共查询到17条相似文献，搜索用时 250 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.
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
4.
协同过滤技术被广泛应用于各种推荐系统当中。协同过滤中的核心问题是相似度的计算,本文在介绍传统相似度计算方法的基础上,提出一种新的计算方法,以基于物品为例进行了实验,实验证明该方法在推荐精度上得到一定程度的提高。 相似文献
5.
【目的/意义】通过订阅记录获取用户兴趣爱好,并将协同过滤推荐方法应用于图书个性化推荐,为读者提供优质服务。【方法/过程】以协同过滤算法为基础,根据用户订阅记录,分别计算用户相似性和订阅图书相似性。针对传统协同过滤方法在计算热门订阅相似度时存在的缺陷,引入对订阅权重的惩罚机制,减轻了热门订阅会和很多订阅相似的可能性,并根据协同过滤方法,产生相应推荐结果。【结果/结论】运用公开可获取的数据集进行的算法验证表明,基于订阅记录的协同过滤算法推荐准确度较高,对提升用户图书借阅体验相关研究与实践有一定的参考价值。 相似文献
6.
[目的/意义]基于近邻用户的协同过滤推荐作为推荐系统应用最广泛的算法之一，受数据稀疏和计算可扩展问题影响，推荐效果不尽如人意。[方法/过程]针对上述问题，提出了一种改进的推荐算法(Category Preferred Data Field Clustering Based Collaborative Filtering Recommendation, CPDFC-CFR)。首先，该算法舍弃用户评分，利用评论情感构建用户—项目矩阵，以增强用户偏好表示能力；其次，该算法引入类目偏好和语义偏好的概念，利用类目偏好比对高维用户—项目矩阵进行降维，并在用户相似度计算中纳入评论情感偏好、项目类目偏好和语义偏好，以降低数据稀疏性；最后，该算法将数据场作为用户聚类的前置算法，把数据场输出(极大值点)作为K-means算法输入，以提升算法实时性和稳定性。[结果/结论]实验结果表明：(1)项目类目级别越低，CPDFC-CFR算法准确性(F-measure)和即时性(相似度计算次数和推荐耗时)越优；(2)与其他推荐算法相比，CPDFC-CFR算法能够有效提升推荐准确性和计算效率，对协同过滤推荐系统建设具有重... 相似文献
7.
推荐系统是一种根据用户喜好做出预测的应用系统,本文通过对推荐系统以及推荐系统的理论,包括相似度、协同过滤、基于内容等介绍,并对基于Mahout系统交互模型和系统架构进行分析介绍,最后分析了基于Mahout的推荐系统在大数据时代的优势。 相似文献
8.
基于协同过滤（CF）的个性化推荐技术,提出一种移动设备个性化软件推荐系统.该系统根据协同过滤的理论,首先通过软件类别兴趣相似度的计算,筛选出软件类别相似的用户候选集,过滤所有移动用户,减小产生的用户候选推荐集;然后对用户候选推荐集进行最近邻居的相似性计算以找出目标用户的邻居集合,并且对邻居集合中的邻居评分进行实时更新;最后根据兴趣相似度最大的K个邻居形成目标用户的Top-N推荐集.在第三方手机软件管理平台上通过监测推荐软件的下载或浏览量,验证系统的有效性和准确性. 相似文献
9.
协同过滤推荐算法已成功应用在各类门户网站,越来越多的研究者参与其中,然而在协同过滤推荐过程中用户—项目评分矩阵数据稀疏性以及推荐的准确性低等问题,始终制约着该算法的发展。为此,从用户兴趣角度出发,单独构建情景用户兴趣模型及社交网络用户兴趣模型,再通过Logit Boost算法将2个兴趣模型融合得到准确的用户兴趣模型。Slope One算法填充用户—项目评分矩阵,解决用户—项目评分矩阵数据稀疏性问题;同时,通过用户兴趣模型计算目标用户的最近邻居用户,通过计算用户相似性,得到推荐集来提高协同过滤推荐算法的推荐准确度。 相似文献
10.
【目的/意义】针对主流APPS推荐系统一般仅能推荐同类别APPS的现状,提出了一种基于协同过滤的
APPS跨类别推荐算法（APPSR）。【方法/过程】该算法先对APPS进行聚类,考虑APPS簇间相似度,对未评分APPS
进行评分预测,构建无缺失的用户-APPS评分矩阵。在传统协同过滤技术的基础之上,引入了时间权重函数与热
门APPS惩罚机制,体现了用户兴趣的时效性,消除了热门APPS对推荐结果的影响。根据不同用户对多种APPS的
评分,预测用户对其它类别APPS的喜好,为用户提供跨类别的APPS个性化推荐。【结果/结论】通过实验验证了
APPSR算法的可行性与有效性,为APPS个性化推荐提供了新方法。 相似文献
11.
