協同過濾
- 基于協同過濾知識圖譜的圖書推薦
互信息，通過協同過濾算法計算出讀者偏好，綜合上述兩種方法得到推薦列表進行最終的TopK推薦。關鍵詞：圖書；推薦系統；協同過濾；知識圖譜1概述進入21世紀以來，互聯網技術的快速發展、計算能力的快速提升，各行業中產生的大量數據開始受到學者、企業的重視，但用戶在享受其帶來的便利同時，也面臨著信息過載、信息泄露等問題。用戶在信息資源的快速不停地產生情況下無法準確獲取自己需要的目標信息。推薦系統的出現，有效緩解了上述問題。而協同過濾算法利用協同信息推薦用戶感興趣的信
科技風 2023年36期2024-01-07
- 基于協同過濾的智能推薦方法在電子商務中的應用研究
高要求?；?span class="hl">協同過濾技術的智能推薦方法既能結合用戶的個人偏好、習慣等精準進行個性化推薦，又可以通過推薦系統發掘并展示長尾商品，加速商品的利用與轉化，順應市場多元化發展。首先，本文基于挖掘用戶歷史行為并判斷用戶偏好的目標，分析協同過濾算法的實現原理。其次，針對電子商務平臺需求特征，構建包括數據預處理、相似度計算、推薦生成和評估在內的智能推薦方法步驟。最后，針對現有算法提出實現條件。關鍵詞：電子商務；智能推薦系統；協同過濾；多元化；數字化本文索引：葛欣然，張瀚
中國商論 2023年17期2023-09-11
- 數據稀疏背景下基于協同過濾的推薦算法綜述
：推薦系統；協同過濾；數據稀疏；相似度1引言隨著移動互聯網的迅速發展，人們獲取大量信息十分便捷。與此同時，如何從海量信息中高效篩選出所需內容變得十分困難。推薦系統能夠在用戶需求不明確或是信息量過大時，根據用戶的行為判斷其興趣，提供個性化的信息以滿足用戶需求。另外，為提高轉化率，推薦系統還能主動將有效信息推送至目標用戶。因此，推薦系統既是引導用戶獲取需要信息的助手，又是公司驅動業務發展的重要動力。推薦系統最早被應用于電子商務網站，通常是根據用戶的訂單和評價來
計算機應用文摘 2023年9期2023-05-30
- 基于潛在因子多樣性的非負矩陣分解協同過濾模型
負矩陣分解的協同過濾模型在高維稀疏數據的預測和填補上十分有效，該模型具有推薦個性化、有效利用其他相似用戶回饋信息的優點，但也存在預測精度較低等不足。針對用戶或項目在不同情景下的評分差異性，提出了一種改進的基于潛在因子多樣性的非負矩陣分解的協同過濾模型。該模型充分考慮在不同情境下，用戶和項目潛在特征矩陣的多樣性，在模型的訓練中，采用了單元素非負乘法更新規則和交替方向法，保證了目標矩陣的非負性，且提高了模型的收斂率。在真實的工業數據集上的實驗結果表明，相比于經
上海理工大學學報 2023年2期2023-05-30
- 數據稀疏背景下基于協同過濾的推薦算法綜述
：推薦系統；協同過濾；數據稀疏；相似度1引言隨著移動互聯網的迅速發展，人們獲取大量信息十分便捷。與此同時，如何從海量信息中高效篩選出所需內容變得十分困難。推薦系統能夠在用戶需求不明確或是信息量過大時，根據用戶的行為判斷其興趣，提供個性化的信息以滿足用戶需求。另外，為提高轉化率，推薦系統還能主動將有效信息推送至目標用戶。因此，推薦系統既是引導用戶獲取需要信息的助手，又是公司驅動業務發展的重要動力。推薦系統最早被應用于電子商務網站，通常是根據用戶的訂單和評價來
計算機應用文摘·觸控 2023年9期2023-05-10
- 大數據環境下開放教育學習者畫像的構建
；數據挖掘；協同過濾；用戶畫像0 引言隨著大數據時代的到來，數據挖掘與信息推薦在行政、教育、經濟、醫療等各個領域都已經有了一定作用與價值。在線的不斷發展使得在線教育行業迎來了更為廣闊的發展方向[1]。目前越來越多的人員選擇在線課程進行學習，極大地提升人民群眾日常接受教育的便利性。在線教育網站之中存在著大量的注冊用戶，同時每天都會產生大量的用戶注冊信息，其中包括用戶個人信息、用戶學習課程、學習時間等。面對這些大量的信息，日常卻無法進行統計和決策工作[2]。平
電腦知識與技術 2023年5期2023-04-06
- 社交的延伸：新聞推薦算法的進化與反思
