基于本体用户兴趣模型的个性化推荐系统

针对传统个性化推荐系统用户兴趣模型创建和更新的不足,无法准确地感知用户特定背景下的语义信息和用户兴趣随着时间的变化,基于用户兴趣本体提出一种新用户兴趣模型,并通过激活扩展理论描述该用户兴趣模型的更新算法。同时,改进了推荐算法,结合协同过滤进行个性化推荐。实验结果表明,该模型能够有效反映用户兴趣,新的推荐算法在MEA、多样性、冷启动处理、稳定性方面都具备很高的性能。     

基于多标签分类的智慧图书馆个性化推荐系统

针对现有图书馆推荐系统存在的推荐准确率低、推荐效率差的问题,提出基于多标签分类的智慧图书馆个性化推荐系统。本研究先对推荐系统整体结构进行分析,阐述了数据库及主要功能模块的设计,然后以此为基础开展软件设计,基于多标签分类算法完成图书馆资源分类,然后采用协同过滤算法完成图书馆资源个性化推荐。最后采用实验证明所提系统的实用性。实验结果表明：所提系统推荐准确率高达95%,且其推荐效率较高,优于对比系统,具有较大的研究价值。     

一种基于偏好的个性化标签推荐系统*

建立一个基于用户偏好模型的标签推荐系统,从该系统产生的标签集合中选择出能降低一般性概念描述的模糊性的标签子集,推荐给用户。实验表明,该系统具有较高的可靠性和精准度。     

融合标签和长短期兴趣的矩阵分解推荐算法

为提高用户兴趣挖掘的准确性,实现更加精准的用户个性化推荐,提出一种融合标签和长短期兴趣的矩阵分解推荐算法。利用用户使用各标签的次数和生命周期挖掘用户的长短期兴趣,计算用户标签偏好值;利用用户标签偏好值比较用户间的兴趣,获得更加精准的用户间兴趣相似度;将用户间兴趣相似度引入矩阵分解模型,预测项目评分并进行推荐。实验结果表明,该算法挖掘出的用户兴趣比其它推荐算法准确。     

基于协作过滤算法的电子商务个性化推荐系统的研究

针对目前电子商务个性化推荐研究的不足,提出准确全面地获取用户独特兴趣爱好、满足用户差异化需求的推荐服务,同时构建了具体的个性化推荐系统模型,给出了基于协作过滤算法的电子商务个性化推荐的流程、系统设计和系统实现,从而有利于推动电子商务的发展。     

基于标签聚类和兴趣划分的协同过滤推荐算法

传统的协同过滤算法只根据用户对资源的评分单方面地挖掘用户兴趣,未能对用户兴趣进行划分,忽略了用户兴趣随时间推移发生的变化,影响了推荐质量。为解决上述问题,提出一种能适应用户兴趣变化和有效挖掘用户兴趣的推荐算法。在传统协同过滤算法基础上考虑了标签对推荐的影响,通过标签聚类将用户的兴趣进行划分,并在标签和用户评分2个方面对目标用户的相似用户进行二重选择。考虑到用户可能会因时间的推移发生兴趣变化,在计算标签和评分权重时融入了时间因子,以对其在时间维度上进行修正。实验结果表明,改进后的算法能更好地挖掘用户兴趣,适应用户的兴趣变化,提高推荐精度。     

基于用户关注度的个性化新闻推荐系统

为满足用户需求,以用户为中心,解决用户关注度不断变化、数据稀疏性、优化时间和空间效率等问题,提出基于用户关注度的个性化新闻推荐系统。推荐系统引入个人兴趣和场景兴趣来描述用户关注度,使用雅克比度量用户相似性,对相似度加权求和预测用户关注度,从而提供给用户经过排序的新闻推荐列表。实验结果表明,推荐系统有效地提高了推荐精准度和覆盖度,改善了系统可扩展性和自动更新能力,具有良好的推荐效果。     