In collaborative filtering recommender systems recommendations can be made to groups of users. There are four basic stages in the collaborative filtering algorithms where the group’s users’ data can be aggregated to the data of the group of users: similarity metric, establishing the neighborhood, prediction phase, determination of recommended items. In this paper we perform aggregation experiments in each of the four stages and two fundamental conclusions are reached: (1) the system accuracy does not vary significantly according to the stage where the aggregation is performed, (2) the system performance improves notably when the aggregation is performed in an earlier stage of the collaborative filtering process. This paper provides a group recommendation similarity metric and demonstrates the convenience of tackling the aggregation of the group’s users in the actual similarity metric of the collaborative filtering process. 相似文献
12.
[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
13.
【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
14.
《Information processing & management》2020,57(6):102310
This paper presents a novel genetic-based recommender system (BLIGA) that depends on the semantic information and historical rating data. The main contribution of this research lies in evaluating the possible recommendation lists instead of evaluating items then forming the recommendation list. BLIGA utilizes the genetic algorithm to find the best list of items to the active user. Thus, each individual represents a candidate recommendation list. BLIGA hierarchically evaluates the individuals using three fitness functions. The first function uses semantic information about items to estimates the strength of the semantic similarity between items. The second function estimates the similarity in satisfaction level between users. The third function depends on the predicted ratings to select the best recommendation list.BLIGA results have been compared against recommendation results from alternative collaborative filtering methods. The results demonstrate the superiority of BLIGA and its capability to achieve more accurate predictions than the alternative methods regardless of the number of K-neighbors. 相似文献
15.
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
16.
《Information processing & management》2016,52(3):459-477
Nowadays, the increasing demand for group recommendations can be observed. In this paper we address the problem of recommendation performance for groups of users (group recommendation). We focus on the performance of very Top-N recommendations, which are important when recommending the long lasting items (only a few such items are consumed per session, e.g. movie). To improve existing group recommenders we propose a mixed hybrid recommender for groups combining content-based and collaborative strategies. The principle of proposed group recommender is to generate content and collaborative recommendations for each user, apply an aggregation strategy to solve the group conflict preferences for the content and collaborative sets separately, and finally reorder the collaborative candidates based on the content-based ones. It is based on an idea that candidates recommended by both recommendation strategies at the same time are presumably more appropriate for the group than the candidates recommended by individual strategies. The evaluation is performed by several experiments in the multimedia domain (as typical representative for group recommendations). Both, online and offline experiments were performed in order to compare real users’ satisfaction to the standard group recommenders and also, to compare performance of proposed approach to the state-of-the-art recommenders based on the MovieLens dataset. Finally, we experimented with the proposed hybrid recommender to generate the recommendation for a group of size one (i.e. single user recommendation). Obtained results, support our hypothesis that proposed mixed hybrid approach improves the precision of the recommendation for groups of users and for the single-user recommendation respectively on very Top-N recommended items. 相似文献
17.
【目的/意义】为帮助科研用户快速准确地找到与自身研究兴趣相关的学术论文,构建了基于细粒度语义实
体的学术论文推荐模型。【方法/过程】将实验前期识别出的研究主题、研究对象和理论技术类语义实体作为学术论
文和核心作者的内容特征,分别利用TF-IDF算法、TextRank算法和LDA模型得到学术论文和核心作者的特征词,
利用Word2vec对特征词进行向量化,再计算核心作者和学术论文的余弦相似度,将余弦相似度值靠前的Top20推
荐给作者。【结果/结论】利用准确率、召回率和F值对基于三种算法得到的特征词生成的推荐结果进行比较评价,结
果表明,基于TF-IDF算法得到的特征词生成的推荐效果最佳,并对推荐结果进行了实例展示,可以看出本文提出
的推荐模型能够更为全面地为科研用户推荐与其研究兴趣类似的学术论文,提高科研效率。【创新/局限】本文主要
是从学术论文的内容特征入手,对类型细分后的关键词利用不同算法进行核心作者特征词筛选,进而实现学术论
文推荐,但是对学术论文中包含的网络关系并未涉及。 相似文献