基于微信小程序的高校移动办公助手研究

随着互联网技术、移动终端的兴起以及微信小程序的流行,移动办公以其便利性、及时性等众多优势得到人们的青睐。将微信小程序等应用于校园移动办公,既摆脱了时间和空间的限制,又良好地结合了微信这一社交工具,因此有重要的现实意义。笔者结合移动办公及微信小程序技术,对高校移动办公平台的功能需求、系统架构等进行研究。     

Hadoop云平台下的基于用户协同过滤算法研究

随着互联网的高速发展,海量新闻的个性化推荐成为一个重要课题,针对海量新闻的个性化推荐算法进行研究,以MapReduce的并行方法设计了基于Hadoop云平台下的协同过滤算法,利用MapReduce的并行方法,将传统的协同过滤算法并行化,并详细说明了并行化步骤和实现细节;最后用实验结果验证了改进的并行化的协同过滤算法在运行速度和执行效率方面有明显的提高,更适合处理大数据.     

大数据环境下智能推荐系统中协同过滤算法研究

随着互联网的普及以及电子商务的发展,各类网络应用需要大数据的支持,而信息过载是大数据应用最严重的问题之一,需要来自智能推荐系统的支持.分析了大数据环境下智能推荐系统的概念和应用,对协同过滤算法这一智能推荐经典算法进行了阐述,并介绍了其在大数据环境中的应用领域.     

基于微信小程序的教学资源平台构建

移动互联网技术的蓬勃发展促使着学习者的学习方式发生改变,移动应用已渗透到社会的各个领域,与此同时网络教学资源也有更广阔的平台和开放环境.本研究选取微信小程序为资源构建平台,根据实际需要自主研发功能模块,创建教学资源设计教学过程,通过用户触发的行为数据分析学生的学习行为,不断优化资源搜索并较准确地向用户推荐合适的学习资源...     

基于协同过滤的水果推荐系统设计与实现

随着大数据技术的飞速发展,从大量的信息中如何让用户发现和挖掘出有价值的信息,一直是人们研究的热点问题。推荐系统的发展起到了关键作用,主要是发现用户和商品之间的信息,一方面为用户找到有价值的信息,另一方面为用户推荐感兴趣的商品,从而实现了用户和信息生成者的共赢。基于协同过滤的水果推荐系统通过分析用户的历史行为了解用户的喜好,在为用户提供其感兴趣的信息的同时,也能够实现个性化的推荐。     

基于项目特征模型的协同过滤推荐算法

提出一种基于项目特征模型的协同过滤推荐算法.首先根据项目特征属性建立项目特征相似模型,在此模型基础上根据特征相似项目和用户评价相似项目,计算项目之间的综合相似度,弥补了以往协同过滤推荐算法在新项目推荐方面的不足.试验结果表明,该方法不但可以有效地改善传统协同过滤算法中新项目的冷启动问题,而且确实提高了推荐系统的推荐精度.     

基于用户共现矩阵乘子的分布式协同过滤推荐

随着大数据时代的到来,应用数据量剧增,个性化推荐技术日趋重要。传统的推荐技术直接应用于大数据环境时会面临推荐精度低、推荐时延长以及网络开销大等问题,导致推荐性能急剧下降。针对上述问题,提出用户共现矩阵乘子推荐策略,将用户相似度矩阵与项目评分矩阵相乘得到用户对项目的预测评分矩阵,从而生成对每个用户的候选推荐项目集;在此基础上,根据分布式处理架构的特点对传统协同过滤算法进行并行化扩展,设计了基于用户的分布式协同过滤算法;最后通过重定义序列组合的MapReduce模式将多个子任务串联起来,自动地完成顺序化的执行。实验结果表明,该算法在分布式计算环境下具有良好的推荐精度和推荐效率。     

协同过滤算法在推荐系统中的应用

介绍了协同过滤算法,并对算法进行了改进,解决了用户稀疏的情况下传统算法的不足,同时通过引入评分阈值,显著提高了个性化协同过滤算法的推荐精度。     

基于项目特征聚类的协同过滤推荐算法

提出基于项目特征聚类的Item-based协同过滤推荐算法.该算法首先根据项目的属性特征对项目进行聚类,形成其特征相似群,然后采用一种基于预评分的相似性度量方法计算目标项的最近邻居,最终产生推荐.经实验验证该算法可以有效解决用户评分数据稀疏性和冷启动的难题,而且可以显著提高系统推荐质量.     

基于协同过滤的美食推荐算法

为了解决传统的基于用户的协同过滤算法中的数据稀疏性问题,提高推荐的准确率,本文对推荐算法进行了改进并将改进后的算法应用在美食推荐领域。首先,利用均值中心化方法对实验数据进行处理,减少因个人评分习惯差异造成的推荐误差。然后,通过使用改进的空值填补法降低评分矩阵的稀疏性。最后,在计算相似度时引入了遗忘函数和用户间的信任度,进一步提高了推荐系统的准确性。实验表明,本文提出的改进算法比传统算法有更高的准确率,并得出了在推荐过程中考虑用户和项目外的其他因素以及针对不同的数据信息采用不同的算法,都有利于提高推荐准确率的重要结论。     

基于Node.js与微信小程序的活动管理平台

大学生课余活动丰富多彩,活动数量与日俱增,活动管理工作繁琐、任务量重,仍缺乏一站式解决方案,为满足大学生搭建活动管理平台的需求,该平台基于微信小程序搭建活动管理平台用户前端,基于Node.js+express+MongoDB框架搭建活动管理平台后端,完整实现了活动与用户管理等各类功能,其特色功能包括：邮箱验证、二维码签到、读写Excel等.平台通过HTTPS RESTful API实现前后端加密通讯,完美契合了学生需求的同时保证了用户信息的安全,为大活动管理提供了便利.     

