共查询到20条相似文献，搜索用时 671 毫秒
1.
胡三宁 《三门峡职业技术学院学报》2015,(2):140-144
提出了一种基于用户兴趣及标签相似度的混合推荐算法,构建基于标签的用户兴趣模型,通过计算与资源相似度完成推荐,同时融合时间因素研究用户兴趣变化,提高了基于内容的推荐中相似度计算的准确率;根据用户兴趣相似度聚类用户,通过兴趣协同推荐减少对评分矩阵的依赖,一定程度上解决了协同过滤中推荐数据缺失问题;同时,结合用户基本信息有望缓解冷启动问题。实验表明该算法具有一定的有效性及可行性。 相似文献
2.
协同过滤技术是个性化推荐系统中最经典的代表,但传统的协同过滤技术也面临着冷启动、数据稀疏性等弊端,加上协同过滤技术很少考虑用户兴趣随时间变化和用户特征等因素,导致推荐质量不尽如人意。在传统协同过滤的基础上,结合用户兴趣变化和用户特征两方面,提出一种改进算法的协同过滤技术,与传统技术相比推荐质量显著提高。 相似文献
3.
传统的协同过滤算法难以解决“稀疏性”和“冷启动”等问题。鉴于此,提出一种融合用户相似度和信任度的方法。首先根据用户对共同项目的评分创建初始信任度,通过信任关系的传递规则,建立没有直接信任关系的用户之间的信任关系,然后融合用户相似度与信任度,用于传统的协同过滤推荐系统,找出用户的最近邻居集,进行项目的评分预测,从而产生推荐列表。实验表明,改进后的算法能有效提高系统推荐的准确性。 相似文献
4.
5.
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
6.
在传统推荐系统中,通常基于协同过滤推荐算法挖掘评分中的隐含特征,但在实际应用中,评分矩阵往往十分稀疏,很难充分地表示用户偏好特征与物品描述特征。为了充分挖掘评论文本中的隐含特征,并在一定程度上缓解数据稀疏性问题,提出一种深度协同过滤模型(CFiCNN)：融合卷积神经网络的协同过滤模型。该模型利用卷积神经网络抽取用户-物品评论数据中的隐含特征,基于协同过滤的矩阵分解方法,进行评分预测。在4个真实数据集上对该模型进行了评估实验,并与3个常用模型进行对比。实验结果表明,该模型能够很好地抽取到用户与物品的隐含特征,并且进行更准确的评分预测。 相似文献
7.
协同过滤算法是推荐系统中研究较为广泛和深入的算法,为解决传统协同过滤算法无法处理时间动态变化的问题,提出一种新的改进算法：SpecialTSVD++算法。在传统SVD++算法中分别融入用户评分的时间信息、用户和物品的时间偏置,并且加入用户特征信息,增强数据与时间的关联度,体现数据的动态变化,并且结合用户属性产生个性化推荐结果。Movielens-10m数据集上的实验结果表明,SpecialTSVD++算法通过对时间动态变化带来的推荐影响进行优化处理,使推荐结果更加贴近用户当前需求,能显著提升推荐系统准确率。 相似文献
8.
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
9.
聂晶 《中国科教创新导刊》2009,(14):162-162
在现有的推荐系统中,将所有用户的评分信息收集起来构造用户的偏好,从而为每个用户推算或推荐最适合的资料。但是当用户兴趣发生变化时,却不能很好的适应兴趣的动态变化。本文提出了可实时更新用户兴趣的推荐系统,从而可以自动处理该用户个性化过程。 相似文献
10.
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
11.
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
12.
兴趣模型是一种根据用户的行为和偏好建立起来的数学模型,它反映用户在一段时期内对信息需求的主要倾向。通常的兴趣模型推荐主要基于用户兴趣,没有考虑到热点信息对用户的影响以及存在冷启动的问题。提出一种基于兴趣预测和热点分析的联合推荐算法,利用贝叶斯网络对用户兴趣进行预测,并利用基于速度增长的预测方法对当前的热点信息进行预测。该方法综合考虑了兴趣预测与热点预测,能够有效增强用户兴趣预测准确度。实验证明,该方法（BPUR）比传统的Bayesian方法准确率更高,能够有效避免新用户的冷启动问题。 相似文献
13.
针对当前文献推荐中个性化程度不高等问题,提出一种对用户行为重新分配权重的度量算法。运用用户行为数据按照时间顺序重新分配权重,突出近期用户兴趣构建用户兴趣模型。通过LDA主题分布、关键词分布等方法构建学术资源模型,实现两模型间匹配,完成推荐。通过实验验证,该算法准确性达到80%,比传统等权重算法提高近20%,召回率与F值分别提升了7%和5%。研究表明,基于时间因素的用户兴趣度量算法相较于传统等权重算法具有更高的准确性,未来可进一步优化用户兴趣度量以实现精准推荐服务。 相似文献
14.
传统推荐系统存在不以用户关注度为导向、推荐信息分散、推荐效率低等弊端,针对该问题,通过深入挖掘用户的关注度特征及浏览行为特征,分析用户的潜在需求,以此为基础,综合基于类别关注度的信息推荐、基于主题词的长期关注度推荐以及基于协同过滤的个性化推荐算法,采用模块化的设计方法,提出一种基于用户关注度的个性化推荐系统。实践应用表明,该系统能够帮助用户从海量信息中快速、准确地找到自己关注的内容,对互联网个性化信息服务具有一定的应用价值。 相似文献
15.
《实验室研究与探索》2017,(5):148-153
大学二手书交易同一般网络购物不同,直接应用普通推荐算法设计推荐引擎不能很好地进行推荐。为了使大学生二手书购物网站能够更好地为用户推荐书籍,提高推荐结果的准确性及推荐效率,在原有推荐模块的基础上针对大学生用户的特殊性提出了一种适用于二手书购物网站的推荐算法模块优化推荐引擎。该算法模块有以下特性:(1)在基于物品推荐算法的基础上,结合书籍评分、新旧等因子优化推荐结果;(2)为方便用户购书新增打包推荐功能,使用户可以一键购买多本所需书籍;(3)根据用户群体购书可预测的特性加入了基于时间节点的推荐算法,即按时得需,按需推荐。 相似文献
16.
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
17.
王竹婷 《赤峰学院学报(自然科学版)》2014,(20):28-30
协同过滤是个性化推荐系统中使用最为广泛的一种推荐算法之一,分为基于用户和基于项目两种协同过滤算法.本文提出的改进算法将两种方法相结合使用,首先改进了传统的相似度度量方法,再分别利用用户和项目之间的相似度值预测未评分项目值,并将两种预测结果加权平均,根据用户近邻数和项目近邻数动态确定加权系数.实验结果表明,改进后的协同过滤算法可以提高推荐质量. 相似文献
18.
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
19.
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
20.
石宜金 《四川教育学院学报》2014,(5):88-91
文章对推荐系统进行了研究,借鉴了亚马逊的图书推荐思想。利用书籍的图书分类、书籍综合特征和书籍评分,提出了一种基于协同过滤、基于内容推荐的综合推荐算法。算法用于鉴别用户是否喜好某本书籍。同时将这种推荐算法应用于高校图书馆的书籍借阅系统中,旨在提高图书馆借阔系统的个性化。该算法能在一定程度上降低借阅者花费在借阅过程中的时间,另一方面能够通过推荐算法的应用,提高图书馆书籍利用率,降低书籍借阅过程中的马太效应。 相似文献