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。     

Hadoop环境下协同过滤算法改进与实现

协同过滤算法被成功的应用于个性化推荐系统中。但是传统的协同过滤算法没有考虑用户兴趣会根据时间的推移发生兴趣偏移问题,导致推荐系统的推荐质量下降,而且随着数据量的不断增大,传统的基于单机模式的推荐计算模式已经无法适应大数据。针对该问题,提出了在Hadoop分布式环境下基于时间加权的协同过滤算法设计和实现,实验表明,改进的算法可以在Hadoop分布式环境下对海量数据进行计算生成推荐结果,而且提高了推荐系统的推荐质量。     

基于协同过滤算法的电影个性化推荐系统设计与实现

当前,随着我国经济发展速度的不断加快,以及人们生活水平的显著提升,使得人们的个性化需求增多.同时,由于计算机技术与网络技术的发展,也致使众多娱乐与服务形式融入到网络之中,从而形成全新的网络化模式.而利用协同过滤算法所制定的电影个性化推荐系统,即是网络技术与计算机技术在电影服务中的成功应用.对此,本文简要阐述了个性化推荐的概念,并阐述出协同过滤算法的含义,进而,通过协同过滤算法,达成电影个性化推荐系统设计与实现的目标,并进行了运行试验,旨在为通过计算机技术与网络技术能够为人们提供更多的便利与服务,做出自己应有的贡献.     

基于兴趣度的协同过滤商品推荐系统模型

本文结合了关联规则中的兴趣度和协同过滤技术来对客户的个人兴趣进行评价，提出了客户兴趣度的商品推荐参考模型，并将此模型应用于电子商务网站的商品推荐，从而更好地吸引客户的注意力，满足客户的喜好，使客户感受到完全个性化的购物体验。     

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。     

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。     

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。     

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。     

基于信任机制的电子商务个性化推荐技术研究

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。     

电子商务中基于客户偏好和情感评估的个性化推荐算法

在电子商务时代,在线客户评论已经成为一个普遍的和有价值的顾客和商人做商业决策的信息来源.基于情感评估发现潜在客户的偏好,提出了一种改进的协同过滤算法,并预测顾客对企业服务或产品未来的需求(统称为实体).具体而言,该方法包括3个主要步骤:层面情感评估、客户偏好挖掘和个性化推荐.首先,情感方面水平评估变换光学字符识别的结构化审查方面水平向量.第二,客户偏好挖掘使用向量从情感中提取层面特征词,并将极性分值分配给每个情感.最后,利用特征词和情感极性评分计算顾客偏好和顾客相似性.根据客户相似性生成服务和产品的个性化推荐.实验结果表明,该方法优于传统的协同过滤方法.     

一种基于RFM模型的新型协同过滤个性化推荐算法

摘要：为了提高个性化推荐效果及预测准确度,特别是针对传统算法中评分矩阵过于稀疏等问题提出一种新颖的协同过滤算法。该算法首先利用RFM模型合理地筛选用户信息,其次通过黏性客户的消费记录稠密化用户—项目评分矩阵,并改进了传统相似度计算公式。通过仿真实验证实了算法的准确性,最后将其应用于一套具有个性化商品推荐功能的系统原型中,证明了该推荐算法的有效性及实用性。     

基于领域本体的个性化推荐在健康系统中的研究

协同过滤技术(Collaborative Filtering)成功应用于个性化推荐系统中,为了用户能更准确地获取信息,提出了利用领域知识进行相似度计算的协同过滤算法,利用用户兴趣与领域本体中概念的映射关系,构建用户兴趣本体,发掘用户兴趣模式,通过融合评分项目相似度和用户相似度的计算,使用户在评分的共同项目很少或为零的情况下也能找到最近邻进行协同推荐.将这一方法应用到某健康系统中进行实验分析,该方法不仅解决了传统的基于项目的协同过滤带来的问题,而且还提高了推荐系统的推荐质量.     

