个性化高校新闻分类推荐的应用研究

随着信息化和数字化时代的到来,大数据广泛渗入到各个领域。信息过载使得用户无法快速、准确地获取个人最关注的内容,这严重影响了浏览页面时的用户体验。为了能精准地进行分类推荐,对新闻分类和推荐方法进行细致的研究,进而提出一种能够进行精准分类,准确获取信息的推荐方法。利用爬虫技术获取真实的高校新闻数据;采用基于肘部法则改进的K-means算法进行聚类分析;结合用户注册时选定的兴趣标签,利用基于内容与协同过滤组合的推荐策略,针对不同用户的需求进行个性化推荐;以列表等形式将个性化的推荐结果展示给用户。根据高校的真实数据进行实验,结果表明,该算法能够有效地对高校师生的个性化服务需求进行处理,提高获取新闻时的高效性、准确性和智能性。     

基于CRF景点推荐模型研究

针对游客旅游景点选择难以及旅游发展趋势,文中提出一种基于CRF模型的旅游景点推荐算法模型。利用网络爬虫获取景点评论数据集,并采用CRF算法从中提取评价观点,对评论观点进行有效性过滤,将过滤后的观点构建观点集,计算各观点的余弦相关性,将相关性高的观点进行合并。实验结果表明,基于CRF景点推荐算法较其它常见方法在准确率、召回率方面有明显提高,且PR及ROC曲线效果良好。部分景点评论的稀疏性会导致这些景点评论分析结果的偏差。该方法对游客选择旅游目标具有很好的决策作用。     

基于云计算和IRS的在线课程推荐算法研究

为了提高MOOC在线课程的推荐效果和推荐效率,结合学习用户的偏好和IRS课程评价方法,提出一种基于云计算和IRS的在线课程推荐算法。将学习交互度I、评价率R和评分S和用户偏好结合,提出一种更加适合学习者用户的个性化推荐算法。研究结果表明,文中IRS推荐算法具有更高的命中率和评分差,其推荐的课程令学习者更加满意,更加适合学习者的个性化需求,可以提高推荐效率和运行速度,为在线课程推荐提供新的方法和途径。