共查询到20条相似文献,搜索用时 31 毫秒
1.
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
2.
3.
针对传统基于内容的推荐模型,在用户低频率选择情况下无法给出准确度较高的推荐结果的问题,提出一种改进的适用于用户低频率选择情况下的基于内容的推荐模型。首先构建用户的特征文件,然后应用聚类算法对用户特征文件进行分析,根据聚类分析结果获得目标用户的最终描述文件,最后通过计算目标用户最终描述文件与项目描述文件之间的相似性给出推荐结果。 相似文献
4.
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
5.
6.
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
7.
8.
为了弥补基于网络结构的推荐算法存在的新用户和新产品问题,提出了一种考虑项目特征属性的项目网络结构图的推荐算法,根据项目的特征属性矩阵得到任何两个项目的相似性,然后采用一种考虑项目相似性的资源配额度量方法计算目标用户的最终资源分配向量,将目标用户没选择过的排序靠前的项目进行推荐。该算法可以有效解决新项目的冷启动问题,提高系统推荐质量。 相似文献
9.
推荐系统是根据用户的历史浏览记录或对项目的评分记录,自动为用户推送需要的信息,完成个性化推荐功能,是信息获取领域非常重要的技术。首先对用户进行模糊C均值聚类操作,将用户分为用户簇。将加权的欧氏距离替换传统的欧氏距离计算方法,在目标用户所在的用户簇内进行协同过滤推荐,得到Top-n推荐集,为用户完成项目推荐。实验结果表明,该方法可以提高推荐精度,减少评分误差,提高推荐质量,优化推荐效果。 相似文献
10.
基于Hadoop平台的实时电影推荐系统在需要大量迭代计算时运行速度明显变慢,无法根据用户行为作出实时反馈。针对以上问题,设计基于Spark流式计算的实时电影推荐系统,可更好地满足用户实时需求。基于Spark流式计算的实时电影推荐系统将传统电影推荐算法与Spark流式计算方法相结合,在线部分使用Spark Streaming实时接收用户模拟评分,并使用Scoket编程模拟用户浏览商品时产生的实时日志数据。日志数据包括用户当前浏览电影、观看电影次数、停留时间与是否购买该商品,再使用Spark Streaming构建实时数据处理系统,计算出当前用户相关度最高的电影并进行推荐。实验结果表明,基于Spark 平台的电影实时推荐系统在离线推荐训练过程中,训练速度相对于Hadoop 平台有明显提高,能根据用户行为作出实时反馈,并向用户进行电影推荐。 相似文献
11.
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
12.
《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
13.
讨论为访问用户提供高质量个性化推荐服务的个性化推荐系统的设计和实现.通过分析现有的基于Web体系结构的个性化推荐系统的特点,从用户访问W eb页面的特点出发,确定了以网页结构相关性为基础进行个性化推荐技术研究的目标.推荐系统由离线挖掘子系统和在线推荐子系统两部分组成.仿真实验表明,基于网页结构相关性的推荐系统具有较高的推荐准确性和更快的响应速度. 相似文献
14.
随着互联网与移动终端的普及,网络上的电影娱乐信息数量海量增加,用户对电影个性化服务的需求日益旺盛。设计电影个性化推荐系统,该系统基于B/S模式,采用JavaEE体系架构。个性化电影推荐服务能够挖掘用户信息、电影项目信息间隐藏的关联性,从而发现用户的潜在兴趣,将用户可能感兴趣的影视片推荐给用户。 相似文献
15.
简要介绍了电子商务推荐系统的概念,着重讨论了基于协同过滤的推荐技术、基于内容的推荐技术、基于效用的推荐技术、基于知识的推荐技术和基于用户统计的推荐技术,并对这些推荐技术进行了对比分析,最后提出了适合我国电子商务发展的组合推荐策略. 相似文献
16.
17.
18.
19.
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
20.
基于用户的协同过滤推荐算法是应用范围广且应用效果较好的推荐算法之一。传统单机模式下运行的基于用户的协同过滤推荐算法在面对海量数据时存在严重的性能瓶颈问题,很难满足实际计算需求,而基于MapReduce的并行计算框架为解决该问题提供了新思路。MapReduce是Hadoop开源框架的核心计算编程模型, MapReduce的设计目标是方便编程人员在不熟悉分布式并行编程的情况下,可将自己的程序运行在分布式系统上。根据基于用户的协同过滤推荐算法特点,提出MapReduce并行化实现方法。实验结果表明,在MapReduce并行计算框架下实现的基于用户的协同过滤推荐算法在算法性能及稳定性方面都取得了理想效果。 相似文献