共查询到20条相似文献，搜索用时 250 毫秒
1.
基于粗糙用户聚类的协同过滤推荐模型 总被引：1，自引：0，他引：1
【目的】将粗糙集引入到基于用户聚类的协同过滤中,提高推荐质量。【方法】提出一种基于粗糙用户聚类的协同过滤推荐模型:离线时采用粗糙K-means用户聚类算法,根据用户与聚类中心的相似度将其分配到K个类的上、下近似中,形成用户的初始近邻集;在线时从目标用户的初始近邻集中搜索其最近邻,预测项目评分并向其产生推荐。【结果】通过实验对比发现,该模型比传统的和基于项目的协同过滤推荐算法降低约14%的平均绝对误差,比基于用户聚类的协同过滤推荐算法降低约10%的平均误差。【局限】在考虑上、下近似对聚类中心调整的重要程度时,忽略了用户聚类数目和最近邻集用户数阈值的变化所产生的影响。【结论】该模型能有效提高推荐精度,具有较强的可行性和现实意义。 相似文献
2.
随着Internet和电子商务的迅猛发展,聚类技术在Web用户划分方面的作用越来越明显.Web用户聚类的难度在于有成千上万的用户需要聚类,而且每个用户的偏好向量是高维稀疏的.对于处理大规模的数据集,近邻传播算法是一种快速、有效的聚类方法.但面对高维稀疏的数据,近邻传播算法往往不能得到很好的聚类结果,而且该方法不能产生指定类数的聚类.本文提出一种改进的近邻传播算法,使用该方法对Web用户进行聚类.根据灰关系等级和Jaccard系数定义用户相似度矩阵,对算法产生的初始聚类进行重新分配,获得指定类数的聚类.实验结果表明新算法是有效的,与原始近邻传播算法相比,新算法在个性化推荐的应用中具有更好的性能. 相似文献
3.
4.
[目的/意义]准确把握社交网络用户兴趣倾向,对用户进行分类并形成高聚合的用户群,对研究社交网络信息生态以及信息推荐有重大意义。[方法/过程]通过构造基于多维度的用户属性描述层次模型,根据模型数据需求从新浪微博抓取用户样本数据,对相关用户背景信息、用户博文信息以及用户行为信息的多维度属性下二阶变量进行量化,构造用户向量表达式,比较单一维度与多维度下的用户分类效果,进一步给属性赋予不同的权重值进行加权分析,在取得最优聚类效果后进行方差分析,对模型进行改进。[结果/结论]基于多维度属性加权后的用户聚类效果明显高于单一维度及多维度非加权条件下的用户聚类,且用户博文内容维度对于提高用户聚类效果的有效性最大。 相似文献
5.
6.
对BWP方法进行研究,从嵌入式NSTL个性化推荐的文本聚类需求入手,分析BWP方法的不足,提出一种改进的K-means算法最佳聚类数确定方法。对单一样本类的类内距离计算方法进行优化,扩展BWP方法适用的聚类数范围,使原有局部最优的聚类数优化为全局最优。实验结果可以验证该方法具有良好性能。 相似文献
7.
用户兴趣变化感知的重启动随机游走推荐算法研究 总被引：1，自引：0，他引：1
针对目前重启动随机游走推荐算法忽略用户兴趣变化的问题,提出一种基于用户兴趣变化的重启动随机游走推荐算法。通过聚类识别用户的兴趣,建立用户兴趣模型,在此基础上,考虑兴趣的时间衰减,计算用户当前兴趣度。最后,根据用户当前兴趣度,形成用户转移概率矩阵,并做出推荐。实验表明提出的算法较传统的重启动随机游走推荐算法可以有效地提高推荐精度。 相似文献
8.
9.
[目的/意义]旨在提高在线健康社区信息服务水平,满足患者用户不同场景下的深层次信息需求。[研究设计/方法]融入信息推荐服务的场景要素,通过分析在线健康社区用户信息需求,确定场景划分标准继而划分推荐场景,从而识别不同场景要素标签,构建用户画像概念模型,并采用RFM模型对采集到的在线健康社区用户数据进行精细化筛选运营,借助形式概念分析的方法实现在线健康社区用户画像模型构建,并以“甜蜜家园”为数据源实现糖尿病在线健康社区用户画像构建和标签聚类。[结论/发现]通过深度挖掘聚类,发现在线健康社区“观望型”“宣传型”“高产型”和“经验型”四类用户群体及其健康信息需求。[创新/价值]以信息推荐服务模式为导向,聚焦于用户画像构建的整体流程,此研究视角有助于在线健康社区优化服务水平,提升用户满意度。 相似文献
10.
在电子商务中,协同推荐技术能够帮助用户发现感兴趣的东西.在协同推荐中,通常采用最近邻居的方法来产生推荐.随着商品数量的增多,协同推荐所需要的数据集也越来越稀疏,可用数据比例越来越少.为了解决这个问题,本文在传统的评分数据的基础上,引入用户的基本信息,对用户的基本信息进行离散化处理,将用户的基本信息转化成一个0、1的向量,在用户的信息的基础上计算最近邻居,根据最近邻居对用户缺失数据进行补充,在补充后的评分数据上进行聚类计算,并根据聚类结果对用户评分进行预测.实验表明引入用户的基本信息,并采用对基本信息离散化的处理方式进行缺失数据补充,在此基础上进行数据的聚类,能够提高预测评分的准确性. 相似文献
11.
