共查询到18条相似文献，搜索用时 180 毫秒
1.
基于关联规则的个性化推荐在数字图书馆中的应用研究 总被引：1，自引：0，他引：1
协同过滤技术被成功地应用于个性化推荐系统中,但随着系统规模扩大,它的效能逐渐降低.针对此缺点,提出了一种运用关联规则和协同过滤技术相结合的个性化推荐系统模型,这种推荐模型既能有效解决单独关联规则推荐不适合同类图书推荐问题,又能有效解决协同过滤算法不适合异类图书推荐问题;既能有效处理数字图书馆中图书种类和类别层次繁多的图书推荐问题,又能加快推荐速度,在数字图书馆系统中具有良好的推荐效果和应用前景. 相似文献
2.
在海量的数字图书馆中,准确迅速地找到符合自身需要的图书是需要解决的主要问题。通过阐述传统的协同过滤算法,分析其特点以及存在的不足,并基于此提出一种改进的协同过滤算法,建立了推荐系统模型并应用到数字图书馆中。 相似文献
3.
辛勤芳 《赤峰学院学报(自然科学版)》2011,(9):27-30
本文首先介绍了当前电子商务个性化推荐的主流技术——协同过滤技术,接着分析了该算法中影响推荐质量的两个主要问题——稀疏性问题和扩展性问题,然后引入聚类算法对传统的协同过滤算法进行改进,最后对之前所提出的改进算法进行了仿真实验．经过实验验证,改进算法的推荐准确性比传统算法的推荐准确性有所提高,特别是在用户评价数据集极端稀疏的情况下改进算法体现出了较好的推荐性能． 相似文献
4.
针对协同过滤算法中存在数据稀疏的问题,提出一种基于融合用户标签和蚁群的协同过滤微博推荐算法。将表示用户兴趣的标签引入推荐模型中,利用标签和用户以及标签和微博的关联度,建立用户对微博的兴趣度模型。另外结合蚁群聚类和协同过滤为目标用户进行用户聚类,计算出对目标用户的待推荐微博集。最后利用用户对微博的兴趣度模型从待推荐微博集中选出Top-N为目标用户进行推荐。实验引入标签和蚁群算法的有效性,将测试结果与传统协同过滤推荐算法和纯基于标签的微博推荐算法进行比较,该算法不仅改善了协同过滤算法中数据稀疏和冷启动的问题,而且推荐准确度有明显提高。 相似文献
5.
6.
7.
web2.0的出现使得互联网中的数据以几何级数的形式增长,如何在浩如烟海的信息海洋中找到自己需要的内容是当前人们面临的一个挑战性问题,信息推荐系统便是为解决这个问题而出现的,而协同过滤算法是推荐系统中用途最广的一种算法.本文对基于用户的协同过滤算法和基于项目的协同过滤算法进行了介绍,然后利用Movielens中的影片数据对这两种算法的性能进行了比较,结果发现基于项目的协同过滤算法在影片信息推荐中要优于基于用户的协同过滤算法. 相似文献
8.
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
9.
程淑玉 《宜宾师范高等专科学校学报》2013,(6):82-85
个性化推荐系统被越来越多地应用到各类网站中,以解决信息增长带来的信息迷失和信息过栽问题,而协同过滤算法是个性化推荐系统的重要算法之一,但是传统的协同过滤算法存在数据稀疏、冷启动等问题,为了解决这些问题,在综合WEB日志挖掘和聚类两个因素基础上,提出基于WEB日志和聚类的协同过滤算法,并将该算法与传统的协同过滤算法进行分析比较,验证了该算法能够提高推荐的精确度和实时性． 相似文献
10.
在传统的协同过滤推荐算法基础上,对传统协同过滤算法中冷门物品不能进行处理问题进行剖析,提出一种改进的协同过滤推荐算法。通过实验仿真,验证了该算法的有效性。 相似文献
11.
Hei-Chia Wang 《Interactive Learning Environments》2013,21(1):18-38
In recent years, the pervasive use of computers and the Internet has created an unprecedented environment for e-learning. However, the rapid expansion in the number of disparate information sources and variety of data available affects e-learning significantly. Nonetheless, there has been a growing awareness that courseware should automatically adjust to the profiles of individual learners. Over the past few years, much effort has been expended to enable personalization for e-learning by semantic web techniques. Although the semantic web offers a theoretical framework for flexibility and interoperability in e-learning resources, there is no consensus ontology that can be used to describe learning profiles directly for personal e-learning environments. This means that their actual applications are as yet unknown. Positing that ontologies actually provide viable solutions for knowledge management, in this article, we present a three-module architecture for a personalized e-learning environment for bioinformatics. The architecture facilitates a personalized e-material recommender that does item-based collaborative filtering (CF) + adapted vector space model (VSM), explicit and implicit scoring, and a concept of tasks focused on rating literature for the e-learner. Meanwhile, the knowledge discovery process can be tailored to acquiring knowledge for professional requirements. Validation for our architecture is provided by a case study for biological institutions. The experimental results show that our architecture is helpful for professional requirements, improving recommendation quality, and satisfying users. 相似文献
12.