基于MongoDB和微信小程序的点餐系统的设计与实现

随着外卖平台近些年的兴起让人们的用餐变得快捷和便利,但是伴随着外卖市场的逐渐稳定,以美团和饿了么为首的两大外卖平台占据了大部分的市场份额,两大平台前期通过投入大额补贴抢夺市场,现在开始渐渐回归稳定的运营状态,最直观的体现就是平台对于商户的抽成比例增加,这也导致了许多商户对此表示不满.学校食堂拥挤、混乱的就餐现象导致了许...     

基于动态k近邻的SlopeOne协同过滤推荐算法

协同过滤是个性化推荐系统中的常用技术, 数据稀疏性是影响协同过滤算法预测精度的主要因素。SlopeOne算法利用线性回归模型解决数据稀疏性问题。基于用户相似度的k近邻方法可以优化参与预测的用户评分数据的质量。在SlopeOne算法的基础上, 提出了一种动态k近邻和SlopeOne相结合的算法。首先根据用户之间相似度的具体情况动态地为每个用户选择不同数目的近邻用户, 然后利用近邻用户的评分数据生成项目之间的平均偏差, 最后利用线性回归模型进行预测。在MovieLens数据集上的实验结果表明, 改进算法在预测精度上比原SlopeOne算法有所提高, 能适应数据稀疏度更低的推荐系统, 并且与其他协同过滤算法相比, 推荐精度也具有明显优势。     

融合信任用户的协同过滤推荐算法

推荐系统中普遍存在的数据稀疏性问题使得协同过滤算法所要求的近邻搜索准确性降低,以及搜索到的最近邻用户过少,这对整个推荐系统的推荐质量和推荐的准确性产生重要影响,而这个问题对于传统的协同过滤推荐是难以解决的.针对这个问题,通过将用户之间的信任关系与对项目的评分相似性相融合,提出一种融合信任用户的协同过滤推荐算法,利用有向网络图构建的用户之间的信任关系,弥补了仅仅依靠计算用户间相似性不能准确衡量用户之间关系的缺陷.实验结果证明,该算法能够提高系统的推荐质量和准确性.     

基于TF-IDF的新型广播电视节目协同推荐流程

伴随着互联网技术的快速发展和应用拓展,三网（因特网、电信网、广播电视网）融合为传统广播电视媒介带来了发展机遇。但随着数据规模的增长,现有推荐算法对多“目录”广播电视用户精准推荐的效果并未达到预期要求,具有较为明显的不足。本文针对用户之间的相似关系和产品之间的相似度,分别用皮尔逊相关系数、基于TF-IDF的余弦相似度与协同推荐构建了2种可以对新型广播电视用户精准推荐的算法流程,并能够得到产品的准确分类与精准投放。     

基于微信公众平台开发的高校学生助手系统

基于微信公众平台开发了江苏海事职业技术学院学生助手系统,为高校的学生群体建立一个全方位、立体化的校园信息服务平台,提供便捷、实时的信息交互查询。系统采用ASP＋Access所开发,拥有课表查询、成绩查询、掌上图书馆、天气查询、快递查询、公交查询、外卖菜单等功能,目前已经投入市场应用,关注人数已超2000人。     

基于用户-项目的混合协同过滤算法

针对传统协同过滤方法中存在的冷启动和数据稀疏等问题,结合基于用户的协同过滤和基于项目的协同过滤提出一种混合协同过滤算法。在相似度的计算中提出改进算法来提高相似度计算的精确度;在预测未评分值时引入控制因子、平衡因子进行加权综合预测,最后再进行综合推荐。实验过程中采用Movie Lens数据集作为测试数据,同时采用平均绝对误差作为实验的测试标准。实验结果表明,基于用户-项目混合协同过滤算法在评分矩阵极度稀疏的环境下提高了推荐的性能,并能有效提高预测的精度。     

协同过滤推荐系统中数据稀疏问题的解决

介绍了现有协同过滤推荐的几种主要算法.它们对数据稀疏性问题都有一定的缓和作用.通过在数据集MovieLens上的实验,分析了各个算法在不同稀疏度下的推荐质量,为针对不同数据稀疏度的系统实现提供了可靠依据.     

基于Spark框架的改进协同过滤算法

随着互联网数据量的不断膨胀,单机已经无法在可接受的时间范围内计算完基于大规模数据的推荐算法,也无法存放海量的数据。利用Spark平台内存计算的优点,设计了一种分布式的基于项目的协同过滤算法,利用Spark提供的RDD(resilient distributed dataset)算子完成算法的设计。针对由于数据稀疏而导致的相似度计算不准确的问题,提出了一种利用两项目间公共用户数目进行加权的相似度计算公式,提高了最终推荐结果的准确度。为了改善计算中涉及到的数据表等值连接操作耗时太长的问题,利用自定义的Hash_join函数替代Spark自带的连接操作算子,提高了计算效率。采用UCI的公用数据集MovieLens对算法进行测试,并分别与改进前的算法以及单机运行的算法进行对比,结果表明,改进的算法在准确度和效率方面都有更好的表现。