基于RFM模型和协同过滤技术的酒店房型推荐算法

为了提升酒店房型个性化推荐效果,将RFM模型与协同过滤技术相结合,设计了一种酒店房型推荐算法,并通过实验验证了该算法的准确性和有效性优于传统的协同过滤推荐算法.     

基于混合协同过滤的个性化推荐方法研究

针对传统协同过滤算法存在的数据稀疏性和推荐范围问题,提出一种混合协同过滤推荐方法.该方法将两种传统算法结合,并综合考虑了项目标签属性等信息.首先利用基于项目的协同过滤算法生成预测评分,并替换原始用户-项目评分矩阵中的零值.其次利用基于用户的协同过滤算法计算填充后矩阵的用户相似度,以及预测评分并产生最终推荐.最后基于MovieLens数据集实验证明,该方法能够有效提高推荐精度,扩大推荐范围.     

融合多视角信任的个性化推荐算法

为了提高传统协同过滤推荐算法推荐的准确度,对评分信任和社交信任赋予自适应的权重,结合概率矩阵分解算法,提出一种综合的个性化推荐算法.该算法在Filmtrust数据集上进行验证,并与相关算法进行对比,结果表明所提算法在MAE(mean absolute error)和RMSE(root mean squared error)指标上均得到有效的改进.     

基于协同过滤和网络结构的个性化推荐算法

综合了经典的协同过滤算法和基于网络结构的个性化推荐算法.项目同其他所有项目的相似度之和被认为是项目在个性化推荐系统中的初始推荐资源,然后通过二部图的网络结构将这种资源进行重新分配.同时考虑两个项目之间的相互作用关系,提出了最终的推荐算法.最后,根据用户未曾收集项目最终所获得的资源进行排序,向用户推荐资源最多的项目.通过...     

基于图论和信息最大化保留的在线推荐方法

随着电子商务的发展, 研究一套高效准确的推荐方法不仅便利了网上购物, 也有助于加速商品流通, 促进经济发展. 既有的方法主要从商品的相似性或顾客的相似性出发进行推荐, 没能将两者很好的结合, 不能充分利用既有的评价信息. 鉴于此, 提出了基于图论的推荐方法, 将人和物的相似性信息结合起来, 构成综合的评估图模型, 并转化为与之等价的评估矩阵. 在评估信息最大化保留的优化目标下, 以评估矩阵为基础建立推荐算法, 并与既有的推荐方法进行比较. 实验结果表明: 本文的方法具有计算时间短、准确度高的特点, 可以用于实时的在线推荐.     

基于关联规则分析的产品销售推荐的应用

阐述了关联规则算法的基本原理,并利用事务数据库中的销售数据和SQL Server 2008 DataMining Add-Ins for Microsoft office 2007工具挖掘顾客购买的商品之间各种有趣联系,帮助商家制定营销策略,最终向每个顾客提供一组正确的推荐信息,从而改善客户的购物体验,增加总的销售额。     

基于情感识别方法的推荐系统(英文)

随着电子商务的高速发展,推荐系统已成为广大客户选择合意商品的重要工具。目前应用的电子商务推荐方法,依赖于客户的购物素养;而客户在购物中,更重要的影响因素是人的情感。针对这种情况,提出了一种新型的、基于客户情感的推荐系统;给出了该系统的模型、数据结构等。该系统的核心是商品和情感二维叠加空间。实验证明,该系统具有较高的推荐精度和检索速度。     

基于标签重要程度的协同过滤推荐算法

针对传统协同过滤推荐算法在用户隐式反馈数据挖掘不够充分、用户兴趣偏好模型过于粗糙,提出一种标签重要程度的协同过滤推荐算法。用户使用标签的种类和频率可以反映用户的偏好和偏好程度;在此基础上建立新的用户兴趣偏好模型,将标签对用户的影响程度进行量化,建立新的相似度计算方法。最后获得目标用户的近邻集合和预测评分,为目标用户实施有效推荐。实验结果表明该算法大幅度提高了推荐的精准度、缓解了冷启动问题。     

基于Agent的顾客行为及个性化推荐仿真模型

针对传统个性化推荐研究方法的局限性, 提出一种基于Agent建模与仿真的方法, 通过个体的交互作用所产生的涌现特征来分析移动电子商务环境下的顾客行为及个性化推荐策略的有效性． 以移动商务环境下的餐饮推荐系统为例, 分析了消费活动过程中顾客与服务的交互行为, 以及情境因素对顾客消费的影响, 构建了服务推荐及顾客行为规则, 并在REPAST环境下实现了本Agent仿真模型． 仿真结果表明:该模型可有效分析及预测服务推荐和顾客决策的涌现现象, 并由此推断顾客总体的消费趋势; 同时, 考虑情境因素的推荐模型的有效性比单独基于顾客个性化信息的推荐模型有明显提高．     

新颖的面向网络服务的动态信任模型

提出一种新颖的面向网络服务的动态信任模型.引入信任评价与区间直觉模糊数的对应关系,给出基于信任需求属性的经验信任、邻居推荐信任及代理推荐信任的计算、合成、及综合运算.同时,采用精确函数比来确定信任属性的权重因子,而时间序列权重因子则由指数分布的逆形式确定.最终以总体信任的得分函数及心性因素来区分信任服务.仿真实验表明,该模型可有效的建立实体间的信任关系并遏制恶意实体的攻击.