共查询到17条相似文献，搜索用时 156 毫秒
1.
黄珍珍 《中国科教创新导刊》2011,(29):23-23
随着计算机的迅速发展,基于兴趣度图书推荐系统通过统计用户浏览信息,预测其偏好以达到推荐图书的目的。本文研究用户兴趣模型,通过学习分析个性推荐及主要推荐算法的功能和原理,构建用户兴趣模型,实现了兴趣推荐功能,大大减少了用户索书时间。 相似文献
2.
传统协同过滤算法主要根据稀疏的评分矩阵向用户作出推荐,存在推荐质量较差的问题。为此,提出一种基于信息熵的综合项目相似度度量方法。考虑到用户的兴趣会随时间发生变化,而且不同用户群体的兴趣变化不同,受艾宾浩斯记忆遗忘规律启发,提出适应于不同用户群体兴趣变化的数据权重。基于movielens数据集的实验结果表明,改进后算法不仅能缓解评分数据稀疏问题,而且能提高算法的准确率。 相似文献
3.
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
4.
5.
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
6.
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
7.
8.
本文利用用户在线行为数据,构建了针对机构知识库的个性化推荐系统。具体方法为:基于大数据Lambda架构,实现系统对用户隐式和显式行为的数据采集、汇总、融合、计算功能,构建基于本体的加权向量用户兴趣离线计算模型;同时针对用户对机构知识库行为的反馈,进行实时推荐。最后得出结论:利用大数据思维和技术,构建多维度用户行为模型,对机构知识库的个性化推荐有一定实用价值。 相似文献
9.
基于位置的推荐算法在根据位置信息划分数据子集时会产生数据稀疏问题,对此提出了一种改进的推荐算法。该算法充分考虑了不同位置所产生的推荐结果的差异性,分别为相应的推荐结果设置不同权重,然后线性求和。改进算法既解决了数据的稀疏问题,又考虑了用户兴趣的本地化。实验结果表明,改进的算法提高了推荐准确性。 相似文献
10.
为解决PersonalRank图推荐算法在推荐系统应用中的效率问题,从降低时间复杂度和减少迭代次数两方面进行算法优化。首先,构建推荐系统中用户行为数据二分图和迭代推荐模型;然后,建立转移矩阵,通过矩阵运算转换传统迭代模型,求解稀疏矩阵线性方程组直接得到系统稳态,有效降低了推荐算法的时间复杂度;最后,通过确定游走概率,在不影响系统精度前提下,各节点概率值收敛前就提前停止迭代,大幅减少了系统迭代次数。实验表明,转移矩阵法推荐效率比传统迭代法提高了211倍左右,游走概率取值为0.1时精度趋于稳定。优化后的算法能有效提高推荐效率。 相似文献
11.
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.
14.
为提高推荐算法挖掘数据长尾信息的能力,降低推荐结果流行度,使推荐结果更多样,在传统协同过滤推荐算法基础上,分别将热门项目与活跃用户的惩罚因子引入相似性计算中,依据准确度、覆盖率、流行度等评价标准,在上海某电商平台销售数据集上进行比较,并通过多组实验验证不同参数对推荐算法的影响。结果显示,加入惩罚因子后基于用户的协同过滤推荐算法在N值取10、K值取3时,流行度为3.97,比传统方法降低了7.31%;加入惩罚因子后基于项目的协同过滤推荐算法在N值取10、K值取3时,准确率为7.65%,比传统方法提高了5.25%。由此证明加入惩罚因子的协同过滤推荐算法在保持算法准确率的同时,可在一定程度上降低推荐结果流行度。 相似文献
15.
对于有个性化推荐需求的电子商务系统,传统协同过滤推荐算法对商品的用户项目矩阵构建比较单一,难以解决数据稀疏以及推荐结果精度较低等问题。为此,提出一种改进的基于信任度的协同过滤算法,根据用户历史行为,对用户项目评分矩阵进行细分量化,综合考虑用户间关系,引入信任因子维持用户信任关系中的非对称性,通过共同评分项计算用户评分信任度。最终融合信任度与信任因子,计算获得最佳邻居集并产生最终推荐列表。在淘宝官方UserBehavior数据集下进行实验,结果表明,该算法降低了推荐稀疏性,提高了推荐精度。 相似文献
16.
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
17.
随着大数据、移动互联网的快速发展,推荐系统成为解决网络信息过载的有力工具。为解决传统推荐系统由于没有将社交网络中用户关系考虑进去而导致的稀疏矩阵、冷启动等问题,提出一种基于矩阵分解技术的电影推荐系统算法MFMRS。该算法充分考虑到社交网络中用户之间的关系对推荐结果的影响,通过设置特征参数、损失函数、随机梯度下降等方法对推荐系统的精度进行改进。结果表明,通过应用该算法,Douban数据集的精度提升62%,Netflix数据集的精度提升51%。 相似文献