个性化搜索引擎中用户协作推荐算法的研究

个性化信息服务越来越成为信息检索领域中研究的热点,文章综合内容过滤和协作过滤两种技术的优点,给出了一种个性化搜索引擎系统的体系结构,并在此基础上提出了用户协作推荐算法.模拟实验表明,该结构和算法能够有效地推荐出与用户意图相关的信息,并且具有良好的可适应性.     

基于信任机制的电子商务个性化推荐技术研究

随着电子商务的迅速发展,越来越多的顾客选择网上购物,如何让用户在海量信息中快速而准确地找到合适的产品,做出购买决定是一件很难的事情。个性化推荐技术能够较好的解决此问题,它通过分析顾客相关信息,向用户推荐感兴趣的产品,以便做出最后的决策。本文分析国内外个性化推荐技术研究现状,着重介绍协同过滤推荐技术存在的冷开始、数据稀疏性、伸缩性、“托”攻击等问题。为了改进传统协同过滤技术,结合典型的信任评估模型,提出了本文的观点。并介绍此推荐技术的两种算法,即用户单一兴趣下基于信任机制的电子商务个性化推荐算法和用户多兴趣下基于信任机制的电子商务个性化推荐算法。     

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。     

基于协同过滤推荐算法的改进性研究

互联网技术的发展极大促进了电子商务行业,网上购物模式已经改变了传统的购物模式,海量的信息影响了客户的购物效率.个性化的推荐系统能够为客户提供个性化的服务,个性化协同过滤推荐算法是应用最为广泛的算法.本文主要对协同过滤推荐算法进行研究,并采用RBF径向基神经网络对传统的协同过滤推荐算法进行改进,更加有效的为用户提供个性化的推荐.     

融合时间因素的隐语义模型推荐算法

针对传统推荐算法中存在数据稀疏和精确度不高的问题,提出一种融合时间因素的隐语义模型推荐算法,在隐语义模型中引入时间偏置项体现时间推移对用户兴趣偏好的影响,解决数据稀疏问题的同时降低时间推移造成的误差,结合基于邻域的协同过滤模型求出目标用户推荐列表。采用Movielens1M数据集验证算法的有效性,实验证明该算法与基于用户的协同过滤算法以及基于隐语义模型的推荐算法,能有效解决数据稀疏问题,在准确率、召回率和综合F值上分别比基于用户的协同过滤算法提高1.66%、2.12%、2.04%,比基于隐语义模型的推荐算法分别提高1.38%、1.48%、1.49%,能够进一步提高推荐系统的准确性及推荐质量。     

网络电视推荐系统框架及协同过滤算法的研究

针对网络电视推荐系统中通常采用的协同过滤推荐算法的不足,提出了一种将聚类、用户相似—信任关系和项目属性关系相组合的协同过滤推荐技术.该组合推荐技术首先通过聚类分析缩小用户的有效搜索范围,其次通过引入信任关系来提高推荐的准确性,从而为目标用户提供更好的推荐结果.经过实验表明,该算法提高了推荐质量.     

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。     

基于有限计算环境的推荐信息过滤算法

推荐信息泛滥严重影响了移动智能终端的用户体验,而有限计算环境制约了移动推荐信息过滤模型与算法的研究。针对上述问题,结合用户画像技术与信息过滤方法,提出了一种基于有限计算环境的移动推荐信息过滤算法。该算法通过用户轨迹信息构建用户画像,根据用户画像与需求特征,对外界推荐的各类信息进行过滤,并最终进行二次推荐。仿真实验证明：该算法过滤精确度高,个性化服务能力较强,其无需额外占用过多的系统计算与存储资源,性价比较高,因而适用于移动智能终端的有限计算环境,具有一定的实用性。     

基于用户相似度的协同过滤推荐算法简

协同过滤推荐算法通过研究用户的喜好,实现从海量数据资源中为用户推荐其感兴趣的内容,在电子商务中得到了广泛的应用。然而,当此类算法应用到社交网络时,传统的评价指标与相似度计算的重点发生了变化,从而出现推荐算法效率偏低,推荐准确度下降问题,导致社交网络中用户交友推荐满意度偏低。针对这一问题,引入用户相似度概念,定义社交网络中属性相似度,相似度构成与计算方法,提出一种改进的协同过滤推荐算法,并给出推荐质量与用户满意度评价方法。实验结果表明：改进算法能有效改善社交网络中的推荐准确性并提高推荐效率,全面提高用户满意度。     

