協(xié)同過濾
- 基于協(xié)同過濾知識(shí)圖譜的圖書推薦
互信息，通過協(xié)同過濾算法計(jì)算出讀者偏好，綜合上述兩種方法得到推薦列表進(jìn)行最終的TopK推薦。關(guān)鍵詞：圖書；推薦系統(tǒng)；協(xié)同過濾；知識(shí)圖譜1概述進(jìn)入21世紀(jì)以來，互聯(lián)網(wǎng)技術(shù)的快速發(fā)展、計(jì)算能力的快速提升，各行業(yè)中產(chǎn)生的大量數(shù)據(jù)開始受到學(xué)者、企業(yè)的重視，但用戶在享受其帶來的便利同時(shí)，也面臨著信息過載、信息泄露等問題。用戶在信息資源的快速不停地產(chǎn)生情況下無(wú)法準(zhǔn)確獲取自己需要的目標(biāo)信息。推薦系統(tǒng)的出現(xiàn)，有效緩解了上述問題。而協(xié)同過濾算法利用協(xié)同信息推薦用戶感興趣的信
科技風(fēng) 2023年36期2024-01-07
- 基于協(xié)同過濾的智能推薦方法在電子商務(wù)中的應(yīng)用研究
高要求?；?span id="syggg00" class="hl">協(xié)同過濾技術(shù)的智能推薦方法既能結(jié)合用戶的個(gè)人偏好、習(xí)慣等精準(zhǔn)進(jìn)行個(gè)性化推薦，又可以通過推薦系統(tǒng)發(fā)掘并展示長(zhǎng)尾商品，加速商品的利用與轉(zhuǎn)化，順應(yīng)市場(chǎng)多元化發(fā)展。首先，本文基于挖掘用戶歷史行為并判斷用戶偏好的目標(biāo)，分析協(xié)同過濾算法的實(shí)現(xiàn)原理。其次，針對(duì)電子商務(wù)平臺(tái)需求特征，構(gòu)建包括數(shù)據(jù)預(yù)處理、相似度計(jì)算、推薦生成和評(píng)估在內(nèi)的智能推薦方法步驟。最后，針對(duì)現(xiàn)有算法提出實(shí)現(xiàn)條件。關(guān)鍵詞：電子商務(wù)；智能推薦系統(tǒng)；協(xié)同過濾；多元化；數(shù)字化本文索引：葛欣然，張瀚
中國(guó)商論 2023年17期2023-09-11
- 數(shù)據(jù)稀疏背景下基于協(xié)同過濾的推薦算法綜述
：推薦系統(tǒng)；協(xié)同過濾；數(shù)據(jù)稀疏；相似度1引言隨著移動(dòng)互聯(lián)網(wǎng)的迅速發(fā)展，人們獲取大量信息十分便捷。與此同時(shí)，如何從海量信息中高效篩選出所需內(nèi)容變得十分困難。推薦系統(tǒng)能夠在用戶需求不明確或是信息量過大時(shí)，根據(jù)用戶的行為判斷其興趣，提供個(gè)性化的信息以滿足用戶需求。另外，為提高轉(zhuǎn)化率，推薦系統(tǒng)還能主動(dòng)將有效信息推送至目標(biāo)用戶。因此，推薦系統(tǒng)既是引導(dǎo)用戶獲取需要信息的助手，又是公司驅(qū)動(dòng)業(yè)務(wù)發(fā)展的重要?jiǎng)恿?。推薦系統(tǒng)最早被應(yīng)用于電子商務(wù)網(wǎng)站，通常是根據(jù)用戶的訂單和評(píng)價(jià)來
計(jì)算機(jī)應(yīng)用文摘 2023年9期2023-05-30
- 基于潛在因子多樣性的非負(fù)矩陣分解協(xié)同過濾模型
負(fù)矩陣分解的協(xié)同過濾模型在高維稀疏數(shù)據(jù)的預(yù)測(cè)和填補(bǔ)上十分有效，該模型具有推薦個(gè)性化、有效利用其他相似用戶回饋信息的優(yōu)點(diǎn)，但也存在預(yù)測(cè)精度較低等不足。針對(duì)用戶或項(xiàng)目在不同情景下的評(píng)分差異性，提出了一種改進(jìn)的基于潛在因子多樣性的非負(fù)矩陣分解的協(xié)同過濾模型。該模型充分考慮在不同情境下，用戶和項(xiàng)目潛在特征矩陣的多樣性，在模型的訓(xùn)練中，采用了單元素非負(fù)乘法更新規(guī)則和交替方向法，保證了目標(biāo)矩陣的非負(fù)性，且提高了模型的收斂率。在真實(shí)的工業(yè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，相比于經(jīng)
上海理工大學(xué)學(xué)報(bào) 2023年2期2023-05-30
- 數(shù)據(jù)稀疏背景下基于協(xié)同過濾的推薦算法綜述
：推薦系統(tǒng)；協(xié)同過濾；數(shù)據(jù)稀疏；相似度1引言隨著移動(dòng)互聯(lián)網(wǎng)的迅速發(fā)展，人們獲取大量信息十分便捷。與此同時(shí)，如何從海量信息中高效篩選出所需內(nèi)容變得十分困難。推薦系統(tǒng)能夠在用戶需求不明確或是信息量過大時(shí)，根據(jù)用戶的行為判斷其興趣，提供個(gè)性化的信息以滿足用戶需求。另外，為提高轉(zhuǎn)化率，推薦系統(tǒng)還能主動(dòng)將有效信息推送至目標(biāo)用戶。因此，推薦系統(tǒng)既是引導(dǎo)用戶獲取需要信息的助手，又是公司驅(qū)動(dòng)業(yè)務(wù)發(fā)展的重要?jiǎng)恿ΑＭ扑]系統(tǒng)最早被應(yīng)用于電子商務(wù)網(wǎng)站，通常是根據(jù)用戶的訂單和評(píng)價(jià)來
計(jì)算機(jī)應(yīng)用文摘·觸控 2023年9期2023-05-10
- 大數(shù)據(jù)環(huán)境下開放教育學(xué)習(xí)者畫像的構(gòu)建
；數(shù)據(jù)挖掘；協(xié)同過濾；用戶畫像0 引言隨著大數(shù)據(jù)時(shí)代的到來，數(shù)據(jù)挖掘與信息推薦在行政、教育、經(jīng)濟(jì)、醫(yī)療等各個(gè)領(lǐng)域都已經(jīng)有了一定作用與價(jià)值。在線的不斷發(fā)展使得在線教育行業(yè)迎來了更為廣闊的發(fā)展方向[1]。目前越來越多的人員選擇在線課程進(jìn)行學(xué)習(xí)，極大地提升人民群眾日常接受教育的便利性。在線教育網(wǎng)站之中存在著大量的注冊(cè)用戶，同時(shí)每天都會(huì)產(chǎn)生大量的用戶注冊(cè)信息，其中包括用戶個(gè)人信息、用戶學(xué)習(xí)課程、學(xué)習(xí)時(shí)間等。面對(duì)這些大量的信息，日常卻無(wú)法進(jìn)行統(tǒng)計(jì)和決策工作[2]。平
電腦知識(shí)與技術(shù) 2023年5期2023-04-06
- 社交的延伸：新聞推薦算法的進(jìn)化與反思