0時代，基于協同過濾的算法，對用戶的社交孤獨趨避進行心理上的補償；在算法3.0時代，基于隱私保護的推薦算法，可以對用戶的社交安全焦慮進行防御型補償。文章以技術迭代為主要邏輯，闡述算法在技術迭代中對自身進行補償，探討算法在進化過程中是如何對用戶的社交進行補償的，并對新聞推薦算法進行理論上的補充。關鍵詞：算法進化；媒介補償；社交延伸；內容推薦；協同過濾；隱私保護中圖分類號：G206 文獻標志碼：A 文章編號：1674-8883（2023）01-0015-04一
新聞研究導刊 2023年1期2023-02-14
- 基于上下文感知推薦的協同過濾技術
文感知推薦的協同過濾技術，該技術利用用戶重要的移動上下文信息來改進基于項目的協同過濾算法中相似性的度量，重新用改進的相似度計算方法來獲得項目的預測評分。通過實驗數據表明，基于上下文感知推薦的協同過濾技術可以在用戶處于移動環境時為用戶提供更準確的推薦結果，可以有效緩解移動用戶評分數據稀疏性所帶來的推薦結果失真的問題。關鍵詞：上下文信息;協同過濾;移動電子商務;個性化推薦中圖分類號：TP302.1? ? 文獻標識碼：A文章編號：1009-3044（2022）1
電腦知識與技術 2022年19期2022-08-31
- 基于卷積神經網絡的協同過濾算法在影片推薦中的應用研究
，實現了基于協同過濾的影片推薦系統。系統運行表明，該方法實現的推薦系統可以有效緩解“冷啟動”問題。關鍵詞：影片推薦;協同過濾;卷積神經網絡中圖分類號：TP18? ? ? 文獻標識碼：A文章編號：1009-3044（2022）17-0073-051簡介推薦系統[1]已經成功應用到商品推薦中，并逐步滲透到了文化領域，豐富了人們的文化生活。在推薦系統還未萌發的時候，用戶使用傳統的搜索引擎，在獲取數據時，如果需求很明確，比如需要找一個電影，但是用戶只知道這個電影的
電腦知識與技術 2022年17期2022-08-31
- 招聘數據可視化分析系統的設計與實現
用基于用戶的協同過濾算法對職位進行推薦并實現動態更新。在一定程度上可幫助求職者了解目前的社會人才招聘需求，快速找準自身定位。關鍵詞：網絡爬蟲;招聘數據;協同過濾;可視化分析中圖分類號：TP311? 文獻標識碼：A文章編號：1009-3044（2022）18-0039-03開放科學（資源服務）標識碼（OSID）：1 引言隨著國內互聯網行業的飛速發展，以及一些非傳統因素的影響，網絡求職招聘愈發受到人們的歡迎。但其中也出現了一些問題，最突出的就是信息繁多雜亂，人
電腦知識與技術 2022年18期2022-08-31
- 基于 SVD 的協同過濾電影推薦算法
：電影推薦;協同過濾（CF）;冷啟動;奇異值分解（SVD）中圖法分類號：TP391文獻標識碼：ACollaborative filtering movie recommendationalgorithm based on SVDSONG Longsheng'，WANG Jialel，NI Shengqiao1.2（1.College of Information Science and Technology，Tibet University，Lhasa 8
計算機應用文摘·觸控 2022年10期2022-07-05
- 基于協同過濾算法的個性化推薦系統研究
。該文通過對協同過濾算法的個性化推薦系統進行分析，希望能夠通過該文簡單地分析探討為后研究者提供借鑒意義。關鍵詞：協同過濾 ?算法 ?個性化推薦系統 ?系統設計中圖分類號：G71??文獻標識碼：A???文章編號：1672-3791（2022）05（b）-0000-00基金項目：2020年廣西高校中青年教師科研基礎能力提升項目（項目編號：2020KY48012）; 2020年百色市現代教育技術科研課題（項目編號：SZ202008）。作者簡介：覃瓊花（1981—
科技資訊 2022年10期2022-06-15
- 協同過濾推薦算法的優化研究
孫紅梅摘要：協同過濾推薦是目前應用最廣泛和最成功的推薦系統，但傳統的協同過濾算法沒有充分利用用戶的行為反饋信息，忽略了時間順序、序列順序等有效信息，存在一些局限性。文章基于傳統的協同過濾算法，結合用戶交互行為信息中的時間順序、序列順序以及物品的流行度和用戶的活躍度等信息，優化算法的推薦效果，并且在數據集MovieLens上進行驗證，實驗結果表明優化后的協同過濾推薦算法能有效提升推薦效果。關鍵詞：協同過濾;相似性度量;推薦算法中圖分類號：TP391 ? ?
