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。     

基于协同过滤算法的习题系统的设计与实现

本文针对现有习题系统题目搜索手段的不足,提出了构建基于协同过滤算法的习题系统。着重介绍了协同过滤算法的相关知识,详细阐述了推荐引擎的具体实现步骤。此系统在分析用户历史行为及题目相关性的基础上,可为用户提供精准和个性化的推荐结果,对提高学生的学习效率起到了积极的作用。     

KDD2010比赛中基于Mahout协同过滤算法的应用研究

由于在线教育的迅猛发展,个性化教育应运而生,怎样在网络教育当中存储的海量用户数据提取反映用户学习能力水平与有助于提高用户学习水平的有价值信息特别关键,为此商业推荐领域广泛应用协同过滤推荐算法,以便将个性化推荐提供给用户使用者.本文通过在KDD2010比赛当中过滤技术作用发挥,有效结合教育数据挖掘,借助Apache Mahout的Taste组件各种方法,仿真建模教育数据,根据实施的实验反馈取得良好预测效果.     

基于Mahout的图书推荐系统的设计与实现

为了让用户快速地寻找到自己需要的书籍,文章阐述了一种基于Mahout的图书推荐系统的设计与实现。该系统主要使用Taste引擎来构建用户偏好,使用基于项目的协同协同过滤算法计算物品和物品之间的相似度,向目标用户进行推荐。系统采用分层设计,易于开发和维护,稳定性强,有利于对用户兴趣度的后续数据挖掘研究。     

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。     

基于归一化方法的协同过滤推荐算法

针对传统的协同过滤推荐算法没有考虑用户向量维度以及评价值差异的问题,提出了一种基于归一化方法的协同过滤推荐算法。算法在计算用户或项目相似度之前首先将用户对每一项目的评分值归一化到一个统一的值域范围,然后再计算用户向量空间的相似性并进行预测推荐。实验结果显示该算法能够准确地找到相似的邻居用户或项目,预测及推荐测性能有较大提高。     

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。     

基于协同过滤的众包任务推荐算法

根据工作者处理任务的工作时长和处理任务的种类的不同,从众包数据集中找出工作者处理时长较长、处理任务种类相似的任务推荐给工作者.通过对数据集进行预处理、k-means算法聚类、计算余弦相似度和运用基于内容的协同过滤算法选择最相似的几个任务作为推荐结果推荐给工作者,从而算法的推荐功能.结果表明基于协同过滤的众包任务推荐算法...     

基于XML的英语学习资源协同过滤推荐方法

由于英语学习资源与正常文本或图像的数据属性特征存在一定差异,故无法为用户推荐符合需求的英语学习资源,因此,提出基于XML的英语学习资源协同过滤推荐方法。通过构建用户评分矩阵,设定英语学习资源为词频向量,利用改进的余弦相似性,度量邻域用户之间的相似性,根据解得的作品属性隶属函数,推导出属性特征隶属度矩阵,分别计算XML文档的内容相似度与结构相似度,经加权融合求解作品的综合相似度,实现英语学习资源的个性化推荐。实验结果表明,所提方法推荐结果较为精准,具有有效性与可行性。     

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。     

协同过滤推荐算法中的相似性度量研究

协同过滤算法作为最古老的算法有着相当广泛的应用,相似度的计算和最近邻居的选择是该算法的核心。在阐述协同过滤推荐算法的原理和常见相似度计算方法的基础上,提出改进的相似度计算方法,并通过实验验证了不同相似度计算方法在推荐效果方面的差异,分析了如何解决数据稀疏性和平衡项目本身质量权重的问题。实验结果表明,改进的相似度计算方法在准确率、召回率、RMSE、MAE四个评估指标上都有更好的表现,因此,该方法能够提高推荐质量。     

基于混合属性相似度的协同过滤推荐算法研究

协同过滤推荐算法是最常用的推荐算法,然而传统的基于项目的协同过滤推荐算法并没有充分利用用户信息,对此本文提出一种改进方案,提出在传统算法的基础上混合基于用户信息的项目属性相似度来改进算法从而进一步提升推荐的准确度。为了解决此方案带来的额外开销,文中同时提出一种分布式计算结构来提升计算效率。实验结果表明,该方法与传统的基于项目的协同过滤推荐算法相比,推荐准确度有明显提高。     

协同过滤推荐算法研究综述

协同过滤推荐算法是目前在推荐系统中应用最成功和广泛的技术之一。本文详细介绍了协同过滤推荐算法的分类和度量指标。同时，分析了协同过滤推荐算法中的问题以及相应的解决办法。最后阐述了协同过滤推荐系统中仍需解决的问题和未来可能的发展方向。     

一种基于用户信任机制的个性化协同过滤推荐算法研究

传统的协同过滤推荐算法产生的数据稀疏性和冷启动问题存在潜在安全危机,不利于个性化推荐质量的提高。文章引入基于用户兴趣度和满意度的信任机制,改进传统用户信任度,通过信任度权重因子ωi,j,优化用户综合信任度,以提升预测评分质量。仿真实验分别从算法的推荐准确率和推荐覆盖率展开分析,实验结果表明,当ωi,j取值在0.5时,推荐准确率和覆盖率较RTCR算法、Trust Impact MF算法、A&I-Based算法明显占优。     

个性化推荐中基于用户协同过滤算法的优化

在个性化推荐系统中,基于用户的协同过滤算法,会将目标用户与其他所有用户进行比较,计算量非常大。为此,文中以推荐系统的效率为目标,提出了一种改进算法,通过预先计算用户相似度函数,取出匹配度最高的N个用户的数据生成推荐。实验结果表明,该方法在计算速度上有显著提高。     

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。     

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。     

协同过滤推荐算法的研究

随着互联网的普及,网络资源的激增,网上购物的交易方式正在改变着传统的商业模式。为了提供精确而又快速的推荐,研究者提出了多种推荐算法。本文将针对电子商务发展的需求,通过协同过滤推荐算法的文献综述,对传统过滤算法无法适用于用户多兴趣下的推荐问题进行了剖析,提出了一种基于用户多兴趣的协同过滤推荐改进算法,分析了基于用户多兴趣的协同过滤推荐算法的电子商务系统。     

基于隐语义模型改进的协同过滤推荐算法

为解决传统的协同过滤算法相似度计算不精确而导致的推荐召回率低的问题。通过LFM隐语义模型与协同过滤结合的方法研究了用户不相似度与用户平均兴趣程度对推荐召回率的影响,并且提出依据个人选择能力的个性化推荐策略。结果表明:该算法能够有效优化用户间的相似度,提高推荐结果的召回率。