0時(shí)代，基于協(xié)同過濾的算法，對(duì)用戶的社交孤獨(dú)趨避進(jìn)行心理上的補(bǔ)償；在算法3.0時(shí)代，基于隱私保護(hù)的推薦算法，可以對(duì)用戶的社交安全焦慮進(jìn)行防御型補(bǔ)償。文章以技術(shù)迭代為主要邏輯，闡述算法在技術(shù)迭代中對(duì)自身進(jìn)行補(bǔ)償，探討算法在進(jìn)化過程中是如何對(duì)用戶的社交進(jìn)行補(bǔ)償?shù)?，并?duì)新聞推薦算法進(jìn)行理論上的補(bǔ)充。關(guān)鍵詞：算法進(jìn)化；媒介補(bǔ)償；社交延伸；內(nèi)容推薦；協(xié)同過濾；隱私保護(hù)中圖分類號(hào)：G206 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-8883（2023）01-0015-04一
新聞研究導(dǎo)刊 2023年1期2023-02-14
- 基于上下文感知推薦的協(xié)同過濾技術(shù)
文感知推薦的協(xié)同過濾技術(shù)，該技術(shù)利用用戶重要的移動(dòng)上下文信息來改進(jìn)基于項(xiàng)目的協(xié)同過濾算法中相似性的度量，重新用改進(jìn)的相似度計(jì)算方法來獲得項(xiàng)目的預(yù)測(cè)評(píng)分。通過實(shí)驗(yàn)數(shù)據(jù)表明，基于上下文感知推薦的協(xié)同過濾技術(shù)可以在用戶處于移動(dòng)環(huán)境時(shí)為用戶提供更準(zhǔn)確的推薦結(jié)果，可以有效緩解移動(dòng)用戶評(píng)分?jǐn)?shù)據(jù)稀疏性所帶來的推薦結(jié)果失真的問題。關(guān)鍵詞：上下文信息;協(xié)同過濾;移動(dòng)電子商務(wù);個(gè)性化推薦中圖分類號(hào)：TP302.1? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）1
電腦知識(shí)與技術(shù) 2022年19期2022-08-31
- 基于卷積神經(jīng)網(wǎng)絡(luò)的協(xié)同過濾算法在影片推薦中的應(yīng)用研究
，實(shí)現(xiàn)了基于協(xié)同過濾的影片推薦系統(tǒng)。系統(tǒng)運(yùn)行表明，該方法實(shí)現(xiàn)的推薦系統(tǒng)可以有效緩解“冷啟動(dòng)”問題。關(guān)鍵詞：影片推薦;協(xié)同過濾;卷積神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)：TP18? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）17-0073-051簡(jiǎn)介推薦系統(tǒng)[1]已經(jīng)成功應(yīng)用到商品推薦中，并逐步滲透到了文化領(lǐng)域，豐富了人們的文化生活。在推薦系統(tǒng)還未萌發(fā)的時(shí)候，用戶使用傳統(tǒng)的搜索引擎，在獲取數(shù)據(jù)時(shí)，如果需求很明確，比如需要找一個(gè)電影，但是用戶只知道這個(gè)電影的
電腦知識(shí)與技術(shù) 2022年17期2022-08-31
- 招聘數(shù)據(jù)可視化分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
用基于用戶的協(xié)同過濾算法對(duì)職位進(jìn)行推薦并實(shí)現(xiàn)動(dòng)態(tài)更新。在一定程度上可幫助求職者了解目前的社會(huì)人才招聘需求，快速找準(zhǔn)自身定位。關(guān)鍵詞：網(wǎng)絡(luò)爬蟲;招聘數(shù)據(jù);協(xié)同過濾;可視化分析中圖分類號(hào)：TP311? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）18-0039-03開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：1 引言隨著國(guó)內(nèi)互聯(lián)網(wǎng)行業(yè)的飛速發(fā)展，以及一些非傳統(tǒng)因素的影響，網(wǎng)絡(luò)求職招聘愈發(fā)受到人們的歡迎。但其中也出現(xiàn)了一些問題，最突出的就是信息繁多雜亂，人
電腦知識(shí)與技術(shù) 2022年18期2022-08-31
- 基于 SVD 的協(xié)同過濾電影推薦算法
：電影推薦;協(xié)同過濾（CF）;冷啟動(dòng);奇異值分解（SVD）中圖法分類號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：ACollaborative filtering movie recommendationalgorithm based on SVDSONG Longsheng'，WANG Jialel，NI Shengqiao1.2（1.College of Information Science and Technology，Tibet University，Lhasa 8
計(jì)算機(jī)應(yīng)用文摘·觸控 2022年10期2022-07-05
- 基于協(xié)同過濾算法的個(gè)性化推薦系統(tǒng)研究
。該文通過對(duì)協(xié)同過濾算法的個(gè)性化推薦系統(tǒng)進(jìn)行分析，希望能夠通過該文簡(jiǎn)單地分析探討為后研究者提供借鑒意義。關(guān)鍵詞：協(xié)同過濾 ?算法 ?個(gè)性化推薦系統(tǒng) ?系統(tǒng)設(shè)計(jì)中圖分類號(hào)：G71??文獻(xiàn)標(biāo)識(shí)碼：A???文章編號(hào)：1672-3791（2022）05（b）-0000-00基金項(xiàng)目：2020年廣西高校中青年教師科研基礎(chǔ)能力提升項(xiàng)目（項(xiàng)目編號(hào)：2020KY48012）; 2020年百色市現(xiàn)代教育技術(shù)科研課題（項(xiàng)目編號(hào)：SZ202008）。作者簡(jiǎn)介：覃瓊花（1981—
科技資訊 2022年10期2022-06-15
- 協(xié)同過濾推薦算法的優(yōu)化研究
孫紅梅摘要：協(xié)同過濾推薦是目前應(yīng)用最廣泛和最成功的推薦系統(tǒng)，但傳統(tǒng)的協(xié)同過濾算法沒有充分利用用戶的行為反饋信息，忽略了時(shí)間順序、序列順序等有效信息，存在一些局限性。文章基于傳統(tǒng)的協(xié)同過濾算法，結(jié)合用戶交互行為信息中的時(shí)間順序、序列順序以及物品的流行度和用戶的活躍度等信息，優(yōu)化算法的推薦效果，并且在數(shù)據(jù)集MovieLens上進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明優(yōu)化后的協(xié)同過濾推薦算法能有效提升推薦效果。關(guān)鍵詞：協(xié)同過濾;相似性度量;推薦算法中圖分類號(hào)：TP391 ? ?