電腦知識與技術 2022年13期2022-06-11
- 融合話題多維特征和用戶興趣偏好的微博話題推薦研究
好，進一步以協同過濾算法為基礎，計算目標用戶相似性，然后計算話題新鮮度、重要度、信任度指標并進行線性加和，得到目標用戶對微博話題的綜合興趣度，最后，根據用戶偏好和綜合興趣度計算目標用戶對微博話題的興趣度并降序排列，得到Top-N個話題推薦結果。[結果/結論]在真實微博數據上的實驗結果表明，該方法取得了理想的預期效果，推薦效果既能保證準確性，又能體現多樣性，并且有效緩解了推薦結果單一、容易引發信息繭房的問題。關鍵詞：微博話題推薦;協同過濾;話題新鮮度;話題多
現代情報 2022年5期2022-06-06
- 基于模糊聚類和Slope One填充的推薦算法
量。關鍵詞：協同過濾;模糊聚類;Slope One;相似度中圖分類號：TP391? ? ? 文獻標識碼：A文章編號：1009-3044（2022）10-0068-031 引言由于信息網絡的高速增長，世界各地的數據量也正瘋狂增加，據有關組織報告稱，估計到2025年，世界各地的數據量將會達到驚人的163ZB，是2016年16.1ZB的十倍[1]。面對如此龐大的數據量，我們已然陷入了“信息過載”的時代[2]。若是能夠使用一種方法能夠挖掘出用戶的歷史行為記錄并分析
電腦知識與技術 2022年10期2022-05-30
- 基于協同過濾的美食店鋪推薦算法
章提出了基于協同過濾的美食店鋪推薦算法，同時分析了基于用戶的推薦算法、基于餐廳的推薦算法、基于[ SVD]的協調過濾算法以及流行度推薦算法這四種推薦算法，解決了推薦餐廳與用戶喜好適配度問題。實驗表明，文章提出的基于協同過濾的美食店鋪推薦算法，在準確率（Precision）和召回率（Recall）以及[ F1]這三種指標上優于其他對比算法。關鍵詞：協同過濾；推薦系統；混合算法；美食店鋪；美食推薦中圖分類號：TP311? ? ? 文獻標識碼：A文章編號：100
電腦知識與技術 2022年30期2022-05-30
- 基于KL散度的ALS推薦算法
要：針對傳統協同過濾推薦算法在稀疏數據上推薦準確度低的問題，提出一種基于KL散度的ALS推薦算法KL-ALS。傳統ALS算法計算物品相似度時只考慮了用戶之間的共同評分項，得到的相似性與真實值會有一定的誤差，而采用KL散度計算物品相似度時，對用戶評論的數量不做任何限制，不依賴于用戶共同評分項。KL-ALS算法首先將ALS算法計算物品相似度和KL散度計算的物品相似度按照一定權重混合，產生總體相似度，進而采用ALS算法訓練模型，能夠更加準確地度量物品間的相似度，
電腦知識與技術 2022年12期2022-05-29
- 基于TSVD的協同過濾推薦算法研究
：針對經典的協同過濾推薦算法的一系列不足，如用戶冷啟動、商品評分稀疏性以及推薦精度不高，文章提出基于截斷奇異值分解（TSVD）的協同過濾推薦算法。使用TSVD技術對稀疏矩陣進行降維處理，利用Jaccard相似度算法計算用戶間相似度，提高推薦精度。實驗結果顯示，基于截斷奇異值分解（TSVD）的協同過濾算法體現良好的推薦質量及預測精度。關鍵詞：推薦算法;協同過濾;稀疏矩陣;截斷奇異值分解中圖分類號：TP391? ? ? 文獻標識碼：A文章編號：1009-304
電腦知識與技術 2022年4期2022-04-29
- 協同過濾算法改進實驗及對比分析
摘要：在協同過濾推薦算法中融入時間因素對其進行改進，為了驗證改進后的算法能夠把推薦的準確度給提高，使用Python編程語言，在電影數據集Movielens中的ml-lm數據集下進行實驗，對比傳統與改進算法之間的MAE值。文章介紹了實驗的目的、評價指標、理論知識、過程和結果。通過實驗的結果可以明顯看出這種改進后的算法能夠提高推薦的準確度。關鍵詞：協同過濾；推薦算法；改進；MAE；實驗中圖分類號：G642? ? ? ? 文獻標識碼：A文章編號：1009-304
電腦知識與技術 2022年35期2022-02-17
- 基于Hadoop的電影推薦系統的設計
educe，協同過濾1.緒論1.1推薦系統介紹推薦系統是為了防止信息過載而采用的一種措施，面對海量數據信息，從中迅速地推薦出一些符合用戶需求特點的物品，解決了一些人的"選擇恐懼癥"。推薦系統通過分析發掘這些用戶的消費行為，找到這些用戶的各種個性化消費需求，從而將商品準確及時地推薦給需要的用戶，幫助用戶發現他們感興趣但很難及時發現的商品。1.2推薦系統的目的（1）讓用戶更快更好的獲取到自己需要的內容。（2）讓內容更快更好的推送到喜歡它的用戶手中。（3）讓網站
科學與生活 2021年24期2021-12-06
- 精準動態信息推薦算法在智慧校園中的應用
并提出了基于協同過濾思想的解決辦法。關鍵詞：智慧校園;信息冗余;推薦系統;協同過濾1引言當前，教育環境復雜，教育信息化和智慧化必需兼顧環境多樣性、受眾復雜性、需求變化性等因素，借助移動通信技術與人工智能技術發展新型教育對位于戰略興國的重要基礎化建設。智慧化教育必須打破原來數字教育資源建設的傳統觀念和思想壁壘，除了包涵傳統的教育課件之外，其主體應當是伴隨著教學過程中產生的大數據以及伴隨對關于教育所有因素分析產生的相關數據內容及其衍生信息。因此如何有效的獲取眾
