共查询到10条相似文献,搜索用时 46 毫秒
1.
2.
最近邻协同过滤常用的计算用户访问行为相似程度的距离函数仅是测定访问者对象在所有测试属性空间上的平均测定,而在属性集的子维空间上的相似模式并没有有效地挖掘出来,用户评分数据稀疏等问题使其推荐质量下降。针对这些问题,提出一种基于用户模式聚类的协同过滤推荐算法,该算法采用基于用户模式相似的子空间聚类方法产生聚类,并且利用模式相似度改进协同过滤,从而对用户产生个性化推荐。实验结果表明,该方法改善了推荐系统的效率和精度。 相似文献
3.
综合用户背景与资源特点,基于用户的协同过滤更适合高校图书馆在信息推荐中的应用。对其由于馆藏数字资源空间增大而导致推荐系统性能下降以及数据稀疏性问题,提出一种用户意图聚类的方法。通过运用K—means算法,对资源类别的意图特征值相似用户进行聚类,来提高推荐的实时性,降低数据稀疏性对信息推荐造成的影响。实验结果表明,基于用户意图聚类的协同过滤算法能有效提高推荐质量。 相似文献
4.
针对传统协同过滤技术在图书推荐中效率不高、数据极端稀疏性及主观性强等问题,提出一种基于云填充和蚁群聚类的协同过滤图书推荐方法,首先根据蚁群聚类算法得到用户群分类,然后在进行协同过滤前预先通过云模型填充用户——项目矩阵,以降低数据的稀疏性。实验结果表明,该算法在推荐精度上有明显的提高。 相似文献
5.
本文使用聚类算法将项目和用户进行分组,从而引入内容特征,再结合协同过滤方法,构造一种混合的推荐方法。实验结果表明,本文的推荐方法在较高稀疏度下优于一般的协同过滤算法。 相似文献
6.
高维数据的稀疏性问题是降低协同过滤技术推荐质量的主要原因之一。提出了基于径向基函数网络(RBFN)——项目聚类的算法来降低数据的稀疏性,应用径向基函数网络(RBFN)处理高维稀疏数据得到一个完整的矩阵,应用基于项目聚类的协同过滤推荐算法产生推荐。实验结果表明,本算法比其他算法能更好处理协同过滤中的稀疏性问题。 相似文献
7.
8.
9.
个性化信息服务中用户偏好的动态挖掘 总被引:2,自引:0,他引:2
基于个性化信息服务中用户偏好随时间变化的特性,采用聚类、关联规则等技术,对用户偏好进行动态挖掘.通过追踪用户需求序列,最终产生Top-N产品推荐,旨在提高推荐系统的推荐质量.然后选取协同过滤算法作对照,并采用MovieLens站点提供的测试数据集.通过对召回率和精度两项指标的分析,表明该动态挖掘算法具有较高的推荐准确度和全面性. 相似文献