共查询到20条相似文献，搜索用时 250 毫秒
1.
个性化图书推荐主要是以用户特征和借阅行为为挖掘对象,通过获取用户的兴趣特征及隐含的需求模式,实现用户与图书相互关联的个性化图书推荐服务。本文通过挖掘用户的背景信息构建用户特征模型,然后在设计喜好值计算、用户相似度计算和内容相似度计算以及标签信息获取方法的基础上,研究多种不同的图书推荐方法,以挖掘用户的潜在信息需求。最后利用图书馆的真实数据设计面向高校图书馆的个性化图书推荐系统,同时以标准网络数据集通过实验验证来评估推荐方法的有效性。 相似文献
2.
个性化推荐服务可以帮助用户克服信息过载问题,受到广泛的关注.虽然目前的个性化推荐方法较多,但大多数方法与用户之间的交互性不强,很难满足用户个性化需求.鉴于TOPSIS方法是一种常用的有限方案多属性决策分析法,对对象评估既全面又客观,所以将其用到了个性化推荐研究之上,进而提出了基于TOPSIS算法的个性化推荐模型及其算法,最后通过举例表明了该算法能够较好地与用户进行交互,同时能够为用户提供满足其需求偏好的个性化推荐. 相似文献
3.
《黑龙江科技信息》2017,(1)
电子商务系统随着用户和商品的不断增加,会出现信息过载的问题。用户会浏览到一些与自己购买商品无关的商品,影响用户的购物体验,会造成用户的流失,降低平台的转化率。因此,要想增加用户的黏度,就需要提供一些个性化的服务。为了解决电子商务系统个性化的推荐问题,本文研究了基于Hadoop生态平台构建立的个性化推荐系统。采用Map Reduce离线计算框架实现大数据的集群计算,提高系统的伸缩性和计算性能。采用协同过滤和用户特征标签的融合的算法,提高推荐的精准度。实验的结果表明,在Hadoop平台上可以实现分布式的离线计算,产生个性化的推荐结果,克服了传统爆款模型推荐的单一性,提高了推荐质量。 相似文献
4.
[目的/意义]将情境感知技术引入图书馆以提高服务的智能化，已成为数字图书馆的发展趋势之一。为了提高情境感知模型中推荐结果的准确度。[方法/过程]本文研究并提出了一种融合了朴素贝叶斯算法与情景感知功能的协同推荐模型，并通过实验对推荐效果进行了评估。具体为：首先，获取用户的当前任务和情景信息，同时提取历史信息库用户的行为偏好；其次基于属性加权贝叶斯算法计算用户的行为相似度，继而进行协同推荐；通过计算目标情景中所有情景属性对所推荐资源的影响的权值，对协同推荐所得评分进行加权处理，形成最终的预测预测；最后通过实验对模型进行检验。[结果/结论]结果表明：使用该模型得出的推荐结果优于传统的协同推荐结果。因此该模型能够更好地为为个性化信息服务提供支持。 相似文献
5.
6.
[目的/意义]挖掘潜在好友关系并进行精准的好友推荐服务,已成为社交网络领域研究的热点,基于用户属性-关系相似度的好友推荐模型研究旨在增强用户忠诚度以及在线社区活跃度,提升社区的信息服务准确性和效率。[方法/过程]通过融合用户链接关系与属性特征,提出用户属性-关系相似评价体系;采用因子分析法,计算得出各项目权重以及综合得分;据此构建社交网络相似度矩阵,基于派系划分方法,对用户进行划分分区,最终实现好友推荐服务。[结果/结论]实验结果表明,运用派系划分的基于用户属性-关系推荐模型在推荐列表长度受限情况下的整体表现较优,有效提高推荐精准度。 相似文献
7.
【目的/意义】利用用户画像以及个性化推荐算法实现智慧图书馆中的图书推荐。【方法/过程】从构建智慧
图书馆用户画像的自然属性、兴趣属性、社交属性三个数据维度出发,借助相似度计算方法分别计算不同维度读者
和图书的相似度,实现基于相似读者和相似图书的虚拟图书推荐,阐述了借助智慧图书馆的先进技术实现基于位
置的实体图书推荐。【结果/结论】实验结果表明将用户画像用于智慧图书馆图书推荐可提升图书馆个性化服务能
力,针对读者实现精准推荐。【创新/局限】基于用户画像的图书推荐从多个维度进行组合推荐,实现了智慧图书馆
虚拟图书和实体图书的个性化推荐,提高了推荐质量,为提升智慧图书馆个性化服务具有一定的借鉴意义。局限
在于选取的读者以及图书数量较少。 相似文献
8.