快樂學習報·教師周刊 2021年15期2021-11-11
- 一站式個性化旅游推薦系統
的基于物品的協同過濾推薦為核心，搭建了考慮用戶是否來自于川渝地區這一本異地差異的個性化旅游推薦APP。關鍵詞：旅游推薦;協同過濾;本異地差異。1.背景在新冠病毒疫情的爆發導致國人對國內旅游需求不斷增長，大數據時代信息爆炸與用戶對信息的利用率反而下降的雙重背景下[1]，提出了一種具有現實意義的個性化旅游推薦系統，實現了一種更能符合用戶需求來進行旅游景點推薦的APP。2.算法介紹2.1優化的基于物品的協同過濾推薦算法2.1.1 傳統的協同過濾推薦算法的缺點[2
科技信息·學術版 2021年19期2021-10-25
- 個性化電影推薦算法綜述
算法，主要有協同過濾、基于內容的推薦和混合推薦三類算法，然后比較分析了幾種推薦算法的優缺點。最后，針對推薦算法的發展方向，又對基于上下文的推薦算法進行了簡單的介紹。關鍵詞：電影推薦;協同過濾;基于內容的推薦;混合推薦Abstract：In the era of big data， all kinds of film and television resources have emerged， and the problem of "information
電腦知識與技術 2021年22期2021-09-14
- 基于Spark大數據處理的電影推薦系統設計與實現
，總體采用了協同過濾算法和基于內容的推薦算法實現混合推薦的目的。實現了前端可視化頁面、后臺業務處理、算法的設計與實現、環境的安裝與部署等多種操作方式。關鍵詞：推薦系統;混合推薦;協同過濾;Spark;ALS;機器學習0?引言隨著網絡碎片化管理視頻的時代到來，不斷產生的用戶數據，促使基于用戶的智能推薦影片的系統的實現非常重要。一個完善的推薦系統能夠為用戶提供實時需要的信息，正是如此推薦系統面對海量產生的數據信息，從中快速推薦出滿足用戶喜好的物品，對于一些“選
無線互聯科技 2021年11期2021-09-13
- 大數據平臺下實時電影推薦算法研究
模型所滿足，協同過濾推薦算法的不足也越來越明顯。為此，通過大數據計算框架Spark平臺構建基于模型的推薦算法來更好地應對海量數據實時推薦的問題。首先，通過預先設定的計算方法進行模型的構建;同時將一種改進的余弦相似度算法應用到模型中，不僅可以縮短推薦實現的時間，而且可以提高推薦性能。實驗結果表明，該算法和傳統協同過濾算法相比，提高了準確率和時效性，驗證了系統可較好地滿足用戶的實時需求。關鍵詞：Spark;實時;推薦算法;協同過濾中圖分類號：TP399? ?
軟件工程 2021年9期2021-09-13
- 基于用戶偏好和麻雀搜索聚類的協同過濾算法
雀搜索聚類的協同過濾推薦算法。首先使用評分偏好模型對原用戶項目矩陣進行修正，得到新的用戶偏好-項目矩陣。利用麻雀搜索對聚類中心點進行優化，從目標用戶所在簇內得到最近鄰，提高了算法迭代速度，改善了聚類中心點敏感的問題。使用相似度公式對目標用戶未評分項目進行預測，并完成推薦。實驗結果表明，相較于其他幾種推薦算法，準確度提高了4到6個百分點。關鍵詞：評分偏好;麻雀搜索;協同過濾;推薦精度中圖分類號：TP391.3文獻標志碼：A文章編號：1006-1037（202
青島大學學報（自然科學版） 2021年1期2021-09-10
- 面對智能分診的個性化推薦算法
部范圍內基于協同過濾的評分方式有機結合，提出了一種面向智能導診的個性化推薦算法。實驗結果表明，本文提出的算法能為用戶提供個性化的合理推薦結果。該方法對合理分配和使用醫療資源有很大的促進作用，能從一定程度上緩解就診壓力，提高就診質量，具有重要的實用價值和社會意義?！娟P鍵詞】輔助診療;智能導診;Skyline查詢;醫療推薦;協同過濾;推薦系統 中國人口數量與醫療資源之間的巨大反差使得醫療資源日趨不足，短期內增加醫療資源的總量幾乎是不可能的，因此有效整合和合理
客聯 2021年2期2021-09-10
- 基于位置優先與協同過濾的智能律師在線咨詢服務系統的研究與實現
于活動序列與協同過濾機器學習算法，重點解決找律師推薦的問題。本算法的設計思想如下：首先根據地位位置優先、再根據律師群體處理的法律事務序列的歷史記錄，利用語義分析得到法律事務的向量主題詞空間;然后利用聚類算法形成律師群體按事務類型的聚類模型;再通過NLP的方法提取目標用法律訴求的詞向量空間;最后通過協同過濾機制的機器學習算法，形成向目標用戶精準推薦的訓練模型?；诒舅惴ㄔO計了一套智能律師在線咨詢服務系統。通過定位快速優選推送就近的專業律師，同時分別從用戶評分
中國新通信 2021年14期2021-09-08
- 綜合時空信息的Web服務QoS預測方法研究
QoS預測;協同過濾;矩陣分解;個性化推薦中圖分類號：TP301? ? ? 文獻標識碼：A文章編號：1009-3044（2021）18-0233-03開放科學（資源服務）標識碼（OSID）：1 背景Web服務的QoS屬性是選取最佳候選服務時需要考慮的關鍵性因素，是動態服務發現、查詢、選擇和主動推薦的基礎，通常用來體現Web服務的非功能特性。由于在實際應用中，Web服務數量非常多，用戶對大多數服務并不了解，因此Web服務的QoS屬性值不完整。而且，不同用戶的
