共查询到20条相似文献,搜索用时 31 毫秒
1.
协同过滤推荐算法是目前在推荐系统中应用最成功和广泛的技术之一。本文详细介绍了协同过滤推荐算法的分类和度量指标。同时,分析了协同过滤推荐算法中的问题以及相应的解决办法。最后阐述了协同过滤推荐系统中仍需解决的问题和未来可能的发展方向。 相似文献
2.
3.
论述了在实时协同编辑系统中,协作站点的可靠性和协同会话管理的容错问题。给出一个会话管理器的查询算法,解决了协作站点或网络故障或长时间无操作生成等带来的系统可靠性与安全性问题。给出一个分布式备份模型解决了会话管理器的容错问题。并通过实验对相关算法的有效性进行了验证,为实时协同编辑系统的设计与实现提供了支持。 相似文献
4.
5.
多粒子群协同进化算法是一种群智能算法,具有智能性、通用性、并行性和全局搜索能力,能够很好地解决全局寻优问题,但其保持粒子多样性的机制和协同进化的机制有待做进一步的改进.为了进一步提高多粒子群协同进化算法的寻优效率,提出了一种结合极值优化的多粒子群协同进化算法,它将多粒子群协同进化算法的全局搜索能力与极值优化算法的局部搜索能力进行了结合.最后通过实验验证了该算法的有效性. 相似文献
6.
7.
针对传统推荐算法中存在数据稀疏和精确度不高的问题,提出一种融合时间因素的隐语义模型推荐算法,在隐语义模型中引入时间偏置项体现时间推移对用户兴趣偏好的影响,解决数据稀疏问题的同时降低时间推移造成的误差,结合基于邻域的协同过滤模型求出目标用户推荐列表。采用Movielens1M数据集验证算法的有效性,实验证明该算法与基于用户的协同过滤算法以及基于隐语义模型的推荐算法,能有效解决数据稀疏问题,在准确率、召回率和综合F值上分别比基于用户的协同过滤算法提高1.66%、2.12%、2.04%,比基于隐语义模型的推荐算法分别提高1.38%、1.48%、1.49%,能够进一步提高推荐系统的准确性及推荐质量。 相似文献
8.
9.
针对DDE-MRR算法存在的过早成熟和收敛过慢等缺陷,提出了一种新的DDE算法,用于电子对抗中协同干扰资源分配问题的求解。该算法首先依据协同干扰资源分配问题中存在的D/N不对等现象,重构了种群样本,然后基于DE/best/1策略对种群样本进行变异操作,最后通过贪婪机制实现样本更新。设计了3组仿真实验,对改进算法的收敛性和数值结果进行了验证分析,结果表明:改进算法收敛速度更快、计算结果更优,能够较好地解决电子对抗中的协同干扰资源分配问题,具备一定的实用价值。 相似文献
10.
11.
12.
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。 相似文献
13.
14.
在实际应用中航迹规划着重考虑的是规划出的航迹应具有良好的可靠性能,针对多UAV协同航迹规划有多个约束条件且环境复杂、规划耗时长等问题,使用智能算法解决多UAV协同航迹规划问题无法确保规划航迹的可靠性能。因此,提出了一种启发式SAS算法,用以解决此问题。仿真结果证明,使用该算法规划出的航迹具有较高的可靠性。 相似文献
15.
16.
17.
高校图书馆图书个性化推荐没有得到很好的推广和实施,一个重要原因是用户对图书的评价不足。因此,提出了一种基于兴趣的高校图书推荐算法。该算法较好地解决了协同过滤算法无法使用和评分不足的问题。同时,将流行与反向流行的特征结合,使其更接近读者的行为。实验表明,该算法优于传统的协同过滤推荐算法,能够满足实际需求。 相似文献
18.
动态环境下的多UCAV协同任务分配研究 总被引:1,自引:0,他引:1
战场环境的动态性和不确定性以及协同控制的复杂性,使得预先制定的无人作战飞机任务分配方案不能满足动态战场环境中的实时性要求。考虑到无人作战飞机的差异、目标的差异及战场态势对目标分配的影响,建立了多无人作战飞机协同目标分配问题的数学模型。针对多无人作战飞机协同控制中的动态任务分配问题,提出一种改进的混合重分配策略,从任务层次上解决了多无人作战飞机的动态任务分配问题,在此基础上提出了混合细菌觅食算法,并用该算法在动态环境中为无人作战飞机进行合理的任务分配,通过仿真实验和分析表明混合重分配策略和混合细菌觅食算法的有效性。 相似文献
19.
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