[目的/意义]从用户相似度计算和用户反馈双重视角出发,进行高质量用户推荐,有利于提高网络知识社区个性化推荐水平。[方法/过程]首先基于爬虫工具和Python包进行用户属性数据采集和分析,以计算用户之间的背景、社交关系、博文信息的综合相似度;然后再计算用户核心度,基于相似度矩阵和核心用户排名形成待推荐列表;最后引入用户反馈机制,并根据用户的正负反馈结果确定最佳Top-k好友。[结果/结论]融入用户反馈的好友推荐模型能够提高推荐用户的质量,有效地提高好友推荐水平,也验证了好友推荐是一个逐步修复的过程。 相似文献
9.
【目的/意义】研究从用户节点和网络全局两个视角出发,基于用户相似度与信任度对虚拟学术社区中学者
进行推荐,提高学者推荐的质量。【方法/过程】首先,利用 LDA 主题模型挖掘学者发表的博文主题,计算博文相似
度;通过学者共同好友比例计算好友相似度;然后将博文相似度和好友相似度融合计算用户相似度;最后,融合用
户相似度和信任度进行学者推荐。【结果/结论】提出虚拟学术社区中基于用户相似度与信任度的学者推荐方法,综
合利用用户节点和网络全局信息,为虚拟学术社区用户进行学者推荐。【创新/局限】从用户节点和网络全局两个角
度进行学者信息融合,有效提高了虚拟学术社区中学者推荐的质量。局限在于本文主要考虑的是学者在网络全局
中的信任度,用户节点间的交互信任关系还有待进一步研究。 相似文献
10.
[目的/意义]为提高知识付费平台用户感知服务质量,文章构建了融合用户画像与协同过滤的个性化推荐模型。[方法/过程]首先根据用户特性构建画像标签体系,利用TF-IDF、熵值法、k-means等方法确定用户特征标签;其次分别基于用户画像与改进后的协同过滤算法计算用户相似度,通过调和权重得到用户综合相似度;最后利用Top-N进行个性化推荐。[结果/讨论]通过知乎live付费用户信息进行验证,发现本文算法在推荐结果的准确率以及召回率上,相比其单一方法均有较大提升,且满意度高于知乎live平台。 相似文献
11.
针对创新社区日益增长的海量信息阻碍了用户对知识进行有效获取和创造的现状,将模糊形式概念分析（FFCA）理论应用于创新社区领先用户的个性化知识推荐研究。首先识别出创新社区领先用户并对其发帖内容进行文本挖掘得到用户——知识模糊形式背景,然后构建带有相似度的模糊概念格对用户偏好进行建模,最后基于模糊概念格和协同过滤的推荐算法为领先用户提供个性化知识推荐有序列表。以手机用户创新社区为例,验证了基于FFCA的领先用户个性化知识推荐方法的可行性,有助于满足用户个性化知识需求,促进用户更好地参与社区知识创新。 相似文献
12.
社会标签系统是Web2.0中提出的概念,旨在更好地表达用户的兴趣和意愿。而标签聚类是社会标签系统的个性化推荐中一个重要的研究课题。本文研究了如何基于标签聚类与用户模型来进行个性化推荐的方法。通过计算标签的相似度进行标签聚类,结合用户模型,根据标签聚类结果做出推荐。通过采用CiteULike公布的数据集进行实验证明,与未采用标签聚类的推荐方法相比,本方法不仅可提高推荐的命中率,优化目标资源的排名,而且能为用户发现更多新的感兴趣的资源。 相似文献
13.
【目的/意义】“信息过载”问题不利于用户快速准确获取目标信息,本文提出构建社交媒体基因图谱并应
用于信息推荐领域,为用户信息推荐提供新思路。【目的/意义】本文将社交媒体分解为社交媒体用户和社交信息内
容两大主体部分,借助生物学基因图谱概念,建立两大主体基因群并分别进行基因提取,构建社交媒体基因图谱,
并通过社交媒体基因图谱唯一辨识用户实体偏好进行信息推荐。【结果/结论】构建基于社交媒体基因图谱的信息
推荐模型,考虑用户内部及信息环境对基因图谱的影响,进行模型优化,为用户提供更加精准的信息推荐内容。【创
新/局限】基因的变异无法准确预估和控制,需要进一步研究引起基因变异的因素及变异方向,通过基因的可复制
性更加高效准确地对个人用户社交媒体基因图谱进行构建,进而实现其在信息推荐领域的应用。 相似文献
14.