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。     

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。     

基于3G技术的我国移动电子商务应用研究

3G技术作为推进移动电子商务应用的技术之一,对于移动电子商务的发展非常重要。文章通过对3G技术及移动电子商务的概述,针对移动电子商务服务的特点,提出3G技术在移动电子商务中的不同应用,从而使移动电子商务提供的充值服务、移动支付服务及票务服务得到不断的完善。     

E-commerce personalized recommendation analysis by deeply-learned clustering

With the development of Internet, personalized recommendation has played an important role in human modern lives. Since the number of users’ data is always large-scale, traditional algorithms cannot effectively cope with e-commerce personalized recommendation tasks. This paper proposes an e-commerce product personalized recommendation system based on learning clustering representation. Traditional kNN method has limitation in selecting adjacent object set. Thus, we introduce neighbor factor and time function and leverage dynamic selection model to select the adjacent object set. We combine RNN as well as attention mechanism to design the e-commerce product recommendation system. Comprehensive experimental results have shown the effectiveness of our proposed method.     

个性化特征的电子商务智能推荐系统

以准确向用户推荐商品,提升电子商务网站销售量为目标,设计基于个性化特征的电子商务智能推荐系统。系统以个性化推荐引擎为核心,采集交易事务、商品特征、用户评价等数据,利用基于个性化特征的协同过滤推荐算法计算商品间相似度,确定新商品的近邻,根据近邻用户对新商品的评价结果选择商品进行推荐。测试结果表明,该系统的电子商务商品推荐误差小,有利于提升电子商务网站交易率,而且电子商务商品推荐性能明显优于其他推荐系统。     

浅析电子商务中关联推荐算法的应用

如今这个时代可以称作大数据时代,任何行业都需要依靠网络以及数据,其中电子商务更是离不开数据.关联推荐算法则是电子商务系统中近几年来常用的数据挖掘方法.本文将了解关联规则相关概念,探讨关联推荐算法在电子商务中的应用.     

基于异质图表达学习的跨境电商推荐模型

跨境电商产品推荐已经成为电子商务领域新兴的研究议题之一。由于电商产品信息复杂多样、“用户-产品”关联矩阵极为稀疏并且冷启动问题突出,因此传统的协同过滤推荐模型很难奏效。而改进的深度协同过滤模型,只考虑了用户对产品的“显式”和“隐式”的反馈信息,忽视了由用户与项目组成的图结构信息,推荐性能很难满足平台和用户的要求。为了解决这些难题,该文提出基于异质图表达学习的图神经网络模型(HGNR)用于个性化的跨境电商产品推荐,该模型具有2个显著的优势:(1) 构造“用户-产品-主题”3部图作为模型的输入,通过图卷积神经网络(GCN)在异质图上进行高质量信息传播和聚合;(2)能够获取高质量的用户和产品表征向量,实现了用户和产品复杂交互关系的建模。在真实的跨境电商订单数据集上的实验结果表明,HGNR模型不仅在推荐性能上表现出色,还能有效提升冷启动用户的推荐准确率,与9种推荐基准算法相比,HGNR在评价指标HitRate@10, Item-coverage@10, MRR@10上至少提升了3.33%, 0.91%, 0.54%。     

基于大数据的电子商务个性化信息推荐服务模式研究

借助于电子商务网站虽然能够给用户们提供比较多的产品以及服务,但是也让用户们寻求符合自身需求的产品信息难度得到了一定程度的提升,为了使得企业自身的市场竞争能力得到提升,也就需要构建一个基于大数据的电子商务个性化信息推荐服务模式,来为用户们提供更加优质的信息服务.     

基于电子商务背景的智能挖掘技术及其应用研究

在日常商业运营过程中,操作系统会产生大量的数据,将这些数据有效运用在决策系统中,可以有很大的增值效益。随着网络技术和数据库技术的成熟,全球传统商务正经历一次重大变革,向电子商务全速挺进。这种商业电子化的趋势不仅为客户提供了便利的交易方式和广泛的选择,同时也为商家提供了更加深入地了解客户需求信息和购物行为特征的可能性。数据挖掘技术作为电子商务的重要应用技术之一,将为正确的商业决策提供强有力的支持和可靠的保证。     

关联规则在移动电子商务推荐系统中的应用

以数据挖掘中的关联规则为基础,深入研究了个性化推荐系统的架构和推荐系统模型。针对传统关联规则挖掘算法在解决移动电子商务环境个性化推荐问题时反复扫描数据库,频繁项挖掘效率低,关联规则挖掘准确率低以及规则大量冗余等不足,采用基于事务矩阵和兴趣度的关联规则挖掘算法构建个性化的推荐系统模型,提升了个性化推荐质量。