基于Hadoop的推荐算法研究

本文通过对云计算和推荐系统的研究,构建了一种基于Hadoop平台的混合推荐算法。文中介绍了改进的混合推进算法,并结合Hadoop平台的Map Reduce编程模型来实现。通过实验验证,该算法能精确的预测用户的偏好,向用户推荐感兴趣的信息。其次,Hadoop能满足对大量数据处理的要求,结合改进的混合推荐算法,能够大大提高推荐系统的性能。     

物联网中的推荐算法研究

本文在全面研究各类推荐算法的基础上,提出了基于物联网的推荐算法。该算法结合了基于内容的推荐和协同过滤推荐,综合考虑了物联网中设备的资源与资源相似性、设备与设备的评分矩阵,并基于用户与用户之间的相似性预测评分,给出推荐结果。     

算法推荐与平台责任的立法完善研究

人工智能时代下,在以算法推荐为工具的平台经济发展如火如荼的同时,也为网络安全带来了新的挑战与风险。基于现实背景,算法推荐带来了侵犯用户隐私权、价格歧视与推荐机制异化等问题。纵观现有立法,宏观上存在相关立法较为分散、微观上存在避风港原则具有滞后性、算法黑箱这一固有障碍使得规制困难的问题。对此,应当整合完善单独立法、更新避风港原则、并以算法解释和披露制度破除算法黑箱,三位一体地完善算法推荐相关立法,将算法纳入法制轨道,维护网络安全。     

融合的协同过滤推荐算法

协同过滤算法作为一种成功的个性化推荐技术已经被应用到很多领域中,但随着系统规模的扩大,它的效率逐渐降低。针对它出现的缺点,提出一种新的基于内容和网络结构图的混合算法,实验数据证明该算法可以解决传统推荐算法中存在的一些缺陷。     

基于数据挖掘技术的区块链数据推荐算法

随着区块链技术在金融领域的应用越来越广泛,产生的交易数据和区块信息也越来越多,如何有效地管理和利用这些数据成为一个重要的问题。此次研究提出了一种基于数据挖掘技术的区块链数据推荐算法,旨在提高区块链数据推荐的精准度和效率,帮助金融监管机构更好地实现监管目标。研究将基于LightGBM算法的区块链数据推荐算法与其类似算法进行性能测试,实验结果表明,LightGBM算法的PR曲线值最大,为0.956;LightGBM算法的AUC值最高,为0.958;LightGBM算法的KS值曲线值最大,为0.718 5;LightGBM算法的准确率值最高,为0.925。由此表明,此次研究算法可以提高区块链数据推荐的精准度和效率,为金融监管机构实现监管目标提供强有力的支持     

基于有向图分割的推荐算法

利用资源分配的原理提出一个基于有向图分割的推荐算法.通过二部图网络结构与资源分配方法的结合,建立了物品间关系的有向图,再利用非对称非负矩阵分解(Asymmetric Nonnegative Matrix Factorization, ANMF)分割此有向图,并将物品根据分割结果得出的物品间关联关系进行分类,并以此设置物品间的关联权重,最终实现对用户的Top-N物品推荐方案.实验结果表明,提出的算法提高了推荐准确率,并且能在一定程度上提高推荐多样性,降低推荐物品的流行性.     

基于Hadoop的电子商务个性化推荐算法——以电影推荐为例

以电影为推荐对象,选择了基于内容的推荐算法和基于协同过滤的推荐算法相结合的混合推荐算法,并在Hadoop平台下进行MapReduce并行化;通过线性组合的方式将两种推荐算法计算得到的电影相关性系数进行组合,实现本文系统的计算电影相关性的混合推荐算法,得到最终的电影相关性矩阵,构建电影关系网;最后对本文的提出的新型混合推荐算法工作模式进行了测试分析,证明改进方案具有良好的推荐精度。     

图书馆座位推荐算法研究

为紧跟时代步伐,越来越多的人选择在空闲时间到图书馆学习。为有效利用图书馆的座位资源,提高座位预约过程中的就座效率,文章针对某高校图书馆不同资源场景下的空闲座位与不同用户的需求匹配问题,采用混合推荐算法实现图书馆座位推荐。此算法将基于用户的协同过滤算法与基于内容的推荐算法相结合,通过基于内容的推荐算法得到座位相似度,从而克服了协同过滤算法在面对冷启动情况时的不足,提高了座位推荐的精确性。     