基于学习兴趣的个性化推荐算法研究

根据高职学校目前选修课的现状,在学生进行选修课选择时,提出一种基于隐式和显式兴趣相结合的学生兴趣个性化推荐算法模型,结合相关推荐技术进行个性化推荐,从而将盲目的选课变得有指导性、有针对性,大大提高了学习效果以及选修课开设的意义,对今后教学改革有一定的指导意义。     

基于标签和协同过滤的个性化资源推荐

传统的协同过滤算法以用户评分体现用户兴趣偏好及资源相似度,忽视了用户、资源自身的特征,并且对稀疏数据和新资源的推荐质量明显下降。在Web2.0时代下,标签可被用户依个人偏好进行自由资源标注。因此,提出了基于标签和协同过滤的推荐算法。其基本思想是将标签作为体现用户兴趣偏好和资源特征的信息,依据用户、标签及资源的多维关系生成用户及资源的标签特征向量,并计算用户对资源的偏好程度和资源相似度,然后基于用户的历史行为预测用户对其他资源的偏好值,最后依据预测偏好值排序产生Top-N推荐结果。通过与传统的协同过滤算法的比较,验证了本算法能有效缓解数据的稀疏性,解决推荐的冷启动问题,提升推荐的准确性,获得更好的推荐效果。     

基于标签的评分信息熵推荐算法

由于标签是由用户根据自己的理解和喜好随意进行标注的因此存在大量的噪声标签,导致基于标签的推荐系统准确率不高.针对这种情况,提出了结合评分信息熵的标签推荐算法.算法通过判断用户在标注标签的评分稳定程度来确定该标签对于用户的重要性从而过滤掉噪声标签将重要标签赋予较高权重,并构建用户的兴趣模型,最后应用到协同过滤算法中产生推荐.该算法能有效地利用评分权重并结合信息熵来增强推荐准确率,与以往的基于标签的推荐算法进行对比,能获得满意的推荐效果.     

基于协同推荐的高校个性化图书推荐系统

为了提高高校图书馆的图书借阅率,满足学生读者的个性化需求,本文设计了基于协同推荐的高校个性化图书推荐系统。系统使用java开发的B/S体系结构,采用基于用户的相似性的协同过滤推荐算法实现图书推荐。     

基于用户兴趣模型的推荐算法

传统的协同过滤算法虽然可以很容易地挖掘出用户的兴趣爱好,但存在数据冷启动和稀疏性问题.针对这些问题,提出一种基于用户兴趣模型的推荐算法.首先通过LDA主题模型训练数据集得到物品-主题概率分布矩阵,利用物品-主题概率分布矩阵得到用户历史兴趣模型,然后结合用户历史行为信息和物品内容信息得到用户兴趣模型,最后计算用户与候选集之间的相似度,进行TOP-N推荐.在豆瓣电影数据集上的实验结果表明,改进后的推荐算法能够更好地处理稀疏数据和冷启动问题,并且明显提高了推荐质量.     

基于标签信息特征相似性的协同过滤个性化推荐

标签推荐系统旨在利用标签数据为用户提供个性化推荐。已有的基于标签的推荐方法往往忽视了用户和资源本身的特征,而且在相似性度量时仅针对项目相似性或用户相似性进行计算,并未充分考虑二者之间的有效融合,推荐结果的准确性较低。为了解决上述问题,将标签信息融入到结合用户相似性和项目相似性的协同过滤中,提出融合标签特征与相似性的协同过滤个性化推荐方法。该方法在充分考虑用户、项目以及标签信息的基础上,利用二维矩阵来定义用户-标签以及标签-项目之间的行为。构建用户和项目的标签特征表示,通过基于标签特征的相似性度量方法计算用户相似性和项目相似性。基于用户标签行为和用户与项目的相似性线性组合来预测用户对项目的偏好值,并根据预测偏好值排序,生成最终的推荐列表。在Last.fm数据集上的实验结果表明,该方法能够提高推荐的准确度,满足用户的个性化需求。     

