共查询到19条相似文献,搜索用时 62 毫秒
1.
2.
3.
移动环境下的微博推荐算法,最需要解决的是用户兴趣根据位置变化而快速变化问题。基于微博这种新型的网络交互环境,提出一种基于移动环境的内容推荐算法,以用户的位置为核心,根据"用户-内容-时间-位置"关系实现相关性的计算,进行好友和内容的推荐。并对该推荐算法的推荐精度进行了实验,证明了位置对内容评分在移动环境下可以提高推荐精度并可以增强用户体验。 相似文献
4.
一种结合推荐对象间关联关系的社会化推荐算法 总被引:2,自引:0,他引:2
《计算机学报》2014,(1)
随着社会化媒体的兴起,信息资源的数量呈现爆炸式增长,如何在海量的信息中帮助用户发现有用的知识成为亟需解决的问题.社会化推荐方法作为一种有效的信息过滤技术,由于能够结合社会网络的特点,模拟现实社会中的推荐过程,在分析用户历史行为的基础上,主动向用户推荐满足他们兴趣和需求的信息,受到了研究者们的广泛关注.但目前已有的方法大都只从用户间社会关系的角度出发,仅认为相互信任的朋友间具有相似的兴趣爱好,而忽略了推荐对象间的关联关系对推荐结果产生的影响.针对以上存在的问题,文中从推荐对象间关联关系的角度出发,假设具有关联关系的推荐对象更容易受到同一用户的关注,并进而在已有的社会化推荐算法的基础上,提出了一种结合推荐对象间关联关系进行推荐的算法.算法使用共享的潜在特征空间对目标函数的求解过程进行约束,使其在考虑用户间社会关系的同时,也考虑到推荐对象间关联关系所起到的重要作用.实验结果表明,与主流的推荐算法相比,文中所提出的方法在分类准确率和评分误差等多种评价指标上都取得了更好的结果. 相似文献
5.
6.
郑元平 《计算机光盘软件与应用》2014,(5):134-135
通常,为了构建一个推荐系统,一般都会考虑使用两种最常见的推荐算法:基于内容过滤算法和协同过滤算法[1,2]。然而,这两种推荐算法都有各自的技术缺点。解决特征提取是内容过滤的困难之处,同时预测用户的兴趣趋势也难以很好处理。协同过滤算法则需要面临冷启动问题和矩阵稀疏性问题。本文结合内容推荐,协同推荐,采用本体这一新工具,构建出一种全新的混合推荐算法。新的推荐算法可以解决传统的推荐算法面临的冷启动、数据稀疏性、兴趣趋向预测等一些问题。 相似文献
7.
8.
推荐系统中的协同过滤算法和基于内容推荐算法都能够进行相关推荐,但是算法中存在的不足会导致推荐结果不准确。为提高推荐准确度,本文提出一种混合模式的推荐算法,建立用户的兴趣模型,对目标用户进行个性化的物品推荐。最后利用Movies Lens数据集进行训练并评估基于用户和基于内容的混合模式推荐算法的准确度。 相似文献
9.
基于用户层次信息的协同推荐算法 总被引:7,自引:0,他引:7
在个性化信息推荐服务中,协同推荐作为一种基本的信息过滤方法得到广泛的应用,它根据和目标用户具有相似行为的用户对资源的评价来进行推荐。但是,我们的研究发现,协同推荐算法所获得的相似用户群和实际用户的概念层次没有关系,这和我们的直觉是矛盾的,这驱使我们在协同推荐算法中考虑进用户的分类信息。实验结果表明,这样的方法是有效的,它和传统协同过滤相比具有更高的推荐精度。 相似文献
10.
一种信任关系强度敏感的社会化推荐算法 总被引:4,自引:0,他引:4
为了进一步提高推荐算法的准确率,更好地对用户间的信任关系进行建模,首先提出了一种信任关系强度敏感的社会化推荐算法(StrengthMF).与以往的算法相比,该算法假设建立信任关系的两个用户之间并不一定存在着相似的兴趣爱好.在推荐过程中,StrengthMF算法通过共享的潜在用户特征空间来对信任关系强度和用户兴趣进行建模,通过进一步识别出那些与目标用户有着共同爱好的朋友来对求解的过程进行优化.为了验证算法所估计出的信任关系强度的准确性,接着又在SocialMF算法的基础上,提出了一种使用所估计的信任关系对其重新训练和学习的InfluenceMF算法.实验结果表明,与目前较为流行的方法相比,新方法能在RMSE和MAE上取得更好的推荐结果,其所推导出的信任关系强度能进一步提高已有推荐算法的性能. 相似文献
11.
随着互联网技术的发展, 个性化标签推荐系统在海量信息或资源过滤中起着重要的角色. 在新浪微博平台中, 用户可以自主的给自己添加标签来表明自己的兴趣爱好. 同时, 用户也可以通过标签来搜索与自己兴趣爱好相似的用户. 针对新浪微博中大部分用户没有添加标签或添加标签数目较少的问题, 提出了一种基于RBLDA模型和交互关系的微博标签推荐算法, 它首先利用RBLDA模型来产生用户的初始标签列表, 然后再结合用户的交互关系而形成的交互图来预测用户标签的算法. 通过在新浪微博真实数据集上的实验发现, 该方案与传统的标签推荐算法相比, 取得了良好的实验效果. 相似文献
12.
13.
14.
15.
16.
面向基于情境感知的推荐问题,提出一种基于用户情境聚类的个性化推荐算法。该算法利用情境预过滤的思想,首先运用模糊聚类的方法对历史数据集中用户的情境进行聚类,构造与当前用户情境相似度较高的用户集合,再与传统的基于用户的协同过滤算法相结合进行个性化推荐。实验采用公开数据集,结果表明该算法在多维情境信息条件下可用,并且推荐准确度要高于传统协同过滤算法,在聚类粒度不同的情况下对推荐结果也会产生不同的影响。 相似文献
17.
社区推荐从海量社区中为用户过滤出有价值的社区,变得越来越重要.新颖性推荐逐渐得到关注,因为单纯追求准确度的推荐结果存在局限性.已有新颖性推荐方法不适用于社区推荐,因其无法处理Web社区特性,包括社区成员用户通过交互形成的关系网络以及社区主题.提出了一种新颖性社区推荐方法NovelRec,向用户推荐其有潜在兴趣但不知道的社区,旨在拓展用户视野和推动社区发展.NovelRec基于用户交互网络中的邻域关系,利用用户之间在主题上的关联,计算候选社区对用户的准确度;根据用户与社区在邻域和主题上的关联,提出一种用户社区距离度量方式,并利用该距离计算候选社区的新颖度.在此基础上,NovelRec最终进行新颖性社区推荐,并兼顾推荐结果的准确性.真实数据集上的对比实验结果表明,NovelRec方法在新颖性上优于现有方法,同时能够保证推荐结果的准确性. 相似文献
18.
19.
为了解决微博文本特征抽取及特征稀疏问题,提出基于卷积神经网络的微博话题追踪模型(CNN-TTM).基于微博用户信息,又提出融合微博用户信息及卷积神经网络的微博话题追踪模型(CNN-UserTTM),利用微博用户信息提高话题追踪准确率.实验表明,在新浪微博数据集上,CNN-TTM和CNN-UserTTM分别获得较高的微博话题追踪准确率. 相似文献