果鉴定、国家和社会奖项评审推荐工作的暂行规定》,中国建筑材料工业协会组织有关单位推荐科技评审专家,并将在此基础上建立专业齐全的科技评审专家体系。经过中国建筑材料工业协会科技教育委员会组织有关专家对申报材料进行了评审,遵循科技评审工作科学化、民主化和公开透明的原则,现将第一批符合条件的评审专家向全行业公示。专家遴选工作正在进行,各单位还可根据情况向我会继续推荐。对公示专家如有异议,请向中国建筑材料工业协会科技部提出。联系电话:010-8837634…     

建筑材料行业科技评审专家公示

依据中国建筑材料工业协会《关于建材行业科研开发、项目验收、科技成果鉴定、国家和社会奖项评审推荐工作的暂行规定》,中国建筑材料工业协会组织有关单位推荐科技评审专家,并将在此基础上建立专业齐全的科技评审专家体系。经过中国建筑材料工业协会科技教育委员会组织有关专家对申报材料进行了评审,遵循科技评审工作科学化、民主化和公开透明的原则,现将第一批符合条件的评审专家向全行业公示。专家遴选工作正在进行,各单位还可根据情况向我会继续推荐。对公示专家如有异议,请向中国建筑材料工业协会科技部提出。联系电话:010-88376345序…     

融合热门度因子基于标签的个性化图书推荐算法

依照Web2.0的"社会化标注"思想,针对基于内容的推荐算法(CBR)和协同过滤推荐算法(CF)存在的不足,提出了基于读者标签(Tags)的、融合图书"热门度"因子的个性化图书推荐的两个改进算法。利用统计分析软件R,重点对改进后的CBR算法进行实验分析和验证,结果表明,改进算法的图书个性化推荐效果有明显改善。     

基于长尾理论的物品协同过滤Top-N推荐算法

传统的基于物品的协同过滤算法在计算物品相似度时,热门商品难以与冷门商品相似,从而冷门商品的推广就更为困难。针对上述问题,在传统的物品协同过滤算法基础上,提出一种改进的类TF-IDF物品相似度算法,同时考虑并排除刷分现象对物品推荐产生的负面影响,使冷门商品在基于长尾理论的推荐系统中有更高的覆盖率和准确率。以MovieLens上的数据集作为实验数据进行实验,实验结果表明,改进后的算法在保持甚至提高准确率的前提下,有效地提高在推荐冷门商品时系统的覆盖率。     

基于Pyspark平台的协同过滤推荐算法应用与实现

为解决传统的基于矩阵分解协同过滤推荐算法,在大量数据的情况下,单节点计算速度慢以及特征矩阵稀疏问题,充分对大数据时代下的Pyspark大数据处理平台原理及架构进行研究,并对ALS协同过滤算法原理研究与其在Pyspark平台上的实现推荐系统应用.实验结果表明,基于Pyspark平台的ALS算法,通过调节正则化参数为0.01、增加并行化分块计算的块数、减少隐含语义因子的个数,能使推荐算法的RMSE最小,并能更快速精准有效推荐给用户他们感兴趣的商品.     

浅析电子商务个性化推荐技术

随着互联网的普及和电子商务的发展,电子商务系统在为用户提供越来越多选择的同时,其结构也变得更加复杂,用户经常会迷失在大量的商品信息空间中,无法顺利找到自己需要的商品。电子商务推荐系统利用人工智能、统计学、数据挖掘等技术,直接与用户交互,帮助用户更好、更快的找到需要的商品。本文着重介绍并分析了目前常用的几种个性化推荐技术,包括基于关联规则的推荐技术、基于最近邻居的协同过滤技术和基于内容的推荐技术。并对今后个性化推荐技术的研究热点和发展方向进行了展望。     

TopN推荐系统的差分隐私保护研究

提出了1种基于差分隐私保护的TopN协同过滤推荐算法—DP-TopN算法,使用Laplace噪音机制分别对推荐过程的数据预处理部分和用户评分部分进行随机扰动,并对推荐算法步骤进行调整,使得整个推荐过程满足差分隐私模型,从而达到保护用户隐私安全的目的。通过在真实数据集上进行的实验和理论分析表明,所提算法能在满足精确推荐的同时有效地保护用户的个人隐私。