電腦知識與技術 2021年18期2021-08-18
- 基于時間因子改進個性化推薦模型
因子能對傳統協同過濾算法在MAE指標方面有一定提高，計算效果優于傳統推薦算法。關鍵詞：時間因子;個性化推薦;協同過濾中圖分類號：TP311.60 ? ? 文獻標識碼：AImproved Personalized Recommendation Model based on Time FactorHU Anming1， CHEN Huie2（1.School of Computer Science and Engineering， Guangzhou Inst
軟件工程 2021年7期2021-08-05
- 融合個性化推薦的文章聚合系統
合用戶畫像的協同過濾推薦方法，以此為平臺方用戶提供文章推薦服務。關鍵詞：個性化推薦? 文章聚合? 協同過濾? 用戶畫像中圖分類號：TP391.3? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A文章編號：1672-3791（2021）04（a）-0035-03An Article Aggregation System Integrating Personalized RecommendationYUAN Huanghui1? SUN Zhixin
科技資訊 2021年10期2021-07-28
- 一種改進的缺失數據協同過濾圖書自動推薦模型研究
對圖書館圖書協同過濾自動推薦系統，因數據缺失對圖書推薦結果產生影響。該文借助廣東嶺南職業技術學院圖書館50萬條樣本數據，通過對部分變量缺失數據進行插值，設計一種改進的缺失數據協同過濾圖書自動推薦系統模型（xDeepFM-D）。試驗結果表明，在模型訓練150輪后，測試集總損失為0.072 8，AUC（Area Under roc Curve）為0.927 4。對比常見推薦系統模型xDeepFM、DeepFM、FM&DNN以及FM，AUC分別提升了0.17%、
科技資訊 2021年10期2021-07-28
- 基于迭代SVD的電影推薦算法的研究
推薦算法中，協同過濾算法是最常使用、操作最簡單方便的算法，但傳統的協同過濾算法存在評分矩陣稀疏、推薦精度低等問題。針對這些問題，提出了矩陣填充策略，根據矩陣填充技術的優缺點，選擇了幾種填充稀疏矩陣的方法，并且利用迭代SVD算法得到了電影推薦的局部最優解，并利用均方根誤差（RMSE）對結果進行了評價，利用R軟件對電影評分數據集進行處理，實驗結果表明，與傳統的協同過濾推薦算法相比，迭代SVD算法能有效地提高推薦的準確性，更加準確地給用戶提供想看的電影。關鍵詞：
電腦知識與技術 2021年15期2021-07-19
- 基于標簽的協同過濾推薦方法研究
統基于物品的協同過濾算法由于物品相似度矩陣稀疏，推薦準確率不高。針對這一問題，提出一種基于標簽和改進杰卡德系數的協同過濾算法，進行電視節目個性化推薦。首先，爬取相關信息對原始數據進行擴充，并利用統計學方法對時間特征進行歸一化處理，計算用戶偏好系數;然后，統計出現次數較高的類別作為推薦類別標簽，并利用改進的杰卡德系數構造標簽相似度矩陣;最后，根據推薦類別標簽的用戶偏好系數計算節目的推薦系數。實驗結果表明，基于標簽的協同過濾算法可以降低稀疏矩陣對推薦準確率的影
北京聯合大學學報 2021年2期2021-05-21
- 基于畫像技術的車貨匹配與精準化推薦方法研究
簽體系，運用協同過濾推薦算法挖掘出具有不同業務類型的用戶群體，以期為用戶提供精準化個性服務。關鍵詞：畫像技術;車貨匹配;協同過濾中圖分類號：U294??? 文獻標識碼：AAbstract： With the promotion of big data information technology， the vehicle and cargo matching platform develops rapidly， and the market competi
物流科技 2021年11期2021-05-12
- 基于協同過濾和標簽的混合音樂推薦算法研究
題，提出一種協同過濾技術和標簽相結合的音樂推薦算法。該算法先通過協同過濾技術確定相似用戶，再通過相似用戶對某一歌手的標簽評分預測另一用戶對該歌手的偏好程度，從而選擇更符合用戶喜好的音樂進行推薦，以此提升個性化推薦效率，為優化音樂推薦系統提供參考方法。關鍵詞：協同過濾;標簽;音樂推薦;推薦系統中圖分類號：TP312? ? ?文獻標識碼：A文章編號：2096-1472（2021）-04-10-04Abstract： Traditional single rec
軟件工程 2021年4期2021-04-18
- 基于正則化矩陣分解的電影推薦算法
