基于Mahout的个性化推荐系统架构

针对互联网企业的实际和用户需求,构建一种基于Mahout的个性化推荐系统架构。通过分析网站的数据特点,将数据分为静态数据和动态数据。当数据量不大时,根据数据特点选用Mahout单机内存推荐算法进行计算;当数据量很大时搭建分布式集群,将业务系统的静态数据定时地增量导入到Hadoop的HDFS中,然后用Mahout分布式推荐算法访问HDFS。计算后的结果,保存到业务系统的数据库中,与动态数据合并作为在线响应的输出。实验证明该方案可以绕过海量数据的高并发在线分析的问题,有效地缓解系统响应时间的压力。     

基于用户喜好的个性推荐系统优化

采用协同过滤方式的传统推荐系统具有一定实用性,但也存在未考虑用户个性喜好的问题。为提高推荐精度,特别针对用户个性化特点和需求,提出了采用改进相似度计算和回归分析方法对协同过滤推荐进行系统优化。实验结果表明,优化算法可明显改善系统的推荐效果,并加强基于协同过滤推荐的有效性。     

面向会话型推荐系统的个性化分层循环模型

为了精准地捕捉用户行为模式,引入中期兴趣的概念,提出一个基于循环神经网络（RNN）的个性化分层循环模型,通过在同一框架下联合利用用户的会话、区块和全部行为序列来学习用户的综合兴趣.利用一个捕捉会话内序列模式的会话级RNN建模用户的短期兴趣;设计了一个捕捉区块内相邻会话关联关系的区块级RNN,进一步描述用户的中期兴趣;使用一个用户级RNN追踪长期兴趣的演化;引入带有不同交互机制的融合层,以有效融合不同层次的兴趣信息.在3个真实数据集上进行实验,结果表明,该方法与先进的推荐方法相比,Recall@10提升了18.35%.     

语义环境下个性化推荐系统建模

为解决现有个性化推荐系统中缺乏对语义信息处理能力的问题,建立了语义推荐系统模型,使用描述逻辑实现了该模型,并给出了推荐算法。在实现模型的过程中引入了两条规则实现了概念层次关系在兴趣程度和关联程度上的传递。实验证明,通过将用户的兴趣和待选资源的相关概念在语义层面进行适当扩展,语义推荐系统模型能产生更多符合用户兴趣的推荐项目。     

网络学习系统个性化实时推荐策略研究

网络学习资源海量化在给学习用户提供资源选择多样化和学习自主化的同时,也给用户快速获取个性资源提出了更高要求。在分析当前个性化推荐技术的基础上,充分考虑学习的过程性和资源间的语义相关性,提出一种基于本体个性化的实时推荐模型和算法。主要从模型构建、本体构建、语义相关度和个性推荐算法等方面进行研究,设计了网络学习系统中资源个性化推荐的基本框架和流程,为提高网络学习效率提供全新的解决思路。     

基于信任关系的资源分配推荐算法改进研究

近年来,一些统计物理学的方法被用于推荐算法的研究中,其中,基于扩散的推荐算法研究成为一个重要方向。然而,这些方法都只关注用户对产品的评分信息,而忽略了用户之间普遍存在的信任关系。该文将用户信任关系引入到基于扩散的推荐算法中,提出了一种基于信任关系的资源分配推荐算法。该算法在资源分配的过程中,对受信任的用户用一个可调参数分配其更多的资源,从而提高受信任用户所选物品的资源值。在Epinions和FriendFeed两个真实数据集上的实验结果显示,该算法在准确性、多样性和新颖性等方面明显优于主流的基准推荐算法。     

服装智能推荐系统在电子商务平台中的应用

近十年来,中国逐渐进入全民网购的电子商务时代,越来越多的电商平台和产品领域引用推荐系统提高交易效率。服装作为电商品类的一大分支,其推荐系统也展现出巨大的商业潜力和应用前景。为进一步探索电子商务中服装类商品的个性化推荐机制,本文结合产品属性对服装推荐算法及其应用进行研究,着重阐释三种推荐技术的运算步骤及特征,并总结各个算法的优缺点以及目前服装推荐系统研究中存在的不足,为电商平台的服装类产品及品牌营销提供理论与智能算法依据。     