電腦知識(shí)與技術(shù) 2022年13期2022-06-11
- 融合話題多維特征和用戶興趣偏好的微博話題推薦研究
好，進(jìn)一步以協(xié)同過濾算法為基礎(chǔ)，計(jì)算目標(biāo)用戶相似性，然后計(jì)算話題新鮮度、重要度、信任度指標(biāo)并進(jìn)行線性加和，得到目標(biāo)用戶對(duì)微博話題的綜合興趣度，最后，根據(jù)用戶偏好和綜合興趣度計(jì)算目標(biāo)用戶對(duì)微博話題的興趣度并降序排列，得到Top-N個(gè)話題推薦結(jié)果。[結(jié)果/結(jié)論]在真實(shí)微博數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果表明，該方法取得了理想的預(yù)期效果，推薦效果既能保證準(zhǔn)確性，又能體現(xiàn)多樣性，并且有效緩解了推薦結(jié)果單一、容易引發(fā)信息繭房的問題。關(guān)鍵詞：微博話題推薦;協(xié)同過濾;話題新鮮度;話題多
現(xiàn)代情報(bào) 2022年5期2022-06-06
- 基于模糊聚類和Slope One填充的推薦算法
量。關(guān)鍵詞：協(xié)同過濾;模糊聚類;Slope One;相似度中圖分類號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）10-0068-031 引言由于信息網(wǎng)絡(luò)的高速增長(zhǎng)，世界各地的數(shù)據(jù)量也正瘋狂增加，據(jù)有關(guān)組織報(bào)告稱，估計(jì)到2025年，世界各地的數(shù)據(jù)量將會(huì)達(dá)到驚人的163ZB，是2016年16.1ZB的十倍[1]。面對(duì)如此龐大的數(shù)據(jù)量，我們已然陷入了“信息過載”的時(shí)代[2]。若是能夠使用一種方法能夠挖掘出用戶的歷史行為記錄并分析
電腦知識(shí)與技術(shù) 2022年10期2022-05-30
- 基于協(xié)同過濾的美食店鋪推薦算法
章提出了基于協(xié)同過濾的美食店鋪推薦算法，同時(shí)分析了基于用戶的推薦算法、基于餐廳的推薦算法、基于[ SVD]的協(xié)調(diào)過濾算法以及流行度推薦算法這四種推薦算法，解決了推薦餐廳與用戶喜好適配度問題。實(shí)驗(yàn)表明，文章提出的基于協(xié)同過濾的美食店鋪推薦算法，在準(zhǔn)確率（Precision）和召回率（Recall）以及[ F1]這三種指標(biāo)上優(yōu)于其他對(duì)比算法。關(guān)鍵詞：協(xié)同過濾；推薦系統(tǒng)；混合算法；美食店鋪；美食推薦中圖分類號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：100
電腦知識(shí)與技術(shù) 2022年30期2022-05-30
- 基于KL散度的ALS推薦算法
要：針對(duì)傳統(tǒng)協(xié)同過濾推薦算法在稀疏數(shù)據(jù)上推薦準(zhǔn)確度低的問題，提出一種基于KL散度的ALS推薦算法KL-ALS。傳統(tǒng)ALS算法計(jì)算物品相似度時(shí)只考慮了用戶之間的共同評(píng)分項(xiàng)，得到的相似性與真實(shí)值會(huì)有一定的誤差，而采用KL散度計(jì)算物品相似度時(shí)，對(duì)用戶評(píng)論的數(shù)量不做任何限制，不依賴于用戶共同評(píng)分項(xiàng)。KL-ALS算法首先將ALS算法計(jì)算物品相似度和KL散度計(jì)算的物品相似度按照一定權(quán)重混合，產(chǎn)生總體相似度，進(jìn)而采用ALS算法訓(xùn)練模型，能夠更加準(zhǔn)確地度量物品間的相似度，
電腦知識(shí)與技術(shù) 2022年12期2022-05-29
- 基于TSVD的協(xié)同過濾推薦算法研究
：針對(duì)經(jīng)典的協(xié)同過濾推薦算法的一系列不足，如用戶冷啟動(dòng)、商品評(píng)分稀疏性以及推薦精度不高，文章提出基于截?cái)嗥娈愔捣纸猓═SVD）的協(xié)同過濾推薦算法。使用TSVD技術(shù)對(duì)稀疏矩陣進(jìn)行降維處理，利用Jaccard相似度算法計(jì)算用戶間相似度，提高推薦精度。實(shí)驗(yàn)結(jié)果顯示，基于截?cái)嗥娈愔捣纸猓═SVD）的協(xié)同過濾算法體現(xiàn)良好的推薦質(zhì)量及預(yù)測(cè)精度。關(guān)鍵詞：推薦算法;協(xié)同過濾;稀疏矩陣;截?cái)嗥娈愔捣纸庵袌D分類號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-304
電腦知識(shí)與技術(shù) 2022年4期2022-04-29
- 協(xié)同過濾算法改進(jìn)實(shí)驗(yàn)及對(duì)比分析
摘要：在協(xié)同過濾推薦算法中融入時(shí)間因素對(duì)其進(jìn)行改進(jìn)，為了驗(yàn)證改進(jìn)后的算法能夠把推薦的準(zhǔn)確度給提高，使用Python編程語(yǔ)言，在電影數(shù)據(jù)集Movielens中的ml-lm數(shù)據(jù)集下進(jìn)行實(shí)驗(yàn)，對(duì)比傳統(tǒng)與改進(jìn)算法之間的MAE值。文章介紹了實(shí)驗(yàn)的目的、評(píng)價(jià)指標(biāo)、理論知識(shí)、過程和結(jié)果。通過實(shí)驗(yàn)的結(jié)果可以明顯看出這種改進(jìn)后的算法能夠提高推薦的準(zhǔn)確度。關(guān)鍵詞：協(xié)同過濾；推薦算法；改進(jìn)；MAE；實(shí)驗(yàn)中圖分類號(hào)：G642? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-304
電腦知識(shí)與技術(shù) 2022年35期2022-02-17
- 基于Hadoop的電影推薦系統(tǒng)的設(shè)計(jì)
educe，協(xié)同過濾1.緒論1.1推薦系統(tǒng)介紹推薦系統(tǒng)是為了防止信息過載而采用的一種措施，面對(duì)海量數(shù)據(jù)信息，從中迅速地推薦出一些符合用戶需求特點(diǎn)的物品，解決了一些人的"選擇恐懼癥"。推薦系統(tǒng)通過分析發(fā)掘這些用戶的消費(fèi)行為，找到這些用戶的各種個(gè)性化消費(fèi)需求，從而將商品準(zhǔn)確及時(shí)地推薦給需要的用戶，幫助用戶發(fā)現(xiàn)他們感興趣但很難及時(shí)發(fā)現(xiàn)的商品。1.2推薦系統(tǒng)的目的（1）讓用戶更快更好的獲取到自己需要的內(nèi)容。（2）讓內(nèi)容更快更好的推送到喜歡它的用戶手中。（3）讓網(wǎng)站
科學(xué)與生活 2021年24期2021-12-06
- 精準(zhǔn)動(dòng)態(tài)信息推薦算法在智慧校園中的應(yīng)用
并提出了基于協(xié)同過濾思想的解決辦法。關(guān)鍵詞：智慧校園;信息冗余;推薦系統(tǒng);協(xié)同過濾1引言當(dāng)前，教育環(huán)境復(fù)雜，教育信息化和智慧化必需兼顧環(huán)境多樣性、受眾復(fù)雜性、需求變化性等因素，借助移動(dòng)通信技術(shù)與人工智能技術(shù)發(fā)展新型教育對(duì)位于戰(zhàn)略興國(guó)的重要基礎(chǔ)化建設(shè)。智慧化教育必須打破原來數(shù)字教育資源建設(shè)的傳統(tǒng)觀念和思想壁壘，除了包涵傳統(tǒng)的教育課件之外，其主體應(yīng)當(dāng)是伴隨著教學(xué)過程中產(chǎn)生的大數(shù)據(jù)以及伴隨對(duì)關(guān)于教育所有因素分析產(chǎn)生的相關(guān)數(shù)據(jù)內(nèi)容及其衍生信息。因此如何有效的獲取眾