于基于用戶的協同過濾算法分別降低了14.12%和29.72%。實驗表明，本文提出的推薦算法能夠考慮不同年齡的差異，實現更加符合用戶實際的推薦需求，提高了推薦準確度和穩定性，改善了推薦誤差。關鍵詞：正則矩陣分解;用戶細分;推薦算法;協同過濾中圖分類號： TP391? ? 文獻標識碼： A文章編號：1009-3044（2021）01-0022-02隨著信息技術的快速發展，電影娛樂也成了人們生活的一部分，海量的觀影用戶數據帶動了觀影用戶的分析和個性化推薦的應用研
電腦知識與技術 2021年1期2021-03-15
- 融合時間上下文的改進協同過濾圖書推薦模型
：針對傳統的協同過濾推薦算法在高校圖書推薦場景中存在缺乏顯性評分、推薦精度低等問題，提出一種融合時間上下文的改進協同過濾圖書推薦模型?；趫D書歷史借閱記錄，首先構建基于借閱時長的讀者—圖書偏好度模型，將讀者歷史借閱記錄中隱含的借閱偏好信息轉換成顯性的讀者—圖書評分;然后考慮讀者借閱偏好隨時間動態變化因素，引入時間衰減因子對讀者—圖書評分模型進行修正，最后應用隱語義模型進行個性化圖書推薦。關鍵詞：時間上下文;協同過濾;圖書推薦隨著高校圖書館藏圖書資源的日益增
科技風 2021年3期2021-03-15
- 基于協同過濾的醫學生智能學習推薦系統設計
設計一種基于協同過濾的醫學生智能學習推薦系統，以臨床醫學專業學生為例，通過分析用戶歷史行為，經過數據探索與預處理，應用協同過濾算法，篩選并推送滿足用戶學習興趣和需求的信息和習題，為用戶提供個性化服務。關鍵詞：協同過濾;醫學生;智能推薦中圖分類號：TP302.1? ? ? 文獻標識碼：A文章編號：1009-3044（2021）36-0095-02開放科學（資源服務）標識碼（OSID）：Design of Intelligent Learning Recomm
電腦知識與技術 2021年36期2021-03-07
- 基于Python的用戶協同過濾推薦系統的研究與實現
。本文研究了協同過濾算法，使用Python語言實現了基于用戶的協同過濾推薦系統，構建了推薦系統的架構，給出了實現個性化推薦的關鍵代碼，并在ml-latest-small 數據集上對用戶相似度算法進行了測試。關鍵詞：相似性;協同過濾;推薦系統;Python中圖分類號：TP311 ? ? ?文獻標識碼：A文章編號：1009-3044（2020）31-0234-031 概述信息技術和互聯網技術的迅猛發展以及數據量爆炸式的增長，將我們帶到了“信息過載”[1]的時代
電腦知識與技術 2020年31期2020-12-28
- 基于Spark的電影推薦系統的設計與實現
用聚類技術和協同過濾等技術來緩解這些問題，提升推薦質量，從而滿足人們能夠快速地獲取所需信息。然后設計出一個關于電影的推薦網站，采用現今比較流行的處理大數據的Spark[4]技術以及依托建立在其上層的MLlib機器學習生態庫。達到處理海量數據的能力，根據現有的條件技術從離線推薦和熱門推薦兩種方式分區組合推薦來實現本系統。關鍵詞：大數據;協同過濾;Spark;機器學習中圖分類號：TP391 文獻標識碼：A文章編號：1009-3044（2020）33-0080-
電腦知識與技術 2020年33期2020-12-28
- 一種基于用戶和商品屬性挖掘的協同過濾算法
為了解決傳統協同過濾算法數據稀疏而導致的推薦不準確等問題，引入商品屬性值的概念，根據改進后的用戶相似度填充用戶?屬性矩陣，最后對物品興趣程度及商品屬性評分和進行加權推薦。通過在電影數據集MovieLens上的實驗表明，改進后的算法能夠顯著提升推薦準確率。關鍵詞： 協同過濾; 商品屬性評分; 用戶興趣評分; 推薦算法; 混合推薦; 實驗分析中圖分類號： TN911.1?34; TP183 ? ? ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ?
現代電子技術 2020年23期2020-12-23
- 基于Hadoop的東盟電子商務平臺的研究與設計
;數據分析;協同過濾;業務;用戶;盈利中圖分類號：F724?文獻識別碼：A?文章編號：2096-3157（2020）24-0015-032018年11月12日，東南亞國家聯盟各國在新加坡簽署東盟電子商務協議，旨在促進區域內跨境電商貿易便利化。東盟電子商務協議的簽訂，為東南亞國家步入電商新時代帶來了有利的契機。與此同時，在電商平臺系統的研究與設計方面也需要加快步伐，這樣才能夠更好地滿足電商企業入駐的需求。同時，用戶訪問過程中信息瀏覽、商品推送的效率也能大大提
全國流通經濟 2020年24期2020-12-23
- 一種基于營養標準的個性化幼兒套餐推薦方法
?！娟P鍵詞】協同過濾;FTRL;多目標優化;個性化推薦;營養均衡引言近幾年也有基于營養標準和食物個性推薦算法的相關研究，如利用協同過濾并且使用引入差分變 異策略算子的NSGA-2個性化健康飲食推薦方法[1]，基于情境感知的校園餐飲推薦方法[2]，利用粒子群，聚類和Slope one等算法的基于營養飲食推薦系統研究[3]，食材搭配推薦算法 研究[4]則是利用了基于NSGA-2改進的MOGA-UP算法和BP算法。本文則在經典的協同過濾推薦算法LMF和Item
理論與創新 2020年17期2020-11-16
