Spark平台下教育资源个性化推荐研究

在面对海量教育数据处理情况时,传统的协同过滤算法在单机上训练和测试效率低下,针对该问题,提出了基于Hadoop分布式平台和Spark并行计算模型的无中间结果输出改进型教育资源推荐策略,该策略较好地发挥了Spark的迭代计算能力优势,在应用于教育资源推荐时,比较了传统算法与改进算法在分布式情况和非分布式情况下的推荐效率和推荐质量的情况.实验结果表明,利用Spark计算模型实现协同过滤算法能够有效地提高教育资源个性化推荐的推荐质量以及推荐效率.     

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。     

基于ALS协同过滤算法的个性化推荐研究与应用

随着大数据和数据挖掘技术的不断发展和成熟,个性化推荐越来越发挥着重要作用。为了能够更有效地向用户推荐其感兴趣的产品,文章研究了在Spark平台架构基础上使用ALS协同过滤算法在个性化推荐系统中的应用,并对该系统作了性能和效果的评估。根据实验表明,基于Spark平台的ALS算法能有效地为用户推荐其所感兴趣的产品,从而达到个性化推荐的目的。     

基于Spark架构的艺术学慕课资源协同过滤推荐算法研究

传统资源协同过滤推荐算法MAE值偏高,因此提出基于Spark架构的艺术学慕课资源协同过滤推荐算法。采用分级响应形式,建立用户-资源评分关系模型,用户对资源的评分减掉该用户评分平均值,完成资源协同过滤相似度计算的优化,引入集成度高的Spark架构,预测用户对资源的评分并生成推荐列表,实现艺术学慕课资源的精准推荐。经过与两种传统算法的对比实验结果可知,研究的算法在不同比例训练集和测试集的情况下,MAE值均低于两种传统方法,说明基于Spark架构的艺术学慕课资源协同过滤推荐算法推荐精度更高,性能更好。     

支持用户属性特征联合聚类的协同过滤算法

个性推荐技术,可针对海量的数据实现快速准确的推荐。目前,协同过滤算法作为主流推荐技术,却存在着冷启动、数据稀疏和可扩展性等问题。虽然联合聚类协同过滤算法在解决可扩展性与数据稀疏方面有一定的效果,实时性高,但很难获得全局最优结果。因此,文中提出支持用户属性特征联合聚类的协同过滤算法以联合聚类为基础,融合了基于内容的推荐算法的优点,并经进一步改进以完成高准确率的推荐。实验结果表明,该算法实时响应快,一定程度上克服了冷启动和数据稀疏问题,且推荐质量较高。     

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。     

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MI聚类的个性化推荐算法研究

针对传统协同过滤推荐算法推荐效率低下,以及其在数据稀疏性和冷启动方面的不足,文中提出基于MI聚类的个性化推荐算法,该算法在协同过滤推荐的基础上,引入多示例形式的用户评分信息模型,用包来表示用户基本信息与历史行为数据,并通过相似度分层次加权对用户的未知项目评分进行预测,最终得出推荐项。实验仿真表明本文算法的准确度和召回率明显优于已有的算法,并且有效地缓解了冷启动和数据稀疏问题。     

基于深度学习的电影推荐系统设计与实现

大数据时代,必然涌现出各种各样的海量数据,而推荐系统是帮助人们选择数据的有效手段之一。目前,以协同过滤算法为代表的传统推荐算法已经无法满足人们的个性化选择的需求。本文利用深度神经网络构建基于深度学习的推荐模型,抽取用户和电影的特征,并且设计一个多层神经网络将用户和电影特征进行深度交互,从而挖掘用户和电影的深层交互关系,得出用户的偏好。通过相关Spark、Flink、Tensorflow等技术实现对深度学习电影推荐系统的构建和部署。研发出了个性化电影推荐系统。     

基于情境感知的饮食推荐方法研究

基于情境感知的方法是实现饮食推荐的有效途径。以老人饮食推荐服务为应用背景,利用协同过滤的思想,对传统的协同过滤算法进行了改进,在其中引入了情境相似度和用户偏好度,结合基于SWRL规则推理的方法实现推荐。当两种推荐生成的结果集有冲突时,利用基于情境的推理优化方法来过滤推荐结果集,进而完成混合推荐。实验结果表明,该方法相比传统的基于用户的协同过滤推荐和基于规则推理的推荐能够向用户提供较高质量的饮食推荐服务。     

Recommendation agents and information sharing through social media for coronavirus outbreak

The novel outbreak of coronavirus disease (COVID-19) was an unexpected event for tourism in the world as well as tourism in the Netherlands. In this situation, the travelers’ decision-making for tourism destinations was heavily affected by this global event. Social media usage has played an essential role in travelers’ decision-making and increased the awareness of travel-related risks from the COVID-19 outbreak. Online consumer media for the outbreak of COVID-19 has been a crucial source of information for travelers. In the current situation, tourists are using electronic word of mouth (eWOM) more and more for travel planning. Opinions provided by peer travelers for the outbreak of COVID-19 tend to reduce the possibility of poor decisions. Nevertheless, the increasing number of reviews per experience makes reading all feedback hard to make an informed decision. Accordingly, recommendation agents developed by machine learning techniques can be effective in the analysis of such social big data for the identification of useful patterns from the data, knowledge discovery, and real-time service recommendations. The current research aims to adopt a framework for the recommendation agents through topic modeling to uncover the most important dimensions of COVID-19 reviews in the Netherland forums in TripAdvisor. This study demonstrates how social networking websites and online reviews can be effective in unexpected events for travelers’ decision making. We conclude with the implications of our study for future research and practice.     