快樂學(xué)習(xí)報(bào)·教師周刊 2021年15期2021-11-11
- 一站式個(gè)性化旅游推薦系統(tǒng)
的基于物品的協(xié)同過濾推薦為核心，搭建了考慮用戶是否來自于川渝地區(qū)這一本異地差異的個(gè)性化旅游推薦APP。關(guān)鍵詞：旅游推薦;協(xié)同過濾;本異地差異。1.背景在新冠病毒疫情的爆發(fā)導(dǎo)致國(guó)人對(duì)國(guó)內(nèi)旅游需求不斷增長(zhǎng)，大數(shù)據(jù)時(shí)代信息爆炸與用戶對(duì)信息的利用率反而下降的雙重背景下[1]，提出了一種具有現(xiàn)實(shí)意義的個(gè)性化旅游推薦系統(tǒng)，實(shí)現(xiàn)了一種更能符合用戶需求來進(jìn)行旅游景點(diǎn)推薦的APP。2.算法介紹2.1優(yōu)化的基于物品的協(xié)同過濾推薦算法2.1.1 傳統(tǒng)的協(xié)同過濾推薦算法的缺點(diǎn)[2
科技信息·學(xué)術(shù)版 2021年19期2021-10-25
- 個(gè)性化電影推薦算法綜述
算法，主要有協(xié)同過濾、基于內(nèi)容的推薦和混合推薦三類算法，然后比較分析了幾種推薦算法的優(yōu)缺點(diǎn)。最后，針對(duì)推薦算法的發(fā)展方向，又對(duì)基于上下文的推薦算法進(jìn)行了簡(jiǎn)單的介紹。關(guān)鍵詞：電影推薦;協(xié)同過濾;基于內(nèi)容的推薦;混合推薦Abstract：In the era of big data， all kinds of film and television resources have emerged， and the problem of "information
電腦知識(shí)與技術(shù) 2021年22期2021-09-14
- 基于Spark大數(shù)據(jù)處理的電影推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
，總體采用了協(xié)同過濾算法和基于內(nèi)容的推薦算法實(shí)現(xiàn)混合推薦的目的。實(shí)現(xiàn)了前端可視化頁(yè)面、后臺(tái)業(yè)務(wù)處理、算法的設(shè)計(jì)與實(shí)現(xiàn)、環(huán)境的安裝與部署等多種操作方式。關(guān)鍵詞：推薦系統(tǒng);混合推薦;協(xié)同過濾;Spark;ALS;機(jī)器學(xué)習(xí)0?引言隨著網(wǎng)絡(luò)碎片化管理視頻的時(shí)代到來，不斷產(chǎn)生的用戶數(shù)據(jù)，促使基于用戶的智能推薦影片的系統(tǒng)的實(shí)現(xiàn)非常重要。一個(gè)完善的推薦系統(tǒng)能夠?yàn)橛脩籼峁?shí)時(shí)需要的信息，正是如此推薦系統(tǒng)面對(duì)海量產(chǎn)生的數(shù)據(jù)信息，從中快速推薦出滿足用戶喜好的物品，對(duì)于一些“選
無(wú)線互聯(lián)科技 2021年11期2021-09-13
- 大數(shù)據(jù)平臺(tái)下實(shí)時(shí)電影推薦算法研究
模型所滿足，協(xié)同過濾推薦算法的不足也越來越明顯。為此，通過大數(shù)據(jù)計(jì)算框架Spark平臺(tái)構(gòu)建基于模型的推薦算法來更好地應(yīng)對(duì)海量數(shù)據(jù)實(shí)時(shí)推薦的問題。首先，通過預(yù)先設(shè)定的計(jì)算方法進(jìn)行模型的構(gòu)建;同時(shí)將一種改進(jìn)的余弦相似度算法應(yīng)用到模型中，不僅可以縮短推薦實(shí)現(xiàn)的時(shí)間，而且可以提高推薦性能。實(shí)驗(yàn)結(jié)果表明，該算法和傳統(tǒng)協(xié)同過濾算法相比，提高了準(zhǔn)確率和時(shí)效性，驗(yàn)證了系統(tǒng)可較好地滿足用戶的實(shí)時(shí)需求。關(guān)鍵詞：Spark;實(shí)時(shí);推薦算法;協(xié)同過濾中圖分類號(hào)：TP399? ?
軟件工程 2021年9期2021-09-13
- 基于用戶偏好和麻雀搜索聚類的協(xié)同過濾算法
雀搜索聚類的協(xié)同過濾推薦算法。首先使用評(píng)分偏好模型對(duì)原用戶項(xiàng)目矩陣進(jìn)行修正，得到新的用戶偏好-項(xiàng)目矩陣。利用麻雀搜索對(duì)聚類中心點(diǎn)進(jìn)行優(yōu)化，從目標(biāo)用戶所在簇內(nèi)得到最近鄰，提高了算法迭代速度，改善了聚類中心點(diǎn)敏感的問題。使用相似度公式對(duì)目標(biāo)用戶未評(píng)分項(xiàng)目進(jìn)行預(yù)測(cè)，并完成推薦。實(shí)驗(yàn)結(jié)果表明，相較于其他幾種推薦算法，準(zhǔn)確度提高了4到6個(gè)百分點(diǎn)。關(guān)鍵詞：評(píng)分偏好;麻雀搜索;協(xié)同過濾;推薦精度中圖分類號(hào)：TP391.3文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1006-1037（202
- 面對(duì)智能分診的個(gè)性化推薦算法
部范圍內(nèi)基于協(xié)同過濾的評(píng)分方式有機(jī)結(jié)合，提出了一種面向智能導(dǎo)診的個(gè)性化推薦算法。實(shí)驗(yàn)結(jié)果表明，本文提出的算法能為用戶提供個(gè)性化的合理推薦結(jié)果。該方法對(duì)合理分配和使用醫(yī)療資源有很大的促進(jìn)作用，能從一定程度上緩解就診壓力，提高就診質(zhì)量，具有重要的實(shí)用價(jià)值和社會(huì)意義。【關(guān)鍵詞】輔助診療;智能導(dǎo)診;Skyline查詢;醫(yī)療推薦;協(xié)同過濾;推薦系統(tǒng) 中國(guó)人口數(shù)量與醫(yī)療資源之間的巨大反差使得醫(yī)療資源日趨不足，短期內(nèi)增加醫(yī)療資源的總量幾乎是不可能的，因此有效整合和合理
客聯(lián) 2021年2期2021-09-10
- 基于位置優(yōu)先與協(xié)同過濾的智能律師在線咨詢服務(wù)系統(tǒng)的研究與實(shí)現(xiàn)
于活動(dòng)序列與協(xié)同過濾機(jī)器學(xué)習(xí)算法，重點(diǎn)解決找律師推薦的問題。本算法的設(shè)計(jì)思想如下：首先根據(jù)地位位置優(yōu)先、再根據(jù)律師群體處理的法律事務(wù)序列的歷史記錄，利用語(yǔ)義分析得到法律事務(wù)的向量主題詞空間;然后利用聚類算法形成律師群體按事務(wù)類型的聚類模型;再通過NLP的方法提取目標(biāo)用法律訴求的詞向量空間;最后通過協(xié)同過濾機(jī)制的機(jī)器學(xué)習(xí)算法，形成向目標(biāo)用戶精準(zhǔn)推薦的訓(xùn)練模型。基于本算法設(shè)計(jì)了一套智能律師在線咨詢服務(wù)系統(tǒng)。通過定位快速優(yōu)選推送就近的專業(yè)律師，同時(shí)分別從用戶評(píng)分
中國(guó)新通信 2021年14期2021-09-08
- 綜合時(shí)空信息的Web服務(wù)QoS預(yù)測(cè)方法研究