- 基于相似偏好模型的產品組合精準營銷策略研究
用基于用戶的協同過濾的算法，刻畫用戶特征，建立用戶相似興趣偏好矩陣。本文建立了一種基于相似偏好用戶的產品組合模型，模型采用TOC約束理論下的產品組合模型為基礎，利用約束理論簡化模型，并用粒子群算法求得滿意解。最后結合某企業給出的大量數據，求解模型，為企業營銷提供有力的數據支撐。本文的研究能夠使企業產品組合營銷更加智能、高效、便捷。結果表明，該方法能夠有效地刻畫用戶偏好，更好地了解客戶需求，提高產品組合套餐的精確性，有利于企業產品營銷。關鍵詞：用戶興趣偏好;
青年生活 2020年17期2020-10-21
- 基于聚類和SVD++的電影推薦系統的研究六
摘要：傳統的協同過濾算法存在著冷啟動、數據稀疏性和可擴展性等關鍵問題，這都使得用戶的歷史播放列表數據信息難以獲得，從而導致推薦電影時精度較低。文章將聚類算法與SVD++模型相結合，通過K-means聚類算法將相似用戶根據評分聚類的同時，并利用SVD++模型對聚類后的每個集群中的評分矩陣進行分解，從而解決相似用戶查找效率低和評分矩陣數據稀疏性的問題，使得電影推薦系統具有較高的精度。關鍵詞：推薦系統;協同過濾;聚類;SVD++：數據稀疏性中圖分類號：TP391
計算機時代 2020年9期2020-10-09
- 淺析基于協同過濾算法的網上超市系統
售的擁堵。而協同過濾算法可以對顧客進行智能化商品推薦，也可以輔助商家進行智能化進貨。本文從協同過濾算法的基本理論、網上超市系統的功能分析、協同過濾算法在網上超市中的應用這三個方面，簡要介紹了一種基于協同過濾算法的網上超市系統。關鍵詞 網上超市;協同過濾;相似性;推薦引言網上超市這個名字并不新鮮，它與網上商城相似卻又不同。網上超市將實體店的部分營業方式搬到線上來，采取線上線下結合的方式進行運營。例如淘寶的“淘鮮達”，就是一個眾所周知的網上超市，超市生鮮，1小
科學與信息化 2020年27期2020-10-09
- 基于智能推薦的在線組隊平臺
用基于需求和協同過濾的兩種推薦算法進行智能推薦，并為平臺上發布的每個團隊需求提供在線聊天室功能，以便需求發布者和潛在參與者可以實時溝通和互動，達到快速有效組建團隊的目的。關鍵詞：在線組隊;智能推薦;需求推薦;協同過濾中圖分類號：TP312 文獻標識碼：A文章編號：1009-3044（2020）18-0084-03開放科學（資源服務）標識碼（OSID）：1 背景在當今社會，組隊參加競賽或者參與其他活動已成為普遍現象。當前組隊一般在彼此熟識的人中間進行，往往達
電腦知識與技術 2020年18期2020-10-09
- 基于SVD填充和用戶特征屬性聚類的混合推薦算法
：推薦算法;協同過濾;奇異值分解;K均值聚類;遺忘曲線中圖分類號：TP301.6? ? ? ? ? ? ? ? ? ?文獻標識碼：A文章編號：1009-3044（2020）16-0011-05開放科學（資源服務）標識碼（OSID）：Abstract： Facing the increasing amount of data in the scoring matrix， it is the key to solve the problem of sparse
電腦知識與技術 2020年16期2020-09-28
- 基于用戶屬性偏好與時間因子的服裝推薦研究
與基于用戶的協同過濾（UCF）算法、基于項目的協同過濾（ICF）算法及基于項目偏好的協同過濾（UCSVD）算法進行比較，結果顯示，UIACF算法準確率提高14%。該算法為基于用戶的服裝協同過濾個性化推薦提供了一種新思路，用戶潛在興趣挖掘效率更高。關鍵詞：圖像分類;用戶偏好;協同過濾;服裝推薦;時間因子DOI：10.11907/rjdk.192085開放科學（資源服務）標識碼（OSID）：中圖分類號：TP301文獻標識碼：A 文章編號：1672-7800（2
軟件導刊 2020年6期2020-07-24
- 基于社交網絡的推薦系統研究
;矩陣分解;協同過濾DOI： 10. 11907/rjdk.192186開放科學（資源服務）標識碼（OSID）：中圖分類號：TP301文獻標識碼：A文章編號：1672-7800（2020）001-0046-040 引言隨著移動互聯網的發展，大眾社交方式不斷變化，以微博為代表的社交媒體扮演了越來越重要的角色，作為一種弱關系社交網絡，其重要特點是信息快速傳播與分享。2018年底，新浪活躍用戶達3.92億，用戶在使用社交網絡的過程中產生了大量數據，由于數據量龐大
軟件導刊 2020年1期2020-07-14
- 基于用戶的協同過濾推薦算法概述
技術都是圍繞協同過濾而展開研究的。本文概括介紹了基于用戶協同過濾推薦算法的理論思路，并對協同過濾推薦算法的發展趨勢做了簡單的闡述?！娟P鍵詞】協同過濾 ;特征挖掘 ;推薦系統 ;基于用戶引言在如今這個大數據時代，互聯網應用所產生了海量的數據，那么在這么龐大的數據中，必定蘊含了豐富的意義，也必定有其應用價值。但是種類之繁雜的海量數據對于用戶來說不全是有用的，用戶提取有用數據會耗費大量的時間成本，因此協同過濾推薦算法根據用戶的需求誕生了。1.協同過濾推薦概述1.
