共查询到10条相似文献,搜索用时 15 毫秒
1.
协同过滤算法在电子商务网站推荐系统中的应用非常广泛,其通过分析大量用户的历史行为数据,挖掘用户的兴趣,向用户推荐合适的物品。然而,协同过滤算法存在数据稀疏性问题。针对该问题,提出一种基于用户特征和商品特征的组合协同过滤推荐算法。通过用户基本属性特征、物品分类属性特征以及用户的历史评分记录,计算用户的相似性和物品的相似性,获得近邻用户和相似物品;依据改进的基于物品协同过滤和基于用户协同过滤组合推荐算法,为项目进行评分。实验表明,该方法能降低预测结果的平均绝对误差,提高推荐精度。 相似文献
2.
协同过滤算法是最常用、最经典的个性化推荐算法之一。在算法计算中相似度计算是影响算法质量的关键因素,该算法中相似度计算根据用户评分差值作为距离来衡量,忽略了项目自身特征属性对相似性计算的制约。因此提出一种基于项目特征的协同过滤推荐算法(IFCF),结合项目评分相似度,利用Logistic二分类算法思想将用户对项目的偏好分为喜爱与不喜爱两类,再利用贝叶斯概率原理将用户对各项目特征的喜爱程度差值作为相似度调整度,以达到提高项目相似性度量准确度的目的。实验结果表明,该算法能够有效提高推荐算法的精度。 相似文献
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.
5.
针对服装推荐方法推荐精度不高、覆盖率低,不能充分挖掘用户潜在兴趣的问题,提出一种基于用户图像内容属性偏好与时间因子的服装推荐(UIACF)算法。通过构建深度卷积神经网络,提取服装图像中的服装属性,并据此形成用户属性向量,将基于用户属性偏好的相似度与基于时间因子的用户兴趣偏好相似度融合,构建用户偏好模型。将其与基于用户的协同过滤(UCF)算法、基于项目的协同过滤(ICF)算法及基于项目偏好的协同过滤(UCSVD)算法进行比较,结果显示,UIACF 算法准确率提高 14%。该算法为基于用户的服装协同过滤个性化推荐提供了一种新思路,用户潜在兴趣挖掘效率更高。 相似文献
6.
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
7.
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
8.
传统Slope One算法未考虑用户相似性和项目相似性对评分效果的影响,从而导致推荐准确率不高,并且在当前大数据背景下,传统Slope One算法运行效率低下。针对以上问题,提出一种基于Spark的改进加权Slope One算法,该算法融入了相似性计算、活跃用户筛选和用户聚类等技术,并在Spark平台上实现了并行化。通过在MovieLens数据集上进行试验验证,并比较算法在Spark和Hadoop平台并行化的运行效率,证实了该算法可以有效降低MAE,且在Spark平台下运行效率更高,更适用于大数据处理场景。 相似文献