QoS預(yù)測(cè);協(xié)同過濾;矩陣分解;個(gè)性化推薦中圖分類號(hào)：TP301? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2021）18-0233-03開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：1 背景Web服務(wù)的QoS屬性是選取最佳候選服務(wù)時(shí)需要考慮的關(guān)鍵性因素，是動(dòng)態(tài)服務(wù)發(fā)現(xiàn)、查詢、選擇和主動(dòng)推薦的基礎(chǔ)，通常用來體現(xiàn)Web服務(wù)的非功能特性。由于在實(shí)際應(yīng)用中，Web服務(wù)數(shù)量非常多，用戶對(duì)大多數(shù)服務(wù)并不了解，因此Web服務(wù)的QoS屬性值不完整。而且，不同用戶的
電腦知識(shí)與技術(shù) 2021年18期2021-08-18
- 基于時(shí)間因子改進(jìn)個(gè)性化推薦模型
因子能對(duì)傳統(tǒng)協(xié)同過濾算法在MAE指標(biāo)方面有一定提高，計(jì)算效果優(yōu)于傳統(tǒng)推薦算法。關(guān)鍵詞：時(shí)間因子;個(gè)性化推薦;協(xié)同過濾中圖分類號(hào)：TP311.60 ? ? 文獻(xiàn)標(biāo)識(shí)碼：AImproved Personalized Recommendation Model based on Time FactorHU Anming1， CHEN Huie2（1.School of Computer Science and Engineering， Guangzhou Inst
軟件工程 2021年7期2021-08-05
- 融合個(gè)性化推薦的文章聚合系統(tǒng)
合用戶畫像的協(xié)同過濾推薦方法，以此為平臺(tái)方用戶提供文章推薦服務(wù)。關(guān)鍵詞：個(gè)性化推薦? 文章聚合? 協(xié)同過濾? 用戶畫像中圖分類號(hào)：TP391.3? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-3791（2021）04（a）-0035-03An Article Aggregation System Integrating Personalized RecommendationYUAN Huanghui1? SUN Zhixin
科技資訊 2021年10期2021-07-28
- 一種改進(jìn)的缺失數(shù)據(jù)協(xié)同過濾圖書自動(dòng)推薦模型研究
對(duì)圖書館圖書協(xié)同過濾自動(dòng)推薦系統(tǒng)，因數(shù)據(jù)缺失對(duì)圖書推薦結(jié)果產(chǎn)生影響。該文借助廣東嶺南職業(yè)技術(shù)學(xué)院圖書館50萬(wàn)條樣本數(shù)據(jù)，通過對(duì)部分變量缺失數(shù)據(jù)進(jìn)行插值，設(shè)計(jì)一種改進(jìn)的缺失數(shù)據(jù)協(xié)同過濾圖書自動(dòng)推薦系統(tǒng)模型（xDeepFM-D）。試驗(yàn)結(jié)果表明，在模型訓(xùn)練150輪后，測(cè)試集總損失為0.072 8，AUC（Area Under roc Curve）為0.927 4。對(duì)比常見推薦系統(tǒng)模型xDeepFM、DeepFM、FM&DNN以及FM，AUC分別提升了0.17%、
科技資訊 2021年10期2021-07-28
- 基于迭代SVD的電影推薦算法的研究
推薦算法中，協(xié)同過濾算法是最常使用、操作最簡(jiǎn)單方便的算法，但傳統(tǒng)的協(xié)同過濾算法存在評(píng)分矩陣稀疏、推薦精度低等問題。針對(duì)這些問題，提出了矩陣填充策略，根據(jù)矩陣填充技術(shù)的優(yōu)缺點(diǎn)，選擇了幾種填充稀疏矩陣的方法，并且利用迭代SVD算法得到了電影推薦的局部最優(yōu)解，并利用均方根誤差（RMSE）對(duì)結(jié)果進(jìn)行了評(píng)價(jià)，利用R軟件對(duì)電影評(píng)分?jǐn)?shù)據(jù)集進(jìn)行處理，實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的協(xié)同過濾推薦算法相比，迭代SVD算法能有效地提高推薦的準(zhǔn)確性，更加準(zhǔn)確地給用戶提供想看的電影。關(guān)鍵詞：
電腦知識(shí)與技術(shù) 2021年15期2021-07-19
- 基于標(biāo)簽的協(xié)同過濾推薦方法研究
統(tǒng)基于物品的協(xié)同過濾算法由于物品相似度矩陣稀疏，推薦準(zhǔn)確率不高。針對(duì)這一問題，提出一種基于標(biāo)簽和改進(jìn)杰卡德系數(shù)的協(xié)同過濾算法，進(jìn)行電視節(jié)目個(gè)性化推薦。首先，爬取相關(guān)信息對(duì)原始數(shù)據(jù)進(jìn)行擴(kuò)充，并利用統(tǒng)計(jì)學(xué)方法對(duì)時(shí)間特征進(jìn)行歸一化處理，計(jì)算用戶偏好系數(shù);然后，統(tǒng)計(jì)出現(xiàn)次數(shù)較高的類別作為推薦類別標(biāo)簽，并利用改進(jìn)的杰卡德系數(shù)構(gòu)造標(biāo)簽相似度矩陣;最后，根據(jù)推薦類別標(biāo)簽的用戶偏好系數(shù)計(jì)算節(jié)目的推薦系數(shù)。實(shí)驗(yàn)結(jié)果表明，基于標(biāo)簽的協(xié)同過濾算法可以降低稀疏矩陣對(duì)推薦準(zhǔn)確率的影
北京聯(lián)合大學(xué)學(xué)報(bào) 2021年2期2021-05-21
- 基于畫像技術(shù)的車貨匹配與精準(zhǔn)化推薦方法研究
簽體系，運(yùn)用協(xié)同過濾推薦算法挖掘出具有不同業(yè)務(wù)類型的用戶群體，以期為用戶提供精準(zhǔn)化個(gè)性服務(wù)。關(guān)鍵詞：畫像技術(shù);車貨匹配;協(xié)同過濾中圖分類號(hào)：U294??? 文獻(xiàn)標(biāo)識(shí)碼：AAbstract： With the promotion of big data information technology， the vehicle and cargo matching platform develops rapidly， and the market competi
物流科技 2021年11期2021-05-12
- 基于協(xié)同過濾和標(biāo)簽的混合音樂推薦算法研究
題，提出一種協(xié)同過濾技術(shù)和標(biāo)簽相結(jié)合的音樂推薦算法。該算法先通過協(xié)同過濾技術(shù)確定相似用戶，再通過相似用戶對(duì)某一歌手的標(biāo)簽評(píng)分預(yù)測(cè)另一用戶對(duì)該歌手的偏好程度，從而選擇更符合用戶喜好的音樂進(jìn)行推薦，以此提升個(gè)性化推薦效率，為優(yōu)化音樂推薦系統(tǒng)提供參考方法。關(guān)鍵詞：協(xié)同過濾;標(biāo)簽;音樂推薦;推薦系統(tǒng)中圖分類號(hào)：TP312? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-1472（2021）-04-10-04Abstract： Traditional single rec
軟件工程 2021年4期2021-04-18
- 基于正則化矩陣分解的電影推薦算法
于基于用戶的協(xié)同過濾算法分別降低了14.12%和29.72%。實(shí)驗(yàn)表明，本文提出的推薦算法能夠考慮不同年齡的差異，實(shí)現(xiàn)更加符合用戶實(shí)際的推薦需求，提高了推薦準(zhǔn)確度和穩(wěn)定性，改善了推薦誤差。關(guān)鍵詞：正則矩陣分解;用戶細(xì)分;推薦算法;協(xié)同過濾中圖分類號(hào)： TP391? ? 文獻(xiàn)標(biāo)識(shí)碼： A文章編號(hào)：1009-3044（2021）01-0022-02隨著信息技術(shù)的快速發(fā)展，電影娛樂也成了人們生活的一部分，海量的觀影用戶數(shù)據(jù)帶動(dòng)了觀影用戶的分析和個(gè)性化推薦的應(yīng)用研