自动化厂商产品精选推荐

凌华科技（中国）有限公司 产品名称：模拟视觉系统EOS－2000 产品简介：EOS－2000延续凌华小型视觉系统EOS的特点．包含兼具体积轻巧以及强固的稳定特性,高度8．5厘米,长度20厘米,     

自动化厂商产品精选推荐

西门子（中国）有限公司产品名称：Smart Line精彩系列操作屏产品简介：该操作屏提供7英寸和10英寸两种选择。作为全新的人机界面产品，精彩系列操作屏采用了全新的技术和系统设计，并具备以下特点：800×480dpi高分辨率彩色宽屏显示，LED背光；可与市场主流小型PLC建立稳定可靠的通讯连接；     

融合知识图谱与注意力机制的推荐算法

为了解决信息过载问题,提出了一种融合知识图谱与注意力机制的推荐模型.在该模型中,将知识图谱作为辅助信息进行嵌入,可以缓解传统推荐算法数据稀疏和冷启动问题,并且给推荐结果带来可解释性.为了提升推荐准确率以及捕捉用户兴趣的动态变化,再结合深度学习中的神经网络以及注意力机制生成用户自适应表示,加上动态因子来更好地捕捉用户动态...     

个性化推荐算法综述

在现有文献统计下个性化推荐算法可以分为如下三类~([1,2]):基于内容的推荐(Content-based Recommendation)~([3,4])、基于协同过滤的推荐(Collaborative Filtering based Recommendation)~([5-7]),以及混合型推荐系统(Hybrid Recommendation)~([8-10])。其中,基于协同过滤的推荐因其对专家知识依赖度低以及可以利用群体智慧等特点,得到了最为深入也最为广泛的研究,它又可以被分为多个子类别,主要包括基于用户的协同过滤(User-based CF)~([11]),基于物品的协同过滤(Item-based CF)~([12]),以及基于模型的协同过滤(Model-based CF)~([6]),等。其中基于模型的推荐是一类方法的统称,它指利用系统已有的数据和用户历史行为,学习和构建一个模型,进而利用该模型进行用户偏好建模、预测与个性化推荐,根据具体应用场景和可用数据的不同,这里的模型可以是常用的奇异值分解等矩阵分解模型~([13]),也可以是主题模型、人工神经网络、概率图模型、组合优化甚至深度学习等机器学习模型~([1])。在下面的部分,我们将在如上几个方面对个性化推荐系统的研究现状进行具体的介绍。     

基于注意力机制与改进TF-IDF的推荐算法

针对传统推荐系统主要依赖用户对物品的评分数据而无法学习到用户和项目的深层次特征的问题,提出基于注意力机制与改进TF-IDF的推荐算法(AMITI).通过将双层注意力机制引入并行的神经网络推荐模型,提高模型对重要特征的挖掘能力.基于用户评分及项目类别改进TF-IDF,依据项目类别权重将推荐结果分类以构建不同类型的项目组并...     

基于特征值的律师推荐算法及改进方案

随着国家法制化进程的发展,选择合适的律师对公民依法维权变得愈发重要,然而传统律师行业缺乏一套客观公正的评价机制,对律师能力的评判主要来自法律专业人士的评价,致使用户只能凭借一部分的运气成分粗放式的选择律师。本文在传统的律师推荐算法的基础上提出改进方案,在律师评价的特征值中引入难度系数这一参数,为正在完善的北京市司法局律师管理系统加入律师推荐功能,旨在为用户选择律师提供更为客观的参考与帮助。     

认同度修正下的近相邻改进推荐算法研究

如何融合多方因素准确地为用户提供个性化产品一直是关注的热点问题,由此,一个新的近相邻改进算法融入了大众化认同度和个性化认同度,利于更加高效地挖掘隐藏信息.实验结果表明,相对于传统近相邻算法,认同度修正算法虽然查全率小幅度上下波动,但其他多个评价指标都得到极大提升,假正率和深度有所减少,查准率、F1值和提升度得以增加,并...