共查询到20条相似文献,搜索用时 187 毫秒
1.
2.
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
3.
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
4.
旅游路线的选择与多种因素有关,如游客年龄、旅游季节、景点类型、游览时间等,如何较好地针对不同游客特点进行个性化旅游路线的设计与推荐,一直是旅游工作者的首要目标。把应用数据挖掘技术的朴素贝叶斯方法应用到个性化旅游路线推荐系统中,是一个新的尝试。通过对蜂窝网的旅游攻略进行文本处理,得到丰富的旅游路线训练数据,然后使用朴素贝叶斯方法为特定需求的用户提供个性化路线推荐。推荐结果通过召回率、准确率两个指标进行评价。结果显示,利用朴素贝叶斯方法可以为用户提供与之需求相符合的个性化旅游路线。 相似文献
5.
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
6.
7.
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
8.
《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
9.
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
10.
11.
针对传统协同过滤推荐算法中存在的数据稀疏性问题,提出了一种基于二分K means的协同过滤推荐算法。该算法在K means算法的基础上,为了降低初始质点选择对聚类结果的影响,在运行中逐个添加质点。首先初始化评分数据并将其作为初始簇,然后选择合适的簇随机产生两个质点将簇分裂为两个簇,重复上述步骤,直到聚类完成。最后为了降低不同用户评分标准差异,将用户评分的平均值和用户同簇内相互间的相似度相结合,计算预测评分矩阵,生成推荐结果。实验结果表明,改进后的算法较好地解决了数据稀疏问题,提高了推荐质量。 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.
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
14.
为实现对可信Web 服务的推荐,提出基于用户及相似用户使用经验的Web服务信任模型,该模型一方面定义用户自身服务使用经验为直接信任度;另一方面,依据相似用户使用经验定义推荐信任度。采用TOP K算法,选出与用户最相似的K个最近邻,根据直接信任度与间接信任度预测出服务性能后进行服务推荐。模拟实验结果表明,该方法能有效进行Web服务推荐。 相似文献
15.
16.
针对协同过滤系统中数据稀疏导致推荐质量下降的问题,提出了一种基于时间和共同评分项目数的协同过滤算法。其基本思想是:首先定义关于时间信息函数来降低预测误差,两个用户对共同评分的物品产生行为的时间间隔越远,他们之间的相似度就会越小;其次,定义和共同评分项目数量有关的函数,惩罚数量很少的两个用户之间相似度。实验表明,改进的算法通过调整用户相似度,比传统的协同过滤算法具有更好的推荐质量。 相似文献
17.
为了从大量的信息中检索出符合用户偏好和需求的旅游资源,本文以安康为例,设计了一套旅游景点推荐系统.该系统由前台输入和后台管理组成,前台实现了旅游景点信息浏览、网站机构简介、网站博客浏览、用户注册、用户登录、景点评价等设计;后台实现了用户信息管理、旅游景点信息管理、旅游景点推荐信息管理等设计. 相似文献
18.
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
19.
20.
微博的普及导致微博平台数据量日益增长,因此从海量微博中快速准确地为微博用户推荐好友成为了巨大挑战。用户的社交网络和微博文本在一定程度上体现了用户的价值观和兴趣爱好,有相似兴趣的微博用户更有可能成为朋友。基于上述事实,以用户微博文本相似度为似然函数,使用K-means聚类对微博用户聚类,得到微博用户社交圈;在社交圈内部迭代计算用户之间的相似度,同时计算用户对其所在社交圈中其余用户的信任度;最后,根据用户之间的相似度和信任度完成微博好友推荐。实验结果表明,该算法优于传统的基于社交网络拓扑图的好友推荐方法。 相似文献