共查询到19条相似文献,搜索用时 62 毫秒
1.
以E-Learning系统建设为背景,通过采用文献查找、调查研究等方法探讨个性化推荐理论的内涵,并结合当前建设中的E-Learning系统,分析了目前常用的个性化推荐策略,并进行介绍比较和分析以后,总结经验,以应用于E-Learning系统的建设。提出适合于E-learning系统建设的个性化推荐策略:采用关联规则推荐策略和协同过滤技术,基于WEB技术建立一个虚拟学习系统,利用推荐算法,结合用户需求,将学习的资源、学习活动和学习策略进行整合,向用户推荐完整的满足用户需求的E-Learning学习方案。 相似文献
2.
3.
4.
在许多应用领域,多标准推荐系统使用多标准决策方法实施推荐,但是,多标准推荐系统在实施和测试方面仍然相当有限,特别是在一些特定领域,文中提出了三种多标准功效协同过滤算法的几种设计方案的实验分析,使用的数据集是模拟产生的,实验的目的是为了证实当来自于真实用户的多标准评估数据集不能得到的时候,如何产生数据集,并用于实施研究和选择一个恰当的算法。一个来自数字图书馆图书推荐的实例用于说明算法的使用,验证其有效性。 相似文献
5.
6.
为了解决信息检索中无法获取符合个人需求的特色资源的问题,介绍了个性化推荐系统的概念以及推荐系统常用的算法;重点阐述了协同过滤技术的流程:利用用户项目矩阵计算用户之间的相似性,结合最近邻信息预测出符合个人特性的推荐信息;最后指出了协同过滤研究的难点问题。 相似文献
7.
8.
9.
广播电视正朝着多样化和个性化的方向发展,使得用户很难在大量的广播电视节目中快速找到自己感兴趣的节目。因此,构建以用户兴趣为指导的个性化广播电视智能推荐系统成为必然。然而,用户的兴趣会随时间出现一定程度的变化,这就导致系统最终推荐的效果不尽如人意。因此,将兴趣随时间变化的趋势作为重要权重引入到协同过滤算法用户相似计算中,构建新型的广播电视推荐系统,最终通过实验验证,所提出的个性化广播电视智能推荐系统能够有效提升推荐结果的准确性。 相似文献
10.
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。 相似文献
11.
个性化搜索引擎中用户协作推荐算法的研究 总被引:7,自引:2,他引:5
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. 相似文献
12.
13.
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。 相似文献
14.
随着网格技术的不断发展,作为网格资源管理接口的网格门户也迅速发展起来。访问网格门户的用户数和门户管理的资源数也越来越多。为了解决网格门户系统资源管理信息规模过载、服务器大规模查询和处理资源负载较高、用户获取所需资源的满意度较低等问题,该文通过分析网格门户的主要功能和特点,在结合现有协同过滤推荐算法并改进的基础上,提出了基于协同过滤的网格门户推荐模型。推荐模型包括协同过滤交互模型、处理模型和展现模型。在设计模型的基础上提出了二次组合协同推荐算法并且进行了和现有算法的比较工作。实验表明:该文提出的推荐模型可以较好地实现网格门户的个性化协同推荐功能,并且可以保证个性化推荐的准确度和质量。 相似文献
15.
综述了音乐推荐的应用背景、起源和发展以及几种典型的方法,同时分析了当前推荐技术中存在的问题,提出了基于生理和心理状态输入的新的音乐推荐技术的发展方向。 相似文献
16.
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。 相似文献
17.
18.
19.
传统推荐算法通过主题模型或者词语向量化的平均值对文本内容进行映射。针对现有方法不能充分利用文本信息或忽略词序信息这一问题,文中面向科学文献,提出了一种多任务学习推荐方法。该方法基于多任务学习框架,设计编码器并搭建了GL模型。该模型被训练为内容推荐与文本元数据预测的组合,可改善传统协同过滤的稀疏性问题,使得协同过滤模型正则化。最后,分别在公开数据集与私有数据集上进行了评估测试,结果表明所提方法性能优于现有的经典方法。 相似文献