電腦知識(shí)與技術(shù) 2021年1期2021-03-15
- 融合時(shí)間上下文的改進(jìn)協(xié)同過濾圖書推薦模型
：針對(duì)傳統(tǒng)的協(xié)同過濾推薦算法在高校圖書推薦場(chǎng)景中存在缺乏顯性評(píng)分、推薦精度低等問題，提出一種融合時(shí)間上下文的改進(jìn)協(xié)同過濾圖書推薦模型?；趫D書歷史借閱記錄，首先構(gòu)建基于借閱時(shí)長(zhǎng)的讀者—圖書偏好度模型，將讀者歷史借閱記錄中隱含的借閱偏好信息轉(zhuǎn)換成顯性的讀者—圖書評(píng)分;然后考慮讀者借閱偏好隨時(shí)間動(dòng)態(tài)變化因素，引入時(shí)間衰減因子對(duì)讀者—圖書評(píng)分模型進(jìn)行修正，最后應(yīng)用隱語(yǔ)義模型進(jìn)行個(gè)性化圖書推薦。關(guān)鍵詞：時(shí)間上下文;協(xié)同過濾;圖書推薦隨著高校圖書館藏圖書資源的日益增
科技風(fēng) 2021年3期2021-03-15
- 基于協(xié)同過濾的醫(yī)學(xué)生智能學(xué)習(xí)推薦系統(tǒng)設(shè)計(jì)
設(shè)計(jì)一種基于協(xié)同過濾的醫(yī)學(xué)生智能學(xué)習(xí)推薦系統(tǒng)，以臨床醫(yī)學(xué)專業(yè)學(xué)生為例，通過分析用戶歷史行為，經(jīng)過數(shù)據(jù)探索與預(yù)處理，應(yīng)用協(xié)同過濾算法，篩選并推送滿足用戶學(xué)習(xí)興趣和需求的信息和習(xí)題，為用戶提供個(gè)性化服務(wù)。關(guān)鍵詞：協(xié)同過濾;醫(yī)學(xué)生;智能推薦中圖分類號(hào)：TP302.1? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2021）36-0095-02開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：Design of Intelligent Learning Recomm
電腦知識(shí)與技術(shù) 2021年36期2021-03-07
- 基于Python的用戶協(xié)同過濾推薦系統(tǒng)的研究與實(shí)現(xiàn)
。本文研究了協(xié)同過濾算法，使用Python語(yǔ)言實(shí)現(xiàn)了基于用戶的協(xié)同過濾推薦系統(tǒng)，構(gòu)建了推薦系統(tǒng)的架構(gòu)，給出了實(shí)現(xiàn)個(gè)性化推薦的關(guān)鍵代碼，并在ml-latest-small 數(shù)據(jù)集上對(duì)用戶相似度算法進(jìn)行了測(cè)試。關(guān)鍵詞：相似性;協(xié)同過濾;推薦系統(tǒng);Python中圖分類號(hào)：TP311 ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）31-0234-031 概述信息技術(shù)和互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展以及數(shù)據(jù)量爆炸式的增長(zhǎng)，將我們帶到了“信息過載”[1]的時(shí)代
電腦知識(shí)與技術(shù) 2020年31期2020-12-28
- 基于Spark的電影推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
用聚類技術(shù)和協(xié)同過濾等技術(shù)來緩解這些問題，提升推薦質(zhì)量，從而滿足人們能夠快速地獲取所需信息。然后設(shè)計(jì)出一個(gè)關(guān)于電影的推薦網(wǎng)站，采用現(xiàn)今比較流行的處理大數(shù)據(jù)的Spark[4]技術(shù)以及依托建立在其上層的MLlib機(jī)器學(xué)習(xí)生態(tài)庫(kù)。達(dá)到處理海量數(shù)據(jù)的能力，根據(jù)現(xiàn)有的條件技術(shù)從離線推薦和熱門推薦兩種方式分區(qū)組合推薦來實(shí)現(xiàn)本系統(tǒng)。關(guān)鍵詞：大數(shù)據(jù);協(xié)同過濾;Spark;機(jī)器學(xué)習(xí)中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）33-0080-
電腦知識(shí)與技術(shù) 2020年33期2020-12-28
- 一種基于用戶和商品屬性挖掘的協(xié)同過濾算法
為了解決傳統(tǒng)協(xié)同過濾算法數(shù)據(jù)稀疏而導(dǎo)致的推薦不準(zhǔn)確等問題，引入商品屬性值的概念，根據(jù)改進(jìn)后的用戶相似度填充用戶?屬性矩陣，最后對(duì)物品興趣程度及商品屬性評(píng)分和進(jìn)行加權(quán)推薦。通過在電影數(shù)據(jù)集MovieLens上的實(shí)驗(yàn)表明，改進(jìn)后的算法能夠顯著提升推薦準(zhǔn)確率。關(guān)鍵詞： 協(xié)同過濾; 商品屬性評(píng)分; 用戶興趣評(píng)分; 推薦算法; 混合推薦; 實(shí)驗(yàn)分析中圖分類號(hào)： TN911.1?34; TP183 ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ?
現(xiàn)代電子技術(shù) 2020年23期2020-12-23
- 基于Hadoop的東盟電子商務(wù)平臺(tái)的研究與設(shè)計(jì)
;數(shù)據(jù)分析;協(xié)同過濾;業(yè)務(wù);用戶;盈利中圖分類號(hào)：F724?文獻(xiàn)識(shí)別碼：A?文章編號(hào)：2096-3157（2020）24-0015-032018年11月12日，東南亞國(guó)家聯(lián)盟各國(guó)在新加坡簽署東盟電子商務(wù)協(xié)議，旨在促進(jìn)區(qū)域內(nèi)跨境電商貿(mào)易便利化。東盟電子商務(wù)協(xié)議的簽訂，為東南亞國(guó)家步入電商新時(shí)代帶來了有利的契機(jī)。與此同時(shí)，在電商平臺(tái)系統(tǒng)的研究與設(shè)計(jì)方面也需要加快步伐，這樣才能夠更好地滿足電商企業(yè)入駐的需求。同時(shí)，用戶訪問過程中信息瀏覽、商品推送的效率也能大大提
全國(guó)流通經(jīng)濟(jì) 2020年24期2020-12-23
- 一種基于營(yíng)養(yǎng)標(biāo)準(zhǔn)的個(gè)性化幼兒套餐推薦方法
?！娟P(guān)鍵詞】協(xié)同過濾;FTRL;多目標(biāo)優(yōu)化;個(gè)性化推薦;營(yíng)養(yǎng)均衡引言近幾年也有基于營(yíng)養(yǎng)標(biāo)準(zhǔn)和食物個(gè)性推薦算法的相關(guān)研究，如利用協(xié)同過濾并且使用引入差分變 異策略算子的NSGA-2個(gè)性化健康飲食推薦方法[1]，基于情境感知的校園餐飲推薦方法[2]，利用粒子群，聚類和Slope one等算法的基于營(yíng)養(yǎng)飲食推薦系統(tǒng)研究[3]，食材搭配推薦算法 研究[4]則是利用了基于NSGA-2改進(jìn)的MOGA-UP算法和BP算法。本文則在經(jīng)典的協(xié)同過濾推薦算法LMF和Item
理論與創(chuàng)新 2020年17期2020-11-16