基于标签的电影推荐算法研究

为了有效解决用户在电影网站海量资源中寻找兴趣度高的电影时效率低这一问题,研究了一种基于标签的推荐算法。根据用户与标签的关系计算用户对标签的兴趣度;构建标签基因矩阵以及兴趣度矩阵,计算出用户对电影的喜好程度;为用户推荐喜好程度高的电影,提高用户对电影网站的好感度。通过在实际数据集上应用基于标签的推荐算法,验证了该算法的可行性以及有效性。     

基于协同过滤的网络论坛个性化推荐算法

提出一种基于协同过滤的网络论坛个性化推荐算法,根据用户的发帖、回帖、阅读等记录,采用加权方法计算用户帖子的评分矩阵,获取邻近用户集合,通过邻居用户的帖子评分,计算目标用户的帖子预测评分,推荐预测评分最高的帖子。实验结果表明,该算法的推荐质量较高。     

移动电话内容服务系统的个性化推荐

移动电话内容服务系统允许移动用户通过移动互联技术浏览、购买和下载系统内容,是当前移动增值领域研究的热点。具有较强的时空灵活性,但在信息浏览、查找方面存在明显的局限性。提出了一个基于移动电话内容服务系统的个性化推荐系统．介绍了从寻找目标用户到实现推荐的全过程。实验结果表明。所介绍的个性化推荐系统可以有助于解决内容服务系统用户访问受限、资源迷茫的问题。     

基于社交信任和标签偏好的景点推荐方法

针对现有的景点推荐算法在处理用户关系时忽视了用户隐性信任和信任传递问题,以及当用户处于新城市时由于缺乏用户历史记录无法做出准确推荐的情况,本文提出一种综合用户信任关系和标签偏好的个性化景点推荐方法.在仅仅考虑用户相似度时推荐质量差的情况下引入信任度,通过挖掘用户隐性信任关系解决了现有研究在直接信任难以获取时无法做出推荐的情况,有效缓解了数据稀疏性和冷启动问题.同时在用户兴趣分析过程中将景点和标签的关系扩展到了用户、景点和标签三者的相互关系,把用户的兴趣偏好分解成对不同景点标签的长期偏好,有效地缓解了缺乏用户历史游览记录时推荐质量不佳的问题.通过在Flickr网站上收集的数据进行实验验证,结果表明本文提出的混合推荐算法有效地提高了推荐精度,在一定程度上缓解了冷启动和新城市问题.     

基于对等网的个性化推荐系统

个性化推荐系统的研究与应用已经成为一项热点,但是在信任性、实时性、可扩展性以及对移动用户提供推荐等方面还存在很多问题和挑战。为了提高系统性能,为推荐系统的使用提供更广阔的发展前景,将推荐系统建立在双层对等网络的平台上。对等点之间通过发送消息进行通讯和处理查询,并采用动态路由表机制减少重复信息。最后,通过一个实验模拟了该系统。     

基于标签系统中聚类分析的个性化推荐算法

随着YouTube、Flickr和Last．fm等社会化网络的兴起,标签系统在日常生活中扮演着越来越重要的作用．为了给用户提供更优质的推荐,分析用户为不同资源打标签的行为就显得尤为重要．本文将主要的社区发现算法应用到标签系统中的聚类分析中,并比较它们在不同数据集上的表现,设计出针对标签系统的个性化推荐算法．实验结果表明,本文提出的算法能很好的发现不同用户的兴趣,提高推荐系统的质量．     

基于用户兴趣的个性化推荐算法研究

目前,越来越多的社交平台和电商平台推出个性化服务,社交平台向用户推荐有价值的内容,电商平台向用户推荐性价比高的商品,视频网站也根据用户历史的浏览兴趣推荐可能感兴趣的内容.个性化推荐的服务已经渗透到生活中诸多环节,以用户兴趣为导向进行个性化的定制服务,提高内容推荐的准确率对于提升平台粘性具有很大的经济价值.