一种改进的混合协同过滤推荐算法

传统协同过滤算法存在着相似度计算差和因数据稀疏而导致推荐信息不准确问题。文中通过改进相似度计算方法,提出新的混合协同过滤算法框架,以提高推荐质量。其中,对相似度计算方法的改进采用加权方式,而新的框架是将基于内存的两种协同过滤算法进行结合,最终得到一种混合协同过滤算法。通过Netflix提供的数据集进行实验,实验结果表明,该算法相比于传统协同过滤算法有更好的效果。     

基于情景建模的移动互联网音乐推荐系统研究

近年在当下移动互联网中,数字音乐得到了大力研发,而基于大数据算法的数字音乐个性化推荐正在蓬勃发展,对于这类研究需要借助计算机技术、多媒体技术来补充.在探索过程中,线上音乐的传统二元推荐算法正逐渐被情景推荐所取代,通过构建情景模型的音乐推荐算法有利于用户获取音乐,可以增长互联网音乐的有效投递,通过传统音乐推荐算法与改进的...     

基于用户群组行为分析的视频推荐方法研究

该文采用权重增量及相似聚集的用户行为分析算法,为用户推荐个性化视频提供了一个有效的解决方案。方法包含3个主要部分,首先利用RFM(Recentness, Frequency, Monetary amount)模型分析用户的行为,将相同行为的用户归为一组;然后结合用户的最近习惯,使用基于权重增量的Apriori算法挖掘用户之间的关联规则,并用向量空间模型进行相似度计算从而实现用户相似聚集;最后进行协同过滤式推荐,完成整体个性化视频推荐过程。该方法的特点是行为数据自动收集获取,避免了直接对视频大数据的处理;另外,视频推荐随着用户行为的改变而动态变化,更加符合实际情况。实验结果表明,该方法有效并且稳定,相比于单一推荐方法,在准确率、召回率等综合指标上均有明显提升。     

E-Learning系统的个性化推荐方法研究

以E-Learning系统建设为背景,通过采用文献查找、调查研究等方法探讨个性化推荐理论的内涵,并结合当前建设中的E-Learning系统,分析了目前常用的个性化推荐策略,并进行介绍比较和分析以后,总结经验,以应用于E-Learning系统的建设。提出适合于E-learning系统建设的个性化推荐策略:采用关联规则推荐策略和协同过滤技术,基于WEB技术建立一个虚拟学习系统,利用推荐算法,结合用户需求,将学习的资源、学习活动和学习策略进行整合,向用户推荐完整的满足用户需求的E-Learning学习方案。     

协同过滤中的相似性度量方法的研究

现今,推荐系统越来越受到重视和普及,协同过滤算法是应用最为广泛的个性化推荐技术之一,对基于用户和项的协同过滤推荐算法进行简单的阐述之后,着重对相似性度量方法进行了研究,分别介绍了相关相似性、余弦相似性和调整的余弦相似性,在稀疏数据下对这3种相似性度量方法进行了分析与比较,在最终给出分析结论,并在此基础上提出了改进的相似性计算方法。     

一种改进的基于物质扩散理论的Item-based协同过滤算法

推荐系统和其使用的推荐算法是电子商务系统中最重要的技术之一。推荐算法的准确性是评价算法优劣的一个重要指标。为了设计准确性较高的推荐算法,提出了一种基于物质扩散理论的协同过滤推荐算法(MD-ICF)。实验数据分析表明,这种改进后的算法在排序得分上比传统的ICF（iterative case filtering）算法有14%的提高,证明该算法是有效和实用的。     

一种新颖的协同推荐算法研究

为了克服协同推荐系统中的用户评分数据稀疏性和推荐实时性差的问题,提出了一种高效的基于粗集的个性化推荐算法.该算法首先利用维数简化技术对评分矩阵进行优化,然后采用分类近似质量计算用户间的相似性形成最近邻居,从而降低数据稀疏性和提高最近邻寻找准确性.实验结果表明,该算法有效地解决用户评分数据极端稀疏情况下传统相似性度量方法存在的问题,显著地提高推荐系统的推荐质量.     

基于评分预测与排序预测的协同过滤推荐算法

协同过滤推荐算法在电子商务领域运用广泛.之前的研究要么仅从评分预测的角度来研究,要么仅从排序预测的角度来研究.为了兼顾这两个方面,本文在传统的基于评分预测的PMF（Probabilistic Matrix Factorization）算法和基于排序预测的xCLiMF（Extended Collaborative Less-is-More Filtering）算法的基础上提出了一种基于评分预测与排序预测的协同过滤推荐算法URA（Unified Recommendation Algorithm）,该方法通过在PMF和xCLiMF算法中共享用户和推荐对象的特征空间,利用PMF算法来学习高精度的用户和推荐对象的特征向量,从而进一步增强排序推荐性能.实验验证,该方法在评价指标NDCG和ERR下均优于PMF和xCLiMF算法,且复杂度与评分点个数线性相关.URA算法可运用于互联网信息推荐领域的大数据处理.