- 基于相似偏好模型的產(chǎn)品組合精準(zhǔn)營(yíng)銷策略研究
用基于用戶的協(xié)同過濾的算法，刻畫用戶特征，建立用戶相似興趣偏好矩陣。本文建立了一種基于相似偏好用戶的產(chǎn)品組合模型，模型采用TOC約束理論下的產(chǎn)品組合模型為基礎(chǔ)，利用約束理論簡(jiǎn)化模型，并用粒子群算法求得滿意解。最后結(jié)合某企業(yè)給出的大量數(shù)據(jù)，求解模型，為企業(yè)營(yíng)銷提供有力的數(shù)據(jù)支撐。本文的研究能夠使企業(yè)產(chǎn)品組合營(yíng)銷更加智能、高效、便捷。結(jié)果表明，該方法能夠有效地刻畫用戶偏好，更好地了解客戶需求，提高產(chǎn)品組合套餐的精確性，有利于企業(yè)產(chǎn)品營(yíng)銷。關(guān)鍵詞：用戶興趣偏好;
青年生活 2020年17期2020-10-21
- 基于聚類和SVD++的電影推薦系統(tǒng)的研究六
摘要：傳統(tǒng)的協(xié)同過濾算法存在著冷啟動(dòng)、數(shù)據(jù)稀疏性和可擴(kuò)展性等關(guān)鍵問題，這都使得用戶的歷史播放列表數(shù)據(jù)信息難以獲得，從而導(dǎo)致推薦電影時(shí)精度較低。文章將聚類算法與SVD++模型相結(jié)合，通過K-means聚類算法將相似用戶根據(jù)評(píng)分聚類的同時(shí)，并利用SVD++模型對(duì)聚類后的每個(gè)集群中的評(píng)分矩陣進(jìn)行分解，從而解決相似用戶查找效率低和評(píng)分矩陣數(shù)據(jù)稀疏性的問題，使得電影推薦系統(tǒng)具有較高的精度。關(guān)鍵詞：推薦系統(tǒng);協(xié)同過濾;聚類;SVD++：數(shù)據(jù)稀疏性中圖分類號(hào)：TP391
計(jì)算機(jī)時(shí)代 2020年9期2020-10-09
- 淺析基于協(xié)同過濾算法的網(wǎng)上超市系統(tǒng)
售的擁堵。而協(xié)同過濾算法可以對(duì)顧客進(jìn)行智能化商品推薦，也可以輔助商家進(jìn)行智能化進(jìn)貨。本文從協(xié)同過濾算法的基本理論、網(wǎng)上超市系統(tǒng)的功能分析、協(xié)同過濾算法在網(wǎng)上超市中的應(yīng)用這三個(gè)方面，簡(jiǎn)要介紹了一種基于協(xié)同過濾算法的網(wǎng)上超市系統(tǒng)。關(guān)鍵詞 網(wǎng)上超市;協(xié)同過濾;相似性;推薦引言網(wǎng)上超市這個(gè)名字并不新鮮，它與網(wǎng)上商城相似卻又不同。網(wǎng)上超市將實(shí)體店的部分營(yíng)業(yè)方式搬到線上來，采取線上線下結(jié)合的方式進(jìn)行運(yùn)營(yíng)。例如淘寶的“淘鮮達(dá)”，就是一個(gè)眾所周知的網(wǎng)上超市，超市生鮮，1小
科學(xué)與信息化 2020年27期2020-10-09
- 基于智能推薦的在線組隊(duì)平臺(tái)
用基于需求和協(xié)同過濾的兩種推薦算法進(jìn)行智能推薦，并為平臺(tái)上發(fā)布的每個(gè)團(tuán)隊(duì)需求提供在線聊天室功能，以便需求發(fā)布者和潛在參與者可以實(shí)時(shí)溝通和互動(dòng)，達(dá)到快速有效組建團(tuán)隊(duì)的目的。關(guān)鍵詞：在線組隊(duì);智能推薦;需求推薦;協(xié)同過濾中圖分類號(hào)：TP312 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）18-0084-03開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：1 背景在當(dāng)今社會(huì)，組隊(duì)參加競(jìng)賽或者參與其他活動(dòng)已成為普遍現(xiàn)象。當(dāng)前組隊(duì)一般在彼此熟識(shí)的人中間進(jìn)行，往往達(dá)
電腦知識(shí)與技術(shù) 2020年18期2020-10-09
- 基于SVD填充和用戶特征屬性聚類的混合推薦算法
：推薦算法;協(xié)同過濾;奇異值分解;K均值聚類;遺忘曲線中圖分類號(hào)：TP301.6? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）16-0011-05開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：Abstract： Facing the increasing amount of data in the scoring matrix， it is the key to solve the problem of sparse
電腦知識(shí)與技術(shù) 2020年16期2020-09-28
- 基于用戶屬性偏好與時(shí)間因子的服裝推薦研究
與基于用戶的協(xié)同過濾（UCF）算法、基于項(xiàng)目的協(xié)同過濾（ICF）算法及基于項(xiàng)目偏好的協(xié)同過濾（UCSVD）算法進(jìn)行比較，結(jié)果顯示，UIACF算法準(zhǔn)確率提高14%。該算法為基于用戶的服裝協(xié)同過濾個(gè)性化推薦提供了一種新思路，用戶潛在興趣挖掘效率更高。關(guān)鍵詞：圖像分類;用戶偏好;協(xié)同過濾;服裝推薦;時(shí)間因子DOI：10.11907/rjdk.192085開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：中圖分類號(hào)：TP301文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2
軟件導(dǎo)刊 2020年6期2020-07-24
- 基于社交網(wǎng)絡(luò)的推薦系統(tǒng)研究
;矩陣分解;協(xié)同過濾DOI： 10. 11907/rjdk.192186開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：中圖分類號(hào)：TP301文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2020）001-0046-040 引言隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展，大眾社交方式不斷變化，以微博為代表的社交媒體扮演了越來越重要的角色，作為一種弱關(guān)系社交網(wǎng)絡(luò)，其重要特點(diǎn)是信息快速傳播與分享。2018年底，新浪活躍用戶達(dá)3.92億，用戶在使用社交網(wǎng)絡(luò)的過程中產(chǎn)生了大量數(shù)據(jù)，由于數(shù)據(jù)量龐大
軟件導(dǎo)刊 2020年1期2020-07-14
- 基于用戶的協(xié)同過濾推薦算法概述
技術(shù)都是圍繞協(xié)同過濾而展開研究的。本文概括介紹了基于用戶協(xié)同過濾推薦算法的理論思路，并對(duì)協(xié)同過濾推薦算法的發(fā)展趨勢(shì)做了簡(jiǎn)單的闡述。【關(guān)鍵詞】協(xié)同過濾 ;特征挖掘 ;推薦系統(tǒng) ;基于用戶引言在如今這個(gè)大數(shù)據(jù)時(shí)代，互聯(lián)網(wǎng)應(yīng)用所產(chǎn)生了海量的數(shù)據(jù)，那么在這么龐大的數(shù)據(jù)中，必定蘊(yùn)含了豐富的意義，也必定有其應(yīng)用價(jià)值。但是種類之繁雜的海量數(shù)據(jù)對(duì)于用戶來說不全是有用的，用戶提取有用數(shù)據(jù)會(huì)耗費(fèi)大量的時(shí)間成本，因此協(xié)同過濾推薦算法根據(jù)用戶的需求誕生了。1.協(xié)同過濾推薦概述1.