12.
一种利用Vague集理论改进的协同过滤推荐算法 总被引：2，自引：0，他引：2
针对项目特征难以表达问题,提出采用Vague集理论对其进行提取与表示,在此基础上进行项目相似性聚类,利用聚类内项目相似性对未评分项目进行评分值预测,从而消除协同过滤推荐的稀疏性问题,进而基于预测后的评分矩阵进行相似用户聚类,并在项目聚类簇内实施协同过滤推荐,使推荐更有针对性。实验结果表明,该方法无论在推荐精度还是推荐相关性上都更为有效。 相似文献
13.
14.
情境化推荐中基于超图模式的用户偏好漂移识别研究 总被引：2，自引：0，他引：2
识别用户偏好漂移是维护用户偏好模式、确保偏好描述准确的关键之一,随着移动商务的迅猛发展,近年来越来越受到重视.一个研究方向是基于聚类实现偏好漂移的识别,但目前研究对于资源对象间多元的弱关联处理存在不足,为此本文结合情境化推荐的特征,构建了情境化资源的超图模型,在对资源相似度、资源簇相似度、用户偏好漂移度等相关概念定义的基础上,提出了一种识别用户偏好漂移的方法.该方法在两阶段层次聚类架构中引入多级超图分割算法,通过两组实验验证了方法的有效性.本文对方法复杂性和应用机制也进行了探讨. 相似文献
15.
吉雍慧 《现代图书情报技术》2008,3(2):69-75
探讨如何在数字图书馆的文献检索平台中集成实现检索结果聚类、相关文献的关联推荐、相关作者和研究机构的关联推荐以及相关词语的关联推荐,由此帮助用户全面提高查准率和查全率,并且对聚类和推荐结果采用图形进行可视化展示,进一步提高用户的使用满意度。 相似文献
16.
协同推荐中基于用户-文档矩阵的用户聚类研究* 总被引：1，自引：0，他引：1
针对个性化推荐服务的需要以及用户聚类处理时用户-文档访问数据的高维稀疏性问题，采用“比对降维”的思想和K层次聚类算法，分析基于用户资源评价数据的用户聚类处理流程。在此基础上，采用Java开源技术设计并实现一个用户聚类的试验系统。 相似文献
17.
[目的/意义] 为解决高校图书推荐过程中面临的“数据稀疏”和“冷启动”问题,研究表明：优化读者评价矩阵和相似度模型是提高图书推荐质量的关键。[方法/过程] 提出一种协同过滤改进方法,以图书分类为项目生成用户评价矩阵,并考虑借阅方式、借阅时间和图书相似度对用户兴趣度的影响,优化矩阵中的样本数据;同时,在计算读者相似度时融入读者特征和图书特征。[结果/结论] 实验结果表明,该方法可有效解决“数据稀疏”和“冷启动”问题,显著降低计算量。与基本协同过滤和聚类改进的协同过滤方法相比,无论是在推荐准确率还是在用户满意率上都有较大的提高,综合推荐效果更好。 相似文献
18.
提出一种基于概念格发现数字图书馆用户浏览行为相关性的信息推送方法。以形式概念分析理论为基础、数据挖掘技术为手段将研究方向相似的用户自动聚类,以用户为对象、用户浏览兴趣为属性构造某一学科下的用户用法概念格,挖掘出用户群中知识点间的关联规则,并根据知识间的相关性为用户推送信息,解决以往推送方法中用户需求获取方式单一以及推送信息与用户信息需求的时效性统一程度低等问题。 相似文献
19.
20.
[目的/意义]以现有图书馆借阅记录为基础,结合图书阅读相关性进行深入挖掘,探讨识别借阅场景下图书专业性质量和实现相应个性化图书推荐服务的有效方法。[方法/过程]利用图书的阅读相关性提出图书相关性链接关系,结合图书质量的迭代识别算法来识别专业图书资源。同时利用图书类别相关性链接关系,提出读者用户个性化模式的表达方法,并从长期兴趣推荐和短期兴趣的即时推荐两个方面给出个性化图书推荐策略设计原理和实现方法。[结果/结论]在图书质量识别方面,该方法更易于识别出专业性较强的优质图书资源,适用面比较灵活,也可以在限定图书范围内进行专业图书识别。在个性化图书推荐方面,发现不论长期兴趣推荐方法还是短期兴趣推荐方法,第二类用户的平均推荐命中度要高于第一类用户,在第一类用户中,最高相似度区间（75%以上）和较低相似度区间（15%-50%）的短期兴趣推荐方法的平均推荐命中度要高于长期兴趣推荐方法。本研究通过读者借阅序列分析方法识别专业图书并实现相应的个性化推荐图书方法,有利于改善现有图书馆借阅服务水平和提高读者的满意度。 相似文献