基于LBS的个性化手机菜品推荐系统设计与实现

为满足用户"随身、随时、随地"的个性化服务需求,设计一款基于位置服务(LBS)的个性化菜品推荐系统。在系统中,首先通过对用户的位置感知,记录每个用户的用餐信息;然后通过现有的选择过程或相似关系来获知用户的潜在兴趣;再对当地餐馆和菜肴的信息进行过滤,将用户可能感兴趣的餐厅和菜品推荐给他们。     

基于协同过滤算法的个性化推荐系统的设计及实施

Internet的发展导致了信息资源的膨胀,用户希望能通过自动化的工具来发现期望的信息资源,为了满足用户的这个需求,个性化推荐系统就随之产生了。个性化推荐系统所采用的推荐算法决定了推荐系统的优劣,本文主要设计了基于协同过滤算法的个性化推荐系统模型,并将该模型应用于相应的网站中。     

电子商务下的柔性推荐系统

提出了一个电子商务柔性推荐系统（FRS）框架，它主要由推荐系统数据库（RSDW）、推荐系统模型库（RSMW）、推荐策略（Rs）、推荐模型控制引擎（RMCE）、推荐管理（RM）以及电子商务网站系统（Ec-website）组成。它独立于具体的推荐应用和推荐算法，能根据不同的商务推荐策略产生相应的推荐功能。最后给出了基于FRS推荐的实现步骤。     

基于关联规则挖掘的电子商务个性化推荐系统研究

分析了个性化推荐系统体系结构,并对其推荐过程进行了详细阐述,最后给出了一个基于关联规则挖掘的电子商务个性化推荐系统的具体实例.     

电子商务环境中个性化信息推荐服务的发展

基于因特网的电子商务蓬勃发展,信息强度和密度前所未有,用户数与项目数呈级数增长,个性化信息推荐服务显得越来越重要．电子商务下的个性化信息推荐系统在理论和实践上都得到了很大发展,协同过强推荐技术是最成功的个性化推荐系统．     

基于多关联度的移动用户POI个性化推荐

为了帮助移动用户探索新位置,协助商家发现潜在顾客,提高移动用户访问POI的质量,本文提出了一种将地理位置、时间和类别相结合的多关联度POI个性化推荐方法——GeoTempCate,来对移动用户进行个性化POI推荐.该方法探讨了POI的地理位置关联关系、访问时间关联关系以及POI的类别关联关系.通过分析用户的历史访问POI数据,利用3种关联关系来预测移动用户对其未访问POI的关联评分,进而对移动用户进行个性化POI推荐.最后使用准确率和召回率来评价推荐的POI,实验结果表明本文提出的方法,无论是准确率还是召回率,都得到了较高的精确度.     

服装推荐系统研究进展

利用文献调研和VOSviewer对国内外服装推荐系统相关文献的发文量、关键词进行可视化分析,梳理总结服装推荐系统的发展趋势.在此基础上,从感官评价、模糊技术、协同过滤、机器学习4个方面归纳整理了服装推荐系统关键技术与方法.从应用情况的角度探讨了服装推荐系统的分类,即服装产品推荐、服装搭配推荐与服装设计推荐.最后,基于服装推荐系统发展趋势、关键方法与技术和应用领域,指出未来可在传统文化元素的创新应用、个人服饰搭配与依据消费者隐性需求和显性需求的轻定制交互化设计中深入研究服装推荐系统.     

基于云计算的电子商务推荐系统研究

通过对云计算系统架构、平台开发、用户行为分析、电子商务应用等方面的研究,提出了一种新型的分布式存储系统,并在此基础上构建了一种新的智能化电子商务个性化推荐系统。该推荐系统有效解决了大型日志数据存储、无法实时推荐、算法伸缩性低等问题,为用户提供动态、实时的个性化服务,实现了商务推荐引擎的个性化和智能化。