共查询到19条相似文献,搜索用时 78 毫秒
1.
基于协作过滤的个性化服务技术研究 总被引:1,自引:1,他引:1
随着网络的普及和发展以及网络信息量的日益增加,为广大用户提供个性化服务显得尤为必要.在对个性化服务技术相关知识进行概述的基础上介绍了协作过滤信息推荐技术的基本原理、分类、所面临的困难等,并对国内外研究现状等进行了综述.最后时基于协作过滤的个性化服务技术进一步的研究工作进行了展望. 相似文献
2.
电子商务个性化推荐技术分析及比较 总被引:6,自引:0,他引:6
随着电子商务的迅猛发展,“信息超载”问题日渐突出,导致用户难以有效搜寻所需商品,个性化推荐技术由此在电子商务网站得到应用和普及。采用定性分析方法,对目前电子商务网站使用的信息检索、关联规则、基于内容的过滤和协同过滤等四种主要推荐技术作了应用层面的优缺点分析,并基于多个指标对其进行比较,以期为电子商务企业构建推荐系统提供决策参考。 相似文献
3.
一种电影个性化推荐系统的研究与实现 总被引:1,自引:0,他引:1
在协作过滤算法研究的基础上,考虑到相似项目之间评分的相似性,将此因素加入过滤算法得到改进的协助过滤算法,提高了算法的准确度。综合内容和协作过滤的优缺点,提出一种具有自适应调节的混合过滤算法,提高了过滤性能和准确度。根据改进的算法,针对电影领域进行实验,证明了其可行性。 相似文献
4.
5.
6.
7.
杨丹 《数字社区&智能家居》2013,(27):6067-6068,6078
为了解决信息过载的问题,我们可以通过在用户和产品之间建立二元关系的方法,利用已经拥有的比较相似的关系或者选择过程,挖掘出各用户可能感兴趣的对像。目前解决信息过载问题最有效的工具就是个性化推荐,该文利用不同的推荐算法,简单介绍了协同过滤系统,基于内容的推荐系统,基于用户—产品二部图网络结构的推荐系统,混合推荐系统。并分析这些推荐系统的特点以及存在的缺陷,帮助读者了解这个研究领域。 相似文献
8.
随着信息技术和互联网的发展,人们进入了信息过量且愈发碎片化的时代。当前,个性化信息推送是用户获取网络信息的有效渠道。由于信息的更新速度快和用户兴趣更新等问题,传统的推荐算法很少关注甚至忽略上述因素,造成最终的推荐结果欠佳。为了给用户更好的个性化推荐服务,论文首次引入截取因子,提出了组合推荐算法(CR算法)。该算法的实质是将截取因子引入到基于内容的推荐算法与基于用户的协同过滤算法中,进而生成混合推荐算法。在推荐列表中,CR算法产生的推荐结果由两部分组成:一部分由混合推荐算法生成,另一部分由基于用户的协同过滤算法生成。根据信息的发布时间,决定该信息由哪类算法产生推荐:当浏览时间与当前时间的间隔不大于某个值时,采用混合推荐算法;否则,直接采用基于用户的协同过滤算法。基于真实数据的实验结果表明,CR算法优于同类算法。 相似文献
9.
《计算机应用与软件》2015,(10)
随着保险电子商务的不断发展,保险网站的用户越来越多样化,需求差异越来越大,为不同类型的用户推荐个性化定制化的产品以提高网站销量已经成为行业趋势。针对该问题,提出基于保险行业电子商务网站的个性化推荐系统。系统采用了基于内容的推荐和基于关联规则的推荐,分别利用保险产品本身的分类特点和用户访问网站的历史记录来推荐产品,最后将两种算法进行组合推荐。实验结果表明,算法性能高,平均推荐准确率在8%左右。由此得出结论,所提算法可用于网站的线上预测推荐。 相似文献
11.
动态挖掘算法考虑顾客随时间变化的动态行为轨迹的特性,采取动态追踪,以顾客的动态行为轨迹为依据实现对顾客的个性化推荐。由于行为轨迹中时间段划分跨度对推荐源数据实用价值存在影响,故提出了时间约束定义,同时完成了该算法中自动学习功能的实现。实验结果表明,基于该算法的推荐系统有较高的推荐准确度。 相似文献
12.
13.
电子商务个性化推荐具有重要的意义。协同过滤是电子商务个性化的重要实现技术之一。本文针对UBCF和IBCF方法在应用实践上的问题,总结了目前文献对于协同过滤技术的改进思路,归纳了对于CF推荐技术的各种新型算法技术文献,总结了目前对于CF技术不同的改进思路。 相似文献
14.
15.
16.
17.
18.
协同过滤目前较为成功地应用于个性化推荐系统中.但随着系统规模的扩大和待推荐项目的不断增加,协同过滤面临着稀疏性问题和新项目推荐问题,制约了推荐效果.在此分析了传统协同过滤推荐方法中存在的问题,提出一种基于项目分层的个性化推荐方法.采用了基于多层兴趣表示的用户相似性算法,并结合相似用户推荐项与项目相似性来推荐新项目.该推荐方法在稀疏数据集上能表现出较好的推荐质量,同时也能够有效地解决新项目推荐问题. 相似文献
19.
电视节目个性化技术的研究 总被引:3,自引:0,他引:3
对电视节目个性化技术的多个方面进行了研究,包括电视节目个性化的体系结构,实现电视节目个性化的关键技术:特征表示、用户兴趣学习和节目推荐,以及电视节目个性化系统的性能评价机制,并展望进一步的研究工作. 相似文献