基于兴趣度与类型因子的高校图书推荐算法

针对高校图书馆读者评分系统缺失和读者之间借阅重合率低而导致兴趣度矩阵稀疏的问题,提出了一种基于兴趣度模型与类型因子的高校图书推荐算法。该算法建立了一种读者兴趣度模型用来模拟读者对图书的偏好程度,并使用类型因子作为图书相似性的权重填补兴趣度矩阵中缺失的兴趣度值,最终通过基于用户的协同过滤算法得到目标读者的Top-N推荐列表。实验表明:改进的兴趣度模型比未改进的兴趣度模型算法的推荐效果更好,而且使用类型因子权重比图书名称分词权重的推荐效果也更好。该算法为高校智慧图书馆的建立提供了理论基础。     

"好书推荐"在高职院校阅读推广中的成效及启示 ——以昆明冶金高等专科学校图书馆为例

"好书推荐"是图书馆向读者推荐优质图书,引导读者借阅优质图书,提高优质图书的借阅率的阅读推广方式之一。昆明冶金高等专科学校图书馆从高职院校学生的特点出发,结合学校的办学特点,依托微信、校园网和学校办公平台等技术平台,开展了对馆藏图书进行阅读推广的"每周好书推荐"活动。自推出以来,受到了全校师生读者的关注与支持,所推书目借阅量也得到了提升,部分图书在实际教学中得到了运用。通过统计推荐书目的借阅量和关注量,分析读者的借阅倾向,探讨在高职院校中,如何促进书目推荐活动在阅读推广中的成效,以达到为读者找好书,为好书找读者的目的。     

基于混合聚类的个性化推荐算法

针对传统协同过滤算法存在的数据稀疏性问题,提出了一种基于聚类技术的推荐算法。该算法将SOM与K-means技术相结合对图书资源进行聚类,缩小了需要预测的图书资源数目和最近邻居的搜索范围,达到了为读者提供符合其偏好特征的图书资源的目的。实验结果表明,改进后的算法较好地解决了数据稀疏性问题,提高了推荐系统的推荐质量。     

高校图书馆借阅数据的关联规则挖掘研究

为了向读者提供图书推荐的个性化服务,阐述了使用数据挖掘技术为高校图书馆的业务管理工作提供决策参考的设计思想及实现过程,并完成了图书馆关联规划挖掘系统的设计与实现。本文采用一种改进的Apriori算法对图书馆学生的借阅历史数据进行挖掘分析,得到了很多关联规则,以从中发现读者对资源的借阅模式,为图书馆信息服务、信息资源采集提供了科学决策的有效方法。     

基于挖掘读者隐性偏好的数字图书推荐算法

数字图书资源随着现代信息技术的高速发展日益丰富多样,挖掘读者的隐性图书偏好,从海量的数字图书资源中为读者提供高质量的推荐服务愈发重要。结合实际需要,提出一种基于关联语义链的数字图书推荐算法,构造关联语义链并计算权值,将其与协同过滤算法相结合,进而进行数字图书推荐。实验表明,本文所提出的数字图书推荐算法,能有效提升推荐效果。     

基于朴素贝叶斯与协同过滤的分布式推荐模型研究

针对传统矩阵分解算法在处理海量数据时所面临的性能瓶颈以及大量数据的关键特征缺失问题,本文基于并行化矩阵分解算法对推荐系统效率进行提升,使用朴素贝叶斯分类算法提高推荐的准确率.首先基于TF-IDF算法构建图书评论的情感词典;然后结合朴素贝叶斯算法完善缺失关键特征的数据;最后使用并行化后的协同过滤推荐算法得到推荐结果.本文采用豆瓣读书网站上的真实图书评论数据进行实验验证,实验结果表明,分布式环境下的协同过滤推荐算法与朴素贝叶斯算法能够高效结合,显著提高推荐效率,准确度也有所提升.     

公共图书馆书目推荐工作现状及对策研究

全民阅读活动广泛开展以来,读者对书目推荐的需求更加强烈.当前,基层公共图书馆在书目推荐上存在一定的形式化倾向,读者参与度不足、宣传实效性欠缺、人才专业性不够.因此,应提升读者推荐力度、深层揭示图书信息、改良传统推荐手段、整体策划激励引导、打造个性专业化定制书目等多种方式多管齐下,不断提升书目推荐的针对性和有效性.     

基于距离衰减和评分趋势改进的协同推荐算法

针对传统推荐算法忽略了用户到商品的距离因素以及评价标准不一致对推荐系统带来的影响等问题,提出一种基于距离衰减和评分趋势改进的协同推荐算法,引入距离衰减和评分趋势算法对协同推荐进行改进。实验结果表明该推荐方法不仅能够提高商品推荐准确度,同时也减少了推荐系统计算规模并提升算法效率。     

做好图书外借工作,为读者提供有效服务

为读者提供及时,有效的服务，必须做好图书外借工作，提高馆藏利用率。结合实际，提出了提高人员素质、改进图书外借服务方式，开展优质服务等措施。     

地方高校图书馆图书开架借阅中的拒借分析

结合开架借阅的实践，阐述了图书拒借定义，分析了图书拒借的现象。针对图书拒借问题的实质，提出重在纠正图书借阅中管理偏位的理念。强调重树责任理念、深化借阅管理、强化业务协调、常抓读者教育等改进措施。     

关联集合在协同过滤推荐算法中的应用研究

为了提高电子商务推荐系统的精度,提出了基于关联集合的协同过滤推荐算法,该算法通过频繁项集生成算法生成一系列频繁项集,然后通过合并处理过滤掉与用户关联很小的一些噪音项目,从而使协同过滤算法更加有效。该算法在推荐精度上比传统的方法优越。     

基于深度学习的融合多源异构数据的推荐模型

为了充分利用多源异构数据所提供的信息提高推荐准确度,提出一个基于深度学习的混合推荐模型.该模型融合评分、评论和社交网络数据进行推荐,采用深度学习方法对文本和评分进行特征学习,然后使用社交网络对采样进行约束,从而得到更准确的用户和物品的特征表示.实验结果表明,该方法具有较高的准确度.     

