多粒度图神经网络推荐模型构建

为提升推荐模型的应用效果,控制推荐绝对差值,扩大相关技术的影响发展范围,构建多粒度图神经网络推荐模型。提出模型的应用推荐动机,对异构推荐特征进行提取,以此为基础,构建协同神经网络推荐目标层级,采用多粒度图神经网络技术设计稀疏推荐矩阵,采用多维聚合推荐法实现模型的构建。测试结果表明：对比于传统卷积神经商品推荐模型测试组、传统异构机制商品推荐模型测试组,设计的多粒度图神经网络商品推荐模型测试组得出的推荐绝对差值相对较小,表明在实际应用的过程中,对于用户需求及信息的捕捉较为迅速,分析更为全面,促使推荐的商品更加符合需求及标准。     

基于云平台的电子商务商品智能推荐系统

电子商务商品推荐系统可以帮助用户从海量的商品中快速找到自己意向的商品,针对当前电子商务商品智能推荐系统存在工作效率低、推荐误差大等缺陷,设计了基于云平台的电子商务商品智能推荐系统。首先,分析当前电子商务商品推荐系统的研究现状,找到引起推荐效果差的原因;然后,根据云平台的数据处理技术搭建电子商务商品推荐系统,并对电子商务商品推荐系统的关键技术进行设计;最后进行云平台的电子商务商品智能推荐系统的仿真测试。测试结果表明,所提系统克服了传统电子商务商品推荐系统存在的不足,加快了用户从海量商品中找出自己真正需要商品的速度,提高了电子商务商品推荐精度,且电子商务商品推荐误差远远低于传统电子商务商品推荐系统,具有更高的实际应用价值。     

城市出租车出行推荐系统的研究

当今社会,互联网行业蓬勃发展,使得网络上信息过载,于是推荐问题越来越受到重视,出租车出行的推荐也是近几年的研究热点之一。本文分析了出租车出行推荐的背景以及推荐系统的发展,分析了移动推荐系统的复杂性,并将出租车出行推荐抽象成移动序列推荐的问题,给出了相应的解决方案。     

浅谈推荐技术在交互电视领域中的应用(上)

本文主要介绍了推荐技术的定义及组成要素,重点对主流推荐算法进行了分类,对基于关联规则的推荐、基于内容的推荐、协同过滤推荐的算法思想及实现思路进行了分析和比较,总结了常用推荐算法的优势及局限性.最后,结合广播电视双向互动业务节目推荐应用场景,提出了几种主流推荐方法的应用思路及优劣势分析.     

SVDSLIM推荐算法研究

Pure SVD推荐算法通过重构分解矩阵而获得推荐结果,稀疏线性(SLIM)算法侧重于通过挖掘物品之间的线性关系而产生推荐效果。为了提高Top-N推荐质量,文章提出了一种基于Pure SVD、SLIM的混合推荐算法—SVDSLIM算法。该算法会对Pure SVD、SLIM算法的推荐结果赋予不同的权重,然后将处理过的推荐结果作为新的推荐列表。实验结果表明,SVDSLIM算法在各种数据集上推荐质量要优于其他算法。     

基于用户模型的个性化推荐系统影响研究

个性化推荐技术是当前研究热点之一。文章首先对常见推荐技术进行分析,再从基于内容的推荐技术、协同过滤推荐技术以及对推荐结果的解释等三个方面进行分析,然后提出用户模型是个性化推荐技术的基础,最后指出提高用户模型的质量是提高推荐系统的重要途径。     

云计算环境中资源优化推荐技术研究

随着系统规模的不断扩大和数据获取量的指数级增长,在传统推荐系统的冷启动、精确性、扩展性等问题严峻化的同时,实时性问题亦成为面向海量数据推荐系统新的瓶颈点。基于传统推荐领域的主流算法,提出了一个扩展向量推荐模型。根据扩展模型对推荐算法中对象的向量进行合理扩展,通过相似度计算等过程动态选取推荐集,完成对目标对象更精确的推荐。实验结果表明,与传统推荐算法相比,基于新模型的推荐算法可以显著地提升推荐效果,成功克服冷启动问题。     

语义推荐算法研究综述

近年来,语义推荐技术已成为信息服务领域的一个研究热点和重点.与传统的推荐算法相比,语义推荐算法在实时性、鲁棒性和推荐质量等方面具有显著的优势.针对语义推荐算法的国内外研究现状、进展,从四个角度进行归纳和总结,即基于语义的内容推荐算法、基于语义的协同过滤推荐算法、基于语义的混合推荐算法以及基于语义的社会化推荐算法,旨在尽可能全面地对语义推荐算法进行细致的介绍与分析,为相关研究人员提供有价值的学术参考.最后,立足于研究现状的分析与把握,对当前语义推荐算法所面临的挑战与发展趋势进行了展望.     

