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.     

移动环境下个性化推荐系统的设计实现

随着移动互联网的发展,在移动网络有效获取信息将会变得愈发的困难。个性化推荐技术的提出与应用,使得传统Internet上信息过载的局面得到了一定程度上的缓解。本文在现有的推荐算法的基础之上提出了一种基于用户分类与记录可信度加权的协同过滤推荐算法。并使用J2ME技术设计了一个移动网络个性化推荐原型系统。     

基于用户兴趣变化的混合推荐算法分析

推荐算法被应用在商品购物、音乐推荐、书籍推荐等网站。如何根据这些已有的用户行为数据让用户快速做出抉择,推荐算法显得十分重要。传统的协同过滤算法没有考虑到用户的兴趣是随时间而变化的。文章首先在传统的协同过滤算法的基础上构建时间变化函数,对用户以往的评分数据,对数据做时间加权,提高预测用户兴趣的能力。针对当前推荐算法都会遇到的评分稀疏性问题,文章提出了把基于时间权重的协同过滤算法与基于关联规则的推荐算法进行混合推荐,提高了算法的准确率。     

基于移动用户上下文相似度的协同过滤推荐算法

该文面向移动通信网络领域的个性化服务推荐问题,通过将移动用户上下文信息引入协同过滤推荐过程,提出一种基于移动用户上下文相似度的改进协同过滤推荐算法。该算法首先计算基于移动用户的上下文相似度,以构造目标用户当前上下文的相似上下文集合,然后采用上下文预过滤推荐方法对移动用户-移动服务-上下文3维模型进行降维得到移动用户-移动服务2维模型,最后结合传统2维协同过滤算法进行偏好预测和推荐。仿真数据集和公开数据集实验表明,该算法能够用于移动网络服务环境下的用户偏好预测,并且与传统协同过滤相比具有更高的推荐精确度。     

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。     

多元协同过滤推荐算法在医科类执业资格考试中的应用

本文提出了一种面向医学类执业资格考试应用的多元协同过滤推荐算法,该算法通过构建学生知识点掌握概率模型,综合考虑执业资格知识点的权重、知识点难易程度、错误率多个因素,将多个因素作为权重因子对基于用户的协同过滤推荐算法进行改进,把多元协同过滤推荐算法应用在执业职格考试系统中。该算法使教师根据分析结果掌握学生普遍存在的课程薄弱知识点,及时调整教学内容和教学方法。使学生根据推荐结果精准把握执业资格考试未掌握的相关知识点,及时调整学习侧重点,增强学习的针对性。实验采用医学高职院校2016-2018三年毕业生医师资格考试医学综合考试为实验数据,最终实验结果验证了多元协同过滤推荐算法可以有效提高学生助理执业医师资格考试成绩。     

改进的协同过滤算法在商品推荐中的应用

本文对传统的协同过滤推荐算法进行了一定程度的优化,将基于协同过滤技术的理论研究更好地应用在商品个性化推荐中,以解决协同过滤打分稀疏问题,以及协同过滤的推荐准确率低的问题,首先使用二部图表示用户和商品的二元关系,然后利用二部图模块函数对用户和商品划分相似类,最后产生基于同类用户和同种商品的推荐列表并将两个推荐列表混合使用,得到基于二部图函数的改进的协同过滤算法。算法根据用户的兴趣和需求向其推荐个性化的商品,降低了用户搜寻信息的成本,具有广泛的可行性和实用性。     

基于标签与协同过滤算法的淘书吧应用

随着互联网的不断发展,电子商务的流行使人们从线下交易逐渐转为线上交易。电子商务中的推荐系统对人们日益多元化的网络消费起到了至关重要的作用。本文在传统协同过滤推荐算法基础上,加入商品标签属性,构建用户,商品,标签三者之间的关联模型。先构建用户商品评分矩阵,在计算用户对商品兴趣度时增加入标签作为权重系数,提高淘书吧应用推荐准确性。实验结果表明,该方法能有效地改进现有的推荐算法,达到更好的推荐效果。     

移动用户餐饮个性化需求推荐研究

在个性化推荐系统中,协同过滤技术是应用最成功的技术。协同过滤技术包含几种典型代表,基于用户的协同过滤、基于内容项的协同过滤、基于关联规则的协同过滤等,这些方法都有各自的优缺点和应用领域。通过对传统协同过滤算法进行分析,根据移动用户餐饮个性化的特点,引入杰卡德系数,将杰卡德系数引入到协同过滤中并对算法进行改进,最终在移动用户餐饮个性化推荐中取得了较为理想的效果。     

基于Spark的实时情境推荐系统关键技术研究

随着移动互联网的飞速发展,人们面临的信息过载的问题日益严重,大数据场景下对用户的推荐面临着巨大困难。为了解决推荐时效性、准确度、大数据量,提出了一种基于Spark的实时情境推荐算法。该算法在协同过滤的基础上融合了情境过滤,以Kafka作为实时消息收发器,以Spark Streaming来处理实时流数据,增强了算法的准确性和时效性。实验证明,该算法和传统协同过滤算法相比,准确率和时效性更高,且在大数据场景下更有优势。     

基于CE3:k-means的协同过滤推荐模型研究

随着网络数据量的迅速增长,传统数据处理方式的推荐算法已经不能满足互联网发展的需求,为了追求推荐精确性与人性化,协同过滤算法以其更高的推荐满意率逐渐取代其他推荐算法.然而,协同过滤算法推荐的准确程度取决于用户或者物品相似度的计算,成员偏好的多元性使得用户相似度并不能很好的体现用户之间的关联程度.针对这一问题,将CE3:k...     