Recommender systems play an important role in reducing the negative impact of information overload on those websites where users have the possibility of voting for their preferences on items. The most normal technique for dealing with the recommendation mechanism is to use collaborative filtering, in which it is essential to discover the most similar users to whom you desire to make recommendations. The hypothesis of this paper is that the results obtained by applying traditional similarities measures can be improved by taking contextual information, drawn from the entire body of users, and using it to calculate the singularity which exists, for each item, in the votes cast by each pair of users that you wish to compare. As such, the greater the measure of singularity result between the votes cast by two given users, the greater the impact this will have on the similarity. The results, tested on the Movielens, Netflix and FilmAffinity databases, corroborate the excellent behaviour of the singularity measure proposed. 相似文献
15.
16.
A recommender system has an obvious appeal in an environment where the amount of on-line information vastly outstrips any individual’s capability to survey. Music recommendation is considered a popular application area. In order to make personalized recommendations, many collaborative music recommender systems (CMRS) focus on capturing precise similarities among users or items based on user historical ratings. Despite the valuable information from audio features of music itself, however, few studies have investigated how to utilize information extracted directly from music for personalized recommendation in CMRS. In this paper, we describe a CMRS based on our proposed item-based probabilistic model, where items are classified into groups and predictions are made for users considering the Gaussian distribution of user ratings. In addition, this model has been extended for improved recommendation performance by utilizing audio features that help alleviate three well-known problems associated with data sparseness in collaborative recommender systems: user bias, non-association, and cold start problems in capturing accurate similarities among items. Experimental results based on two real-world data sets lead us to believe that content information is crucial in achieving better personalized recommendation beyond user ratings. We further show how primitive audio features can be combined into aggregate features for the proposed CRMS and analyze their influences on recommendation performance. Although this model was developed originally for music collaborative recommendation based on audio features, our experiment with the movie data set demonstrates that it can be applied to other domains. 相似文献
17.
[目的/意义]旨在深入研究情境信息对用户偏好的影响,提高情境感知推荐的准确性。[方法/过程]提出了基于梯度提升决策树的情境感知推荐模型,根据梯度提升决策树计算情境属性权重,将其与传统协同过滤算法相融合,生成情境感知推荐结果。[结果/结论]该模型可以识别影响用户偏好的重要情景属性,为用户提供个性化推荐服务。 相似文献
18.
互联网时代,个性化推荐系统逐渐被应用到各个不同的领域,随之个性化推荐算法也成为目前研究的热点。然而,传统的推荐算法往往存在着冷启动、数据稀疏等问题。本文在对传统推荐算法研究的基础上,提出了一种基于相似传播和情景聚类的协同过滤推荐算法,根据计算用户间的情景相似度对用户进行聚类,然后根据相似传播原理找出目标用户更多的最近邻居,最后根据预测目标用户对项目的评分进行推荐。借助网上公共数据集在Matlab上实现了该算法并验证了算法的有效性。实验结果表明,本文所提算法的准确性相比传统算法有所提高,同时缓解了传统推荐算法存在的冷启动和数据稀疏性等问题。 相似文献
19.
A novel recommendation method based on social network using matrix factorization technique 总被引：1，自引：1，他引：0
Chonghuan Xu 《Information processing & management》2018,54(3):463-474
The rapid development of information technology and the fast growth of Internet have facilitated an explosion of information which has accentuated the information overload problem. Recommender systems have emerged in response to this problem and helped users to find their interesting contents. With increasingly complicated social context, how to fulfill personalized needs better has become a new trend in personalized recommendation service studies. In order to alleviate the sparsity problem of recommender systems meanwhile increase their accuracy and diversity in complex contexts, we propose a novel recommendation method based on social network using matrix factorization technique. In this method, we cluster users and consider a variety of complex factors. The simulation results on two benchmark data sets and a real data set show that our method achieves superior performance to existing methods. 相似文献
20.
分析了目前我国高等院校选课制度的现状和存在的不足,提出在选课中引入“淘宝式”选课模式,并采用数据挖掘技术中的个性化推荐和关联规则推荐,将学生感兴趣的课程推荐给他们选择,更好地体现人性化教学理念。 相似文献