共查询到20条相似文献，搜索用时 46 毫秒
1.
大数据时代,如何让用户在海量信息中快速查询所需信息尤为重要。推荐系统可发现用户潜在需求,为用户提供个性化服务。以电影推荐系统为例,提出了一种改进的协同过滤算法,并在真实数据集上进行实验,结果表明系统可靠性明显提高。 相似文献
2.
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
3.
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
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.
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
6.
推荐技术作为过滤海量信息的手段,在音乐领域也给人们带来了便利。但音乐推荐与传统的电商推荐相比存在显式反馈不宜获取、内容特征提取代价大等缺陷。针对上述情况,提出一种基于标签扩展的协同过滤算法,将社会化标签内容作为物品内容,基于内容计算对用户未收听的物品进行评分,在此基础上利用协同过滤为用户提供推荐列表。实验结果表明,该算法可以有效改善推荐结果的准确性,提高推荐质量。 相似文献
7.
协同过滤技术是个性化推荐系统中最经典的代表,但传统的协同过滤技术也面临着冷启动、数据稀疏性等弊端,加上协同过滤技术很少考虑用户兴趣随时间变化和用户特征等因素,导致推荐质量不尽如人意。在传统协同过滤的基础上,结合用户兴趣变化和用户特征两方面,提出一种改进算法的协同过滤技术,与传统技术相比推荐质量显著提高。 相似文献
8.
随着互联网技术及音乐资源电子化地发展,用户获取音乐资源越来越容易。但音乐库不断增大却使得用户快速找到心仪音乐变得愈发困难。为解决传统单一音乐推荐算法的不足问题,提高音乐推荐质量,在深入研究基于内容和协同过滤推荐算法基础上,文章提出在基于协同过滤推荐算法中融入时间因素并与基于内容推荐算法加权融合的音乐推荐算法。实验结果表明,与传统单一推荐算法和部分相关算法相比,这种算法为用户推荐音乐的效果更好。 相似文献
9.
web2.0的出现使得互联网中的数据以几何级数的形式增长,如何在浩如烟海的信息海洋中找到自己需要的内容是当前人们面临的一个挑战性问题,信息推荐系统便是为解决这个问题而出现的,而协同过滤算法是推荐系统中用途最广的一种算法.本文对基于用户的协同过滤算法和基于项目的协同过滤算法进行了介绍,然后利用Movielens中的影片数据对这两种算法的性能进行了比较,结果发现基于项目的协同过滤算法在影片信息推荐中要优于基于用户的协同过滤算法. 相似文献
10.
协同过滤算法是推荐系统中研究较为广泛和深入的算法,为解决传统协同过滤算法无法处理时间动态变化的问题,提出一种新的改进算法：SpecialTSVD++算法。在传统SVD++算法中分别融入用户评分的时间信息、用户和物品的时间偏置,并且加入用户特征信息,增强数据与时间的关联度,体现数据的动态变化,并且结合用户属性产生个性化推荐结果。Movielens-10m数据集上的实验结果表明,SpecialTSVD++算法通过对时间动态变化带来的推荐影响进行优化处理,使推荐结果更加贴近用户当前需求,能显著提升推荐系统准确率。 相似文献
11.
12.
何智敏 《贵阳学院学报(自然科学版)》2012,7(3)
本文针对传统的协同过滤推荐算法存在的影响推荐质量的数据稀疏性问题和实用准确性问题,设计了一种基于页面的用户偏好协同过滤算法,并通过实验验证了该算法在数据稀疏性等方面均优于传统算法。 相似文献
13.
14.
个性化推荐系统是电子商务运作过程中的重要组成部分,计算机网络信息化的不断发展和当今数据的爆炸式增长,使得人们很难在海量信息中找寻出适合自身需求的数据和信息,信息过载状况时有发生。阐述了我国电子商务个性化推荐系统的作用,分析了当前主流电子商务推荐技术,对基于协同过滤的电子商务个性推荐算法进行了研究。 相似文献
15.
对于有个性化推荐需求的电子商务系统,传统协同过滤推荐算法对商品的用户项目矩阵构建比较单一,难以解决数据稀疏以及推荐结果精度较低等问题。为此,提出一种改进的基于信任度的协同过滤算法,根据用户历史行为,对用户项目评分矩阵进行细分量化,综合考虑用户间关系,引入信任因子维持用户信任关系中的非对称性,通过共同评分项计算用户评分信任度。最终融合信任度与信任因子,计算获得最佳邻居集并产生最终推荐列表。在淘宝官方UserBehavior数据集下进行实验,结果表明,该算法降低了推荐稀疏性,提高了推荐精度。 相似文献
16.
为提高推荐算法挖掘数据长尾信息的能力,降低推荐结果流行度,使推荐结果更多样,在传统协同过滤推荐算法基础上,分别将热门项目与活跃用户的惩罚因子引入相似性计算中,依据准确度、覆盖率、流行度等评价标准,在上海某电商平台销售数据集上进行比较,并通过多组实验验证不同参数对推荐算法的影响。结果显示,加入惩罚因子后基于用户的协同过滤推荐算法在N值取10、K值取3时,流行度为3.97,比传统方法降低了7.31%;加入惩罚因子后基于项目的协同过滤推荐算法在N值取10、K值取3时,准确率为7.65%,比传统方法提高了5.25%。由此证明加入惩罚因子的协同过滤推荐算法在保持算法准确率的同时,可在一定程度上降低推荐结果流行度。 相似文献
17.
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
18.
19.
传统推荐系统存在不以用户关注度为导向、推荐信息分散、推荐效率低等弊端,针对该问题,通过深入挖掘用户的关注度特征及浏览行为特征,分析用户的潜在需求,以此为基础,综合基于类别关注度的信息推荐、基于主题词的长期关注度推荐以及基于协同过滤的个性化推荐算法,采用模块化的设计方法,提出一种基于用户关注度的个性化推荐系统。实践应用表明,该系统能够帮助用户从海量信息中快速、准确地找到自己关注的内容,对互联网个性化信息服务具有一定的应用价值。 相似文献
20.
user-based协同过滤算法在B2C电子商务中是一种重要的推荐方法,但是用户共同评价项目的稀缺性导致了协同过滤算法质量的下降。鉴于此,在考虑用户评分数据的基础上,对用户评分记录进行聚类平滑。考虑用户购买记录作为数据源之一,并用曼哈顿距离相似度计算方法计算用户购买记录,将两者线性组合得到混合相似度,使用混合相似度进行推荐,通过实验计算两者线性组合的最佳权重系数,比传统的利用用户评分记录和用户购买记录的精确度高。实验结果表明,基于混合相似度的协同过滤推荐能有效提高由于数据稀缺性造成的推荐准确度。 相似文献