共查询到10条相似文献，搜索用时 31 毫秒
1.
2.
郑辉 《常熟理工学院学报》2021,35(5):75-80
为了提高个性化推荐的准确度,提出一种基于全局相似度的在线资源个性化推荐算法.首先分别基于用户和在线资源对其各自相似性进行计算,运用K-means聚类方法根据对用户偏好和在线资源属性及评分的相似性计算结果对其进行划簇,实现用户与在线资源聚类划分,以此实现精准的个性化在线资源推送.实验结果显示,本文方法推荐的最小平均绝对误差为0.77,查准率随着数据覆盖率的增加可达到60％以上,推荐耗时基本稳定在20 s以内.在推荐准确度、查全率以及效率方面均有良好表现. 相似文献
3.
4.
传统基于物品的协同过滤算法（ItemCF）利用物品间的相似性为用户提供个性化推荐,然而该方法仅考虑了评分数据,而未关注用户情感偏好。基于从评论中的emoji表情提炼出的用户情感偏好,提出一种引入用户情感编号矩阵的ItemCF算法。该方法利用物品共现矩阵与用户情感偏好矩阵计算物品相似度,进而进行个性化推荐。根据某在线互联网教育实证数据集的实验结果表明,该方法相比于传统基于物品的协同过滤算法,在准确率和召回率上都有所提升,在Top1-5推荐均值上分别提高了0.02和0.03。 相似文献
5.
针对服装推荐方法推荐精度不高、覆盖率低,不能充分挖掘用户潜在兴趣的问题,提出一种基于用户图像内容属性偏好与时间因子的服装推荐（UIACF）算法。通过构建深度卷积神经网络,提取服装图像中的服装属性,并据此形成用户属性向量,将基于用户属性偏好的相似度与基于时间因子的用户兴趣偏好相似度融合,构建用户偏好模型。将其与基于用户的协同过滤（UCF）算法、基于项目的协同过滤（ICF）算法及基于项目偏好的协同过滤（UCSVD）算法进行比较,结果显示,UIACF 算法准确率提高 14%。该算法为基于用户的服装协同过滤个性化推荐提供了一种新思路,用户潜在兴趣挖掘效率更高。 相似文献
6.
随着互联网信息的发展,网络数据量大幅增长,极大提高了用户的有效信息筛选难度。推荐系统根据用户的历史行为和偏好信息而产生相应的推荐,协同过滤算法是推荐系统中的一种常用算法。传统的协同过滤算法仅使用相似度作为推荐依据时,仍然面临推荐精确率不高问题,本文在相似度基础上添加用户之间的信任度,对用户之间不对等的信任关系建模,再添加对热门项目的惩罚机制,从而弱化热门项目的推荐。通过对MovieLens数据集的实验结果进行验证可知,融合信任度的协同过滤算法的精确率、覆盖率和F1值均比传统的基于用户的协同过滤算法性能有所提高。 相似文献
7.
提出一种融合位置相似性度量的协同过滤推荐算法（CF-FLSM）。算法融合位置相似性度量进行加权计算用户间的兴趣相似度,从而为目标用户产生推荐结果。将CF-FLSM应用于一个具体的快消品电商网站,得出的推荐结果与传统使用余弦相似性的协同过滤推荐算法（CF）相比,精确率和召回率分别提高了3.74%和3.91%。 相似文献
8.
协同过滤算法在电子商务网站推荐系统中的应用非常广泛,其通过分析大量用户的历史行为数据,挖掘用户的兴趣,向用户推荐合适的物品。然而,协同过滤算法存在数据稀疏性问题。针对该问题,提出一种基于用户特征和商品特征的组合协同过滤推荐算法。通过用户基本属性特征、物品分类属性特征以及用户的历史评分记录,计算用户的相似性和物品的相似性,获得近邻用户和相似物品;依据改进的基于物品协同过滤和基于用户协同过滤组合推荐算法,为项目进行评分。实验表明,该方法能降低预测结果的平均绝对误差,提高推荐精度。 相似文献
9.
10.
针对传统相似度忽略用户局部偏好、用户评分差异和非共同评分项等因素的影响,提出了一种基于损失因子和数据集划分的协同过滤推荐算法.算法根据用户对项目的偏好度来划分数据集,并提出用两个修正因子来改进传统的相似度.在MovieLens数据集上将所提算法和Pearson算法、参考文献[1]中的算法进行比较,实验结果表明,基于损失因子和数据集划分的协同过滤推荐算法更明显地降低了MAE值. 相似文献