FP-tree关联规则算法在推荐系统中的应用

近几年,由于电子商务迅猛发展,推荐系统逐渐成为了最热门的竞争手段。目前,推荐系统主要包括三个方面的推荐:热卖产品推荐、新产品上市推荐和相关产品推荐等。文中关注相关产品推荐,也就是利用数据挖掘技术在大量的历史销售记录数据中进行挖掘,找出隐藏在不同的商品之间的相关信息,用动态网页的形式向用户推荐。采用FP-tree关联规则算法实现对客户信息的数据挖掘,并将其应用在推荐系统中。     

群组推荐分析与研究综述

随着大数据时代的到来，推荐系统的应用领域也愈发广泛，组推荐系统的推荐服务对象由单一用户扩展为群组成员，正成为推荐系统领域的研究热点之一。组推荐系统需要考虑所有群体成员的偏好，将各成员的偏好融合，缓解群组成员之间的偏好冲突，使推荐结果尽可能满足所有群组成员。主要对最近的组推荐的研究进展进行综述，分别对群组分类、群组发现、群组预测推荐的前沿进行总结，并概括了群组推荐的影响因素。最后，对组推荐的研究点及其展望分别进行阐述。     

基于最小二乘法的混合推荐模型研究

针对单一推荐模型在电影推荐过程中无法同时利用推荐系统中的隐式信息和显式信息所导致的推荐不准确以及冷启动等问题,提出了一种基于最小二乘法的混合推荐模型。该模型首先通过基于内容的推荐算法和协同过滤推荐算法分别进行单一模型的推荐,然后对单一推荐模型所产生的推荐结果动态地调整权重进行数据拟合,再将所产生的拟合数据进行最小二乘运算,减小整体预测误差,从而得到最终的推荐结果。最后使用MovieLens 100k和MovieLens 1M这两种公开的电影数据集对该模型进行验证并与其他几种模型进行比较。实验结果表明,所提出的基于最小二乘法的混合推荐模型在精确率、召回率和F值等评价指标上都优于目前几种传统的推荐模型,所造成的预测误差相较于目前几种传统推荐模型也更小。     

基于改进加权信息熵的数字图书馆资源个性化推荐方法

针对当前数字图书馆资源现有推荐方法在为用户提供资源推荐服务时,存在资源分类精度低、推荐精度低等问题,为促进推荐服务质量提升,引入改进加权信息熵,开展对数字图书馆资源个性化推荐方法的设计研究。面向数字图书馆资源推荐,完成用户个性化画像构建;对数字图书馆资源进行特征提取;利用改进加权信息熵,对各类资源相似度进行计算;实现数字图书馆资源协同过滤推荐。通过对比实验的方式证明,新的推荐方法在应用中能够有效提高对图书馆资源分类和推荐的精度,一方面实现推荐服务能力水平的提升,另一方面实现图书馆资源的利用价值最大化。     

基于多特征的数字图书推荐算法

数字图书资源随着现代信息技术的高速发展日益丰富多样,从海量的数字图书中为读者提供高质量的推荐服务愈发重要.基于单一维度的推荐算法,在推荐的有效性上略显不足.因此,本文提出一种融合数字图书多项特征的推荐算法,通过权重实验对不同特征赋予不同的权重,并以此为基础建立推荐模型.实验结果表明,融合多特征数字图书推荐方法能有效提高推荐性能,获得了较好的推荐效果.     

一种混合式协作过滤服务推荐算法

随着电子商务的飞速发展,服务推荐系统的重要性越来越得到体现。服务推荐技术作为电子商务的重要应用技术之一,为用户正确的决策提供有力的支持和保证。传统的基于协作过滤的服务推荐算法存在无法进行双向推荐的弊端,同时推荐质量有待提高。针对这些不足,提出了一种基于混合式协作过滤的服务推荐算法,考虑用户和服务之间的相似度,实现了双向推荐。实验结果表明,该算法能有效提高推荐质量。     

推荐系统架构设计研究

推荐系统作为时下流行的系统有着非常广阔的应用场景,当前各大平台都基本穿插着推荐系统的应用,从主流的电商平台到社交平台、视频平台等多个领域,商品推荐、用户和内容推荐、视频推荐等都属于推荐系统的范畴,基于如此大的用户群体,如何保证在用户量不断激增的情况系统的高可用性是推荐系统需要思考的问题。     

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。     

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。     

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.     

面向海量数据的推荐系统的研究

在处理大数据时,传统的推荐系统,如常规协同过滤的推荐性能受到了限制。使用操作简便的K均值聚类算法与协同过滤构成组合推荐算法具有较好的推荐性能,该文使用遗传算法对组合推荐算法进行优化,简化组合推荐算法,降低组合算法的复杂度和成本。同时,通过对遗传算法进行改进,以提高遗传算法的优化能力,提高推荐系统性能。最后,通过MovieLens电影打分数据集对该文研究的推荐算法进行性能测试。结果表明,遗传算法的优化能力得到提升,推荐系统的性能有所提高。     

移动社会网络中基于位置的个性化餐馆推荐建模研究

移动网络中基于位置的服务(Location-Based Service,LBS)是用于移动设备的典型服务。文章总结了LBS推荐系统的主要特点及其应用,融合情景信息提出分阶段的LBS推荐系统模型。在冷启动阶段,根据用户历史数据基于规则推荐,预测新用户兴趣。当获得大量的历史用户反馈和交互数据,采用基于用户和情景的协同过滤推荐算法来提高推荐系统的精度,并修改规则库。实验表明该推荐模型能提高推荐精度并实时推荐。