基于Spark架构的艺术学慕课资源协同过滤推荐算法研究

传统资源协同过滤推荐算法MAE值偏高,因此提出基于Spark架构的艺术学慕课资源协同过滤推荐算法。采用分级响应形式,建立用户-资源评分关系模型,用户对资源的评分减掉该用户评分平均值,完成资源协同过滤相似度计算的优化,引入集成度高的Spark架构,预测用户对资源的评分并生成推荐列表,实现艺术学慕课资源的精准推荐。经过与两种传统算法的对比实验结果可知,研究的算法在不同比例训练集和测试集的情况下,MAE值均低于两种传统方法,说明基于Spark架构的艺术学慕课资源协同过滤推荐算法推荐精度更高,性能更好。     

一种优化的组合协同过滤算法

改进了传统协同过滤算法中最近邻搜索这一关键步骤,提出了一种结合概念层次和用户局部兴趣相似的协同过滤算法,使推荐系统在用户矩阵整体稀疏局部密集时依然能产生较好的推荐.该算法应用于基于iPhone平台开发的EatMe菜肴推荐系统,实验证明改进算法比传统协同过滤算法有更高的查全率.     

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。     

一种基于权重矩阵的协同过滤算法的相似度度量方法

协同过滤算法作为目前推荐系统中重要的技术之一,其中相似度度量方法是衡量其效果的重要指标。传统相似度度量方法主要是在用户评分矩阵的基础上对用户的共同评分项进行度量,却忽视了用户评分标准不一致和共同评分项目之外的可用数据。基于上述问题,从用户交叉项目和交叉项目之外的已有权重项目两方面共同考虑,文中融合了修正的Tanimoto系数和相关相似性,提出一种基于权重矩阵的协同过滤相似度度量方法,有效避免了因用户评分标准不一致出现的误差,提高了数据利用率。实验结果表明,该算法有效地提高了推荐的准确性。     

基于标签的在线学习资源推荐算法

在线学习是目前获取知识的一种重要途径,然而信息过载导致从在线学习平台的大量资源中找到所需的学习资源非常困难.本文提出了一种基于标签的推荐算法,混合基于内容推荐和协同过滤推荐,采用TF-IDF来平衡热门标签的权重,采用修正的余弦函数相似性计算用户间、资源间的相似性,结合学科知识图谱,让推荐结果在相似基础上增加扩展性,满足进阶学习特点.实验结果表明,本文提出的算法在准确率和推荐效率上优于传统的协同过滤推荐算法,为解决同类问题提供了较强的参考价值.     

结合关联规则填充的协同过滤改进算法

为了改善传统个性化推荐中协同过滤算法存在的诸如用户和项目评分矩阵稀疏、推荐准确度不高、冷启动等问题,提出一种结合关联规则填充对协同过滤推荐算法进行改进的方法。这种算法是在协同过滤算法的第一步前加入通过关联规则得到的结果,预测一些没有评分值的项目,将新得到的数据填充到原用户-项目评分矩阵中,降低评分矩阵的稀疏性,从而提供更多数据的相似性计算,在此基础上再结合基于传统项目的协同过滤算法对用户进行推荐。通过MovieLens数据集进行实验对比,结果显示文中提出的算法与传统算法相比,推荐系统的准确性和有效性显著提高。     

一种改进的混合多因子推荐算法

在新闻网站、电子书城等应用中,为了提高计算用户间的相似性,在传统基于用户协同过滤和基于内容的混合推荐的基础上,引入人口统计信息和专家信任等因子,对混合推荐算法进行改进。最后,通过GroupLens提供的数据集对算法进行验证,与传统基于用户和基于项目的协同过滤算法相比,文中所提算法在准确率上有显著的提高。     

基于Android的推荐阅读系统设计

移动互联网的发展和智能手机的普及,彻底改变了人们的阅读习惯,帮助人们获取最有效的阅读资讯成为当今的研究热点之一.本文使用基于标签和评分的协同过滤算法(UTR-CF),设计并实现了基于Android的个性化推荐阅读系统.系统分为服务端和客户端,服务端定时从豆瓣读书爬取图书信息,根据图书的评分和标签、用户图书标签,采用基于标签和评分的协同过滤推荐技术实现个性化推荐;客户端展示用户感兴趣的推荐结果,并将设置的图书标签、评分上传到服务端.经测试,该系统能为用户提供快速、准确的个性化阅读需求.