理論與創(chuàng)新 2020年9期2020-07-14
- 加入懲罰因子的電商平臺(tái)協(xié)同過濾推薦算法
多樣，在傳統(tǒng)協(xié)同過濾推薦算法基礎(chǔ)上，分別將熱門項(xiàng)目與活躍用戶的懲罰因子引入相似性計(jì)算中，依據(jù)準(zhǔn)確度、覆蓋率、流行度等評(píng)價(jià)標(biāo)準(zhǔn)，在上海某電商平臺(tái)銷售數(shù)據(jù)集上進(jìn)行比較，并通過多組實(shí)驗(yàn)驗(yàn)證不同參數(shù)對(duì)推薦算法的影響。結(jié)果顯示，加入懲罰因子后基于用戶的協(xié)同過濾推薦算法在N值取10、K值取3時(shí)，流行度為3.97，比傳統(tǒng)方法降低了7.31%：加入懲罰因子后基于項(xiàng)目的協(xié)同過濾推薦算法在N值取10、K值取3時(shí)，準(zhǔn)確率為7.65%，比傳統(tǒng)方法提高了5.25%。由此證明加入懲罰
軟件導(dǎo)刊 2020年1期2020-07-14
- 圖書館書目協(xié)同智能推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)研究
圍，采用采用協(xié)同過濾算法計(jì)算讀者相似度，獲取與讀者感興趣相似的結(jié)果，最后根據(jù)相似度得到讀者對(duì)每種圖書感興趣的評(píng)價(jià)值，并根據(jù)評(píng)價(jià)值進(jìn)行圖書館書目智能推薦。仿真實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)可以獲得最優(yōu)的推薦圖書館書目，讀者對(duì)圖書館書目推薦結(jié)果的滿意度高。關(guān)鍵詞：?圖書館書目; 協(xié)同過濾; 智能推薦; 檢索結(jié)果中圖分類號(hào)： G 250? ? ? 文獻(xiàn)標(biāo)志碼： ADesign and Implementation of Library Bibliographic Coll
微型電腦應(yīng)用 2020年4期2020-06-30
- 改進(jìn)型協(xié)同過濾的圖書推薦算法
性分組的改進(jìn)協(xié)同過濾算法。該算法首先根據(jù)用戶喜歡的圖書類型去選擇相似用戶，縮小數(shù)據(jù)集，再根據(jù)基于用戶的協(xié)同過濾算法尋找最近鄰居集合，然后根據(jù)項(xiàng)目推薦值的方法向用戶推薦感興趣的圖書序列。實(shí)驗(yàn)結(jié)果表明：在同一數(shù)據(jù)量下，該算法在推薦數(shù)據(jù)量以及覆蓋率方面均優(yōu)于同類算法。關(guān)鍵詞：?協(xié)同過濾; 用戶分組; 用戶相似度中圖分類號(hào)： TG 4? ? ? 文獻(xiàn)標(biāo)志碼： AA Book Recommendation Algorithm Based on Improved Co
微型電腦應(yīng)用 2020年4期2020-06-30
- 大數(shù)據(jù)背景的變頻興趣變化推薦算法研究
應(yīng)興趣變化的協(xié)同過濾算法不能反應(yīng)用戶興趣變化的頻率，對(duì)即時(shí)熱點(diǎn)也不足夠敏感。同時(shí)，因?yàn)橛?jì)算量大，不適應(yīng)大數(shù)據(jù)場(chǎng)景。為此我們采用對(duì)時(shí)間分層的推薦模型結(jié)合熱點(diǎn)權(quán)重函數(shù)，解決了傳統(tǒng)算法存在問題，在生產(chǎn)環(huán)境中具備較高的應(yīng)用價(jià)值。關(guān)鍵詞：個(gè)性化推薦;協(xié)同過濾;推薦算法;興趣變化;大數(shù)據(jù)推薦系統(tǒng);相似度計(jì)算中圖分類號(hào)：TP391 ? ? ? ?文獻(xiàn)標(biāo)志碼：A ? ? ? ? 文章編號(hào)：2095-2945（2020）20-0014-03Abstract： The exi
科技創(chuàng)新與應(yīng)用 2020年20期2020-06-29
- 基于云平臺(tái)的慕課資源協(xié)同過濾推薦算法
當(dāng)前慕課資源協(xié)同過濾推薦算法存在推薦誤差大、無(wú)法實(shí)現(xiàn)在線推薦的難題，為了提高慕課資源協(xié)同過濾推薦精度，設(shè)計(jì)了基于云平臺(tái)的慕課資源協(xié)同過濾推薦算法。首先分析慕課資源協(xié)同過濾推薦的原理，提取慕課資源相似度特征，然后引入k-最近鄰對(duì)慕課資源相似度進(jìn)行評(píng)價(jià)，實(shí)現(xiàn)慕課資源分類和協(xié)同過濾推薦，最后在云平臺(tái)分布式、并行實(shí)現(xiàn)慕課資源協(xié)同過濾推薦算法，并與傳統(tǒng)算法進(jìn)行了仿真對(duì)比實(shí)驗(yàn)。結(jié)果表明，相對(duì)于傳統(tǒng)算法，提出的算法使得慕課資源協(xié)同過濾推薦精度得到較高提升，能夠解決當(dāng)前慕
微型電腦應(yīng)用 2020年5期2020-06-29
- 基于協(xié)同過濾算法的旅游推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
游景點(diǎn)屬性的協(xié)同過濾算法的旅游推薦系統(tǒng)。該文首先為旅游景點(diǎn)建立評(píng)價(jià)指標(biāo)體系，將指標(biāo)數(shù)據(jù)作為景點(diǎn)屬性進(jìn)行相似度計(jì)算并根據(jù)計(jì)算結(jié)果對(duì)旅游景點(diǎn)進(jìn)行相似分類，結(jié)合協(xié)同過濾算法計(jì)算用戶相似性并產(chǎn)生專屬景點(diǎn)推薦列表，為用戶提供個(gè)性化旅游推薦。本系統(tǒng)對(duì)河北省11個(gè)城市的旅游景點(diǎn)進(jìn)行推薦。關(guān)鍵詞：旅游推薦;景點(diǎn)屬性;協(xié)同過濾;相似度中圖分類號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）35-0064-03開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSI
電腦知識(shí)與技術(shù) 2020年35期2020-06-07
- 基于DB-CF算法的音樂平臺(tái)個(gè)性化推薦研究
;然后，通過協(xié)同過濾算法計(jì)算對(duì)象用戶與各聚類中心的相似度，再通過對(duì)比相似度度量矩陣，遍歷離對(duì)象用戶最近的鄰居，通過鄰居作出評(píng)分預(yù)測(cè)。實(shí)驗(yàn)表明，采用DB-CF算法比傳統(tǒng)算法準(zhǔn)確率提高8%左右，可以產(chǎn)生更準(zhǔn)確的推薦結(jié)果，為用戶帶來更好的體驗(yàn)。關(guān)鍵詞：音樂電臺(tái);信息超載;個(gè)性化推薦;協(xié)同過濾;聚類DOI：10. 11907/rjdk. 192582??????????????????????????????????????????????????????????
軟件導(dǎo)刊 2020年3期2020-05-28
- 基于用戶聚類的圖書協(xié)同推薦算法研究
? 要：針對(duì)協(xié)同過濾推薦算法中因圖書評(píng)分?jǐn)?shù)據(jù)稀疏，導(dǎo)致推薦質(zhì)量和推薦效率低的問題，提出結(jié)合用戶聚類的圖書協(xié)同過濾推薦算法。首先將用戶身份特征數(shù)據(jù)和行為數(shù)據(jù)進(jìn)行向量化表示，并利用K-means聚類算法進(jìn)行用戶聚類成為不同的類別;其次計(jì)算目標(biāo)用戶與各類別的距離，并選擇最近距離的類別作為目標(biāo)用戶的檢索空間;最后，從檢索空間中通過相似度計(jì)算確定目標(biāo)用戶的最近鄰居，在此基礎(chǔ)上產(chǎn)生推薦列表。實(shí)驗(yàn)結(jié)果表明，所提算法能夠有效提高推薦精度，降低推薦所耗時(shí)長(zhǎng)。關(guān)鍵詞：推薦系統(tǒng)
科技資訊 2020年9期2020-05-13