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。     

G2B公共服务平台个性化服务推荐研究

我国政府管理模式正在从传统的行政管理模式向公共服务模式转变,电子政务个性化推荐是提升政府公共服务水平的有效手段。在国内外电子政务个性化推荐研究基础上,综合采用Apriori、FCC和协同过滤等多种推荐算法,通过用户数据挖掘,用户聚类,个性化推荐三个过程,有效缓解了数据矩阵的高维性和数据极端稀疏性,提高推荐精度,以"××中小企业网"为例,验证了该个性化推荐算法的实用性和有效性。     

校园移动互联网业务个性化推荐算法研究

随着移动互联网技术的普及和移动互联业务的爆炸性增长,互联网业务个性化推荐技术日益受到重视,其中协同过滤算法是应用最为广泛的推荐算法之一,但是在校园移动互联网应用中,传统的协同过滤算法难以准确定位目标用户的最近邻,因此其推荐效果并不理想。本文将业务影响权重参数引入协同过滤算法中以便更加精确计算校园用户间的相似度,同时采用层次分析法（APH）确定权重数值,最后采用实际收集的数据进行算法仿真实验,结果表明该算法较传统协同过滤算法具有较好的推荐精度。     

基于个性化特征的协同过滤推荐算法

针对相似度特征点推荐方法对用户个性化需求匹配度不高的问题,提出基于个性化特征的协同过滤推荐算法。以社会网络为结构模型构建用户信息的评分模型和项目属性模型,采用信任度条件概率分析方法构建可靠性推荐模型,进行个性化特征分析和提取,实现个性化特征需求与项目兴趣点的合理匹配,实现协同过滤推荐,最后通过仿真实验进行测试分析。结果表明,采用该方法进行社会网络项目协同过滤推荐的用户评分高,平均绝对误差和均方根误差小,提升了推荐质量。     

一种基于隐语义模型的协同过滤算法

传统的协同过滤算法忽略了用户对项目的兴趣度这一重要特征,对此提出了一种新的概率生成模型.综合考虑了用户对项目的兴趣度和用户对项目的评分模式两种因素,并在此基础上设计了一种度量指标进行推荐,实验证明与传统的协同过滤算法相比,该方法能够获得更好的推荐效果.     

Spark平台下教育资源个性化推荐研究

在面对海量教育数据处理情况时,传统的协同过滤算法在单机上训练和测试效率低下,针对该问题,提出了基于Hadoop分布式平台和Spark并行计算模型的无中间结果输出改进型教育资源推荐策略,该策略较好地发挥了Spark的迭代计算能力优势,在应用于教育资源推荐时,比较了传统算法与改进算法在分布式情况和非分布式情况下的推荐效率和推荐质量的情况.实验结果表明,利用Spark计算模型实现协同过滤算法能够有效地提高教育资源个性化推荐的推荐质量以及推荐效率.     

基于隐语义模型改进的协同过滤推荐算法

为解决传统的协同过滤算法相似度计算不精确而导致的推荐召回率低的问题。通过LFM隐语义模型与协同过滤结合的方法研究了用户不相似度与用户平均兴趣程度对推荐召回率的影响,并且提出依据个人选择能力的个性化推荐策略。结果表明:该算法能够有效优化用户间的相似度,提高推荐结果的召回率。     

基于用户的协同过滤推荐算法研究及应用

随着互联网技术飞速发展,信息过载问题日益严重,对个性化推荐系统的研究已成必然趋势。为了提高传统协同过滤算法的准确性,本文提出基于人口统计与惩罚函数的协同过滤算法,先引入惩罚函数缓解传统推荐算法的数据稀疏性问题,再引入人口统计信息来进一步减少数据稀疏性问题对预测结果带来的影响,从而提高预测的准确性。实验验证表明,提出的改进算法能有效提高协同过滤算法预测的准确率。