理論與創新 2020年9期2020-07-14
- 加入懲罰因子的電商平臺協同過濾推薦算法
多樣，在傳統協同過濾推薦算法基礎上，分別將熱門項目與活躍用戶的懲罰因子引入相似性計算中，依據準確度、覆蓋率、流行度等評價標準，在上海某電商平臺銷售數據集上進行比較，并通過多組實驗驗證不同參數對推薦算法的影響。結果顯示，加入懲罰因子后基于用戶的協同過濾推薦算法在N值取10、K值取3時，流行度為3.97，比傳統方法降低了7.31%：加入懲罰因子后基于項目的協同過濾推薦算法在N值取10、K值取3時，準確率為7.65%，比傳統方法提高了5.25%。由此證明加入懲罰
軟件導刊 2020年1期2020-07-14
- 圖書館書目協同智能推薦系統設計與實現研究
圍，采用采用協同過濾算法計算讀者相似度，獲取與讀者感興趣相似的結果，最后根據相似度得到讀者對每種圖書感興趣的評價值，并根據評價值進行圖書館書目智能推薦。仿真實驗結果表明，該系統可以獲得最優的推薦圖書館書目，讀者對圖書館書目推薦結果的滿意度高。關鍵詞：?圖書館書目; 協同過濾; 智能推薦; 檢索結果中圖分類號： G 250? ? ? 文獻標志碼： ADesign and Implementation of Library Bibliographic Coll
微型電腦應用 2020年4期2020-06-30
- 改進型協同過濾的圖書推薦算法
性分組的改進協同過濾算法。該算法首先根據用戶喜歡的圖書類型去選擇相似用戶，縮小數據集，再根據基于用戶的協同過濾算法尋找最近鄰居集合，然后根據項目推薦值的方法向用戶推薦感興趣的圖書序列。實驗結果表明：在同一數據量下，該算法在推薦數據量以及覆蓋率方面均優于同類算法。關鍵詞：?協同過濾; 用戶分組; 用戶相似度中圖分類號： TG 4? ? ? 文獻標志碼： AA Book Recommendation Algorithm Based on Improved Co
微型電腦應用 2020年4期2020-06-30
- 大數據背景的變頻興趣變化推薦算法研究
應興趣變化的協同過濾算法不能反應用戶興趣變化的頻率，對即時熱點也不足夠敏感。同時，因為計算量大，不適應大數據場景。為此我們采用對時間分層的推薦模型結合熱點權重函數，解決了傳統算法存在問題，在生產環境中具備較高的應用價值。關鍵詞：個性化推薦;協同過濾;推薦算法;興趣變化;大數據推薦系統;相似度計算中圖分類號：TP391 ? ? ? ?文獻標志碼：A ? ? ? ? 文章編號：2095-2945（2020）20-0014-03Abstract： The exi
科技創新與應用 2020年20期2020-06-29
- 基于云平臺的慕課資源協同過濾推薦算法
當前慕課資源協同過濾推薦算法存在推薦誤差大、無法實現在線推薦的難題，為了提高慕課資源協同過濾推薦精度，設計了基于云平臺的慕課資源協同過濾推薦算法。首先分析慕課資源協同過濾推薦的原理，提取慕課資源相似度特征，然后引入k-最近鄰對慕課資源相似度進行評價，實現慕課資源分類和協同過濾推薦，最后在云平臺分布式、并行實現慕課資源協同過濾推薦算法，并與傳統算法進行了仿真對比實驗。結果表明，相對于傳統算法，提出的算法使得慕課資源協同過濾推薦精度得到較高提升，能夠解決當前慕
微型電腦應用 2020年5期2020-06-29
- 基于協同過濾算法的旅游推薦系統的設計與實現
游景點屬性的協同過濾算法的旅游推薦系統。該文首先為旅游景點建立評價指標體系，將指標數據作為景點屬性進行相似度計算并根據計算結果對旅游景點進行相似分類，結合協同過濾算法計算用戶相似性并產生專屬景點推薦列表，為用戶提供個性化旅游推薦。本系統對河北省11個城市的旅游景點進行推薦。關鍵詞：旅游推薦;景點屬性;協同過濾;相似度中圖分類號：TP311? ? ? 文獻標識碼：A文章編號：1009-3044（2020）35-0064-03開放科學（資源服務）標識碼（OSI
電腦知識與技術 2020年35期2020-06-07
- 基于DB-CF算法的音樂平臺個性化推薦研究
;然后，通過協同過濾算法計算對象用戶與各聚類中心的相似度，再通過對比相似度度量矩陣，遍歷離對象用戶最近的鄰居，通過鄰居作出評分預測。實驗表明，采用DB-CF算法比傳統算法準確率提高8%左右，可以產生更準確的推薦結果，為用戶帶來更好的體驗。關鍵詞：音樂電臺;信息超載;個性化推薦;協同過濾;聚類DOI：10. 11907/rjdk. 192582??????????????????????????????????????????????????????????
軟件導刊 2020年3期2020-05-28
- 基于用戶聚類的圖書協同推薦算法研究
? 要：針對協同過濾推薦算法中因圖書評分數據稀疏，導致推薦質量和推薦效率低的問題，提出結合用戶聚類的圖書協同過濾推薦算法。首先將用戶身份特征數據和行為數據進行向量化表示，并利用K-means聚類算法進行用戶聚類成為不同的類別;其次計算目標用戶與各類別的距離，并選擇最近距離的類別作為目標用戶的檢索空間;最后，從檢索空間中通過相似度計算確定目標用戶的最近鄰居，在此基礎上產生推薦列表。實驗結果表明，所提算法能夠有效提高推薦精度，降低推薦所耗時長。關鍵詞：推薦系統
科技資訊 2020年9期2020-05-13