推荐系统中分布式混合协同过滤方法

传统协同过滤方法面临数据稀疏问题,稀疏的用户-项目关联数据将产生不准确的相似用户或项目,为了改善推荐质量,提出一种基于Map Reduce的混合协同过滤方法.该方法利用用户特征和用户-项目评分数据构造项目偏好向量,然后使用模糊K-Means算法对项目进行聚类,并从每个项目簇中选择相似项目,最后组合所有项目簇的预测结果作出推荐.实验结果显示,该方法能缓解数据稀疏问题,改善推荐精度.     

基于Web挖掘的电子商务推荐系统研究

Web挖掘作为数据挖掘在Web上的一种应用形式,是电子商务推荐系统的核心。根据Web挖掘理论,文章构建了包含离线部分和在线部分的电子商务推荐系统的体系结构模型。重点分析了基于关联无规则的推荐算法和基于协同过滤的推荐算法。     

基于用户分层的多目标推荐算法

经典的推荐系统着重于推荐的准确性,随着用户多样化需求的增加,推荐结果的多样性受到越来越多的关注。推荐的精度与多样性存在冲突,传统的推荐算法往往忽略系统中的用户活跃度差异。本文提出一种基于物品评价次数的用户分层多目标推荐算法,将用户分为评价次数高、中、低三种层次,对应三种不同的算法初始化方式,为不同用户提供更合适的推荐结果。对已有基于概率的多目标进化算法的初始化方式和参数进行对比分析,获得更优的算法交叉和变异方式。实验结果验证了改进后的多目标进化算法在推荐精度和多样性方面都有更优的结果。总结出的基于用户分层的推荐方案有助于提高对不同用户的推荐效果。     

一种改进的基于梯度提升回归算法的 O2O 电子商务推荐模型

位置属性对于线下消费的用户具有重要影响。为了有效提高个性化推荐精度,在对O2O电子商务特点进行用户特征分析的基础上,在推荐算法中引入当前时间参数和位置参数,提出了一种改进的基于梯度提升回归算法的O2O电子商务推荐模型。实验结果表明,改进的基于梯度提升回归算法的O2O电子商务推荐模型在实时性和准确性方面明显优于传统的推荐算法。     

基于点击图特征的稀疏广告点击率预测方法

为更全面地反映用户个人偏好,提高推荐的准确度,提出了一种融合多源异构数据的混合推荐模型.综合考虑了用户社交关系和用户评论对用户评分的影响,从评论中提取主题信息作为用户和商家的特征,采用社区发现算法为用户划分社区,利用机器学习方法为社区建立模型,预测用户对商家的评分,再根据评分对商家进行排序,取前N个商家推荐给用户.实验结果表明,提出的混合推荐模型与经典推荐算法相比,可提高评分预测的准确度,从而提高推荐的准确度.     

融合信任传播和矩阵分解的协同推荐算法

针对现有基于模型的协同推荐算法推荐精度不高和覆盖面较小的问题,引入社会网络中的信任信息对基于矩阵分解的推荐模型进行扩展,提出一种融合信任传播和矩阵分解的协同推荐算法。首先,基于社会网络中的直接信任关系,提出一种信任传播规则,实现社会网络中信任关系的传递;然后,利用矩阵分解技术降维处理大规模数据集的优势,提出一种融合信任传播机制和矩阵分解模型的协同推荐算法。在Epinions数据集上的实验结果表明,本文提出的推荐算法不仅提高了推荐的精度,而且增加了推荐的覆盖面。     

基于隐语义模型的推荐算法研究

针对传统推荐算法用户兴趣值低、准确性差的问题,提出基于隐语义模型的推荐算法研究。首先对隐语义模型数据特征值进行采集,获取用户的个性化喜好信息,并针对采集到的特征数据及搜索关键词,进行不同信息之间的关联性数值的判断和分类处理。在此基础上,根据判断和分类处理结果对不同层次的信息进行推荐排序处理,优化模型信息推荐步骤,实现隐语义模型信息推荐。实验研究结果表明,基于隐语义模型的推荐算法的用户兴趣值高于其他传统推荐算法,且信息推荐的准确性较高。     

基于用户关系挖掘的多策略推荐算法

个性化推荐服务为解决网络信息过载问题提供了有效手段。传统的推荐方法大多只关注于如何提高推荐的准确性,而忽略了推荐多样性对用户体验的影响。文章将社会网络用户关系挖掘应用于用户偏好预测及推荐中,提出了一种基于用户关系挖掘的多策略推荐算法。采用信任传播模型挖掘用户间的信任度,计算用户偏好配置文件的余弦相似性获得用户间的相似度,并给出4种将用户信任度、相似度结合的策略,在定义用户偏好预测函数的基础上采用Topn原则为用户给出推荐结果。实验结果表明,文章方法不仅减少了数据稀疏性的影响,而且兼顾了推荐准确性与多样性指标,提高了推荐系统的整体性能。