共查询到10条相似文献,搜索用时 296 毫秒
1.
推荐系统帮助用户过滤无用信息并预测其可能感兴趣的产品。在推荐系统中,协同过滤是应用最为广泛的方法之一。然而,传统的协同过滤方法是在产品维度上计算用户相似度,而且在计算相似度时无法考虑邻居用户的影响。因此,该类方法往往受到高维度、数据稀疏等问题的困扰。为此,本文提出一种基于用户兴趣传播的协同过滤方法,在兴趣维度上计算用户相似度,同时考虑了兴趣在不同用户间的传播。该方法不仅可以有效防止冷启动和数据稀疏问题,而且具有较高的预测准确度。在标准数据集MovieLens上的测试结果表明了本文算法的有效性。 相似文献
2.
3.
4.
针对大数据量下的英语资源库信息推荐模型中数据稀疏性较大的问题,提出一种基于协同过滤算法的英语资源库信息推荐模型。对历史监测的数据进行深度挖掘,将原始数据通过整合完善转化为资源数据集。通过协同过滤算法和资源反馈矩阵的表述实现资源选取,根据任意用户对项目集中同一数据资源的反馈评分计算得出每个项目间的相似阈值,以此为基础拟合项目整体相似阈值,根据阈值数挑选与用户最为匹配的项目资源,完成推荐。仿真实验证明,该模型算法的推荐精准度和效率较高,有效解决了数据稀疏性较大的问题。 相似文献
5.
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
6.
传统的协同过滤推荐算法直接根据用户对物品的评分进行推荐,忽略了评论文本中隐含的重要信息,当用户对物品的评论较少时,由于数据的稀疏性会造成推荐效果的不准确和单一。本文提出了一种基于LDA主题模型的协同过滤推荐算法LDA-CF(Latent Dirichlet Allocation model-LDA-Collaborative Filtering),在传统的协同过滤算法基础上,通过LDA模型对评论文本中的主题进行分类,从各个主题层面挖掘用户的情感偏好,计算用户之间的相似度,进而向目标用户推荐商品。对京东平台牙膏的评论数据集的实验结果表明,该算法不仅可以缓解由于评分数据较少造成的稀疏性问题,推荐的精确度也有所提高。 相似文献
7.
8.
针对协同过滤推荐中存在的数据稀疏性问题,文中提出了一种基于项目特征属性和BP神经网络相结合的协同过滤推荐算法,并通过Movielens数据集验证了该模型的有效性。此方法首先将用户评分数据映射为用户对项目特征属性的偏好,然后使用BP神经网络训练得到目标用户的特征属性偏好模型并对新项目的评分进行预测,从而降低用户项目评分矩阵的数据稀疏性,最后使用协同过滤推荐算法,形成最近邻并生成推荐建议。 相似文献
9.
10.
在推荐系统的应用领域中,协同过滤算法是目前使用最为成功的技术之一.然而,随着数据量的不断增加,协同过滤技术面临着众多挑战,主要包括数据矩阵的稀疏性、冷启动以及系统扩展性等问题.针对数据矩阵稀疏性问题,提出了结合SVD矩阵分解技术与协同过滤结合的推荐算法,该算法相对于传统的协同过滤算法有着较高的推荐精度,能够产生高质量的推荐结果. 相似文献