针对传统协同过滤推荐算法在大数据环境下存在数据稀疏性及计算复杂性等问题,提出一种双向聚类协同过滤推荐算法。该算法首先从用户维度和项目维度两个方向分别进行属性聚类,然后在目标用户和目标项目所在类簇中分别使用改进后的相似度计算方法进行协同过滤推荐,最后通过平衡因子综合预测评分并形成最终推荐列表。在 MovieLens 公开数据集上进行实验,结果表明,该算法（DCF）相比传统协同过滤推荐算法（TCF）、基于用户聚类的协同过滤推荐算法（UCF）以及基于项目聚类的协同过滤推荐算法（ICF）,在平均绝对误差上分别降低了 16%、8.1%、7.5%,有效提高了推荐精度。 相似文献
13.
为解决传统协同过滤推荐算法数据稀疏、可扩展性差等问题,采用改进预测评分矩阵的协同过滤算法。首先使用基于线性回归分析的加权Slope One算法,在传统Slope One算法中加入可信度,提高共同评分基数;然后采用网上标准数据集movielens作为测试数据,结合协同过滤算法进行top-N推荐。实验结果表明,使用改进预测评分矩阵的协同过滤算法的MEA较小,在近邻数大于25时达到0.74,表明该算法改善了传统协同过滤算法数据稀疏、扩展性差问题,降低了推荐误差,提高了推荐系统准确度。 相似文献
14.
蒋雯 《福建工程学院学报》2016,(3):302-306
为解决传统协同过滤算法中存在的数据稀疏性问题,在原有估值公式的基础上对传统的协同过滤算法进行改进,提出一种基于概念分层的估值填充推荐的改进算法,并对此算法进行仿真实验。结果表明,该算法在稀疏数据集上有着良好的推荐效果。 相似文献
15.
16.
Mojtaba Salehi Isa Nakhai Kamalabadi Mohammad Bagher Ghaznavi Ghoushchi 《Education and Information Technologies》2014,19(4):713-735
Material recommender system is a significant part of e-learning systems for personalization and recommendation of appropriate materials to learners. However, in the existing recommendation algorithms, dynamic interests and multi-preference of learners and multidimensional-attribute of materials are not fully considered simultaneously. Moreover, these algorithms cannot effectively use the learner’s historical sequential patterns of material accessing in recommendation. For addressing these problems and improving the accuracy and quality of recommendation, a new material recommender system framework based on sequential pattern mining and multidimensional attribute-based collaborative filtering (CF) is proposed. In the sequential pattern based approach, modified Apriori and PrefixSpan algorithms are implemented to discover latent patterns in accessing of materials and use them for recommendation. Leaner Preference Tree (LPT) is introduced to take into account multidimensional-attribute of materials, and learners’ rating and model dynamic and multi-preference of learners in the multidimensional attribute-based CF approach. Finally, the recommendation results of two approaches are combined using cascade, weighted and mixed methods. The proposed method outperforms the previous algorithms on the classification accuracy measures and the learner’s real learning preference can be satisfied accurately according to the real-time up dated contextual information. 相似文献
17.
数据稀疏是协同过滤预测精度的一个重要影响因素。Slope One算法使用简单的线性回归模型解决该问题,但它只使用评分数据做计算,未考虑相似性。提出一种基于用户习惯偏好相似度的Slope One算法（UPS Slope One）。UPS Slope One首先基于用户习惯偏好聚类,得到三组不同偏好的用户,然后分别计算各组评分偏差,计算时将用户习惯偏好相似度融入其中,最后使用线性回归模型预测评分。在MovieLens数据集上的实验表明,该算法可得到更高的推荐质量、预测准确性和稳定性。 相似文献
18.
Recently there has been an increasing interest in applying random walk based methods to recommender systems.We employ a Gaussian random field to model the top-N recommendation task as a semi-supervised learning problem.taking into account the degree of each node on the user-item bipartite graph,and induce an effective absorbing random walk (ARW) algorithm for the top-N recommendation task.Our random walk approach directly generates the top-N recommendations for individuals,rather than predicting the ratings of the recommendations.Experimental results on the two real data sets show that our random walk algorithm significantly outperforms the state-of-the-art random walk based personalized ranking algorithm as well as the popular item-based collaborative filtering method. 相似文献