基于用户等级的协同过滤推荐算法

提出一种基于用户等级的协同过滤推荐算法, 解决了传统协同过滤推荐算法的扩展性问题. 该算法首先定义用户等级函数, 依据用户所评价的项目数确定用户等级; 并通过仅在用户等级的邻域内查找近邻的方法, 提高协同过滤推荐的效率. 实验结果表明, 该算法与传统协同过滤推荐算法相比, 在不影响推荐质量的前提下, 极大地提高了推荐效率.     

RSS技术在数字图书馆新书推荐中的应用与实现

介绍了RSS的概念、特点和目前国内高校图书馆网站应用RSS技术的大概情况,以浙江工业大学图书馆为例,阐述了基于Oracle数据库和JSP语言的RSS新书推荐程序的原理和实现方法。     

基于时空序列模式匹配的兴趣点推荐方法

兴趣点(point of interest,POI)是地理空间信息的重要组成部分,在基于位置的信息服务中被广泛使用.针对用户对兴趣点访问所产生的时空序列,利用闭合序列模式挖掘方法分析频繁模式,在此基础上根据用户当前所处位置或最近访问序列,通过序列分析进行时空序列模式匹配,并按照序列的匹配程度给出兴趣点推荐列表.实验结果...     

基于Web内容挖掘的论坛发贴分类推荐技术

随着Internet基础结构的不断扩大和其所含信息的持续增长,Internet用户感觉越来越容易在WWW服务中"资源迷向".目前提高用户使用效率的方法有页面预取技术、站点动态重构技术和Web个性化推荐技术等.因为网站的页面内容才是用户真正感兴趣的,本文应用了一种基于Web内容挖掘的文本分类技术来实现论坛中贴子的分类推荐...     

大数据在动漫产业中的应用

作为继云计算、物联网之后IT行业又一颠覆性的技术,大数据已经渗入到社会发展的方方面面.随着“中国动漫数据平台”的成功组建,大数据被应用到动漫产业链的各个环节.大数据在动画电影推荐系统中的应用、整合动漫产业链实现价值最大化,助力动漫产业结构调整、产业融合和转型升级等方面,发挥着重要的技术支撑作用.“大数据+动漫”的融合发展模式,将使动漫产业的未来格局发生根本性变化.     

面向选择性游览的景区路径推荐算法应用研究

针对目前景区路线推荐基本都从景点的热门程度以及游客可用时间的多少选择旅游路线,很少考虑到游客的个性化需求以及游览效率的现状,提出了一种基于个性化和游览效率的面向选择性游览的景区路径推荐（STRR）算法。首先通过将景区的空间结构离散化,获取游客想要游览的景点;再基于离散粒子群（PSO）算法提出利用优先级规则改进位置更新的方法,快速得到一条满足游客个性化需求的最短路径;最后以北京化工大学东校区为例利用平面仿真进行了实例验证。实验结果表明,STRR算法能够得到一条既满足游客个性化需求且游览效率最高的路径,并在计算效率方面比其他算法具有更好的优越性。     

基于社交关系和条件补全的协同过滤推荐算法

针对传统协同过滤算法中存在数据稀疏、数据冗余和算法效率低等问题,提出一种基于社交关系和条件补全的协同过滤推荐算法.该算法将社交关系数据应用到矩阵补全过程中,减小原始矩阵的稀疏度,同时提高补全数据的精确度;在项目相似性计算时,条件性地选择参与计算的向量数据,减少数据的冗余度,并降低算法的时间复杂度.实验结果表明,改进算法的推荐准确率明显提高.     

基于K-medoids项目聚类的协同过滤推荐算法

针对传统协同过滤推荐算法通常针对整个评分矩阵进行计算,存在效率不高的问题,提出一种基于K-medoids项目聚类的协同过滤推荐算法.该算法根据项目的类别属性对项目进行聚类,构建用户的偏好领域,使用用户偏好领域内的评分矩阵进行用户间相似度的计算,得到目标用户的最近邻居集,并生成推荐结果.与常用的K-means聚类方法相比,采用K-medoids方法对项目类别属性进行聚类,不仅克服了评分聚类可靠性不高的问题,而且算法还具有更好的鲁棒性.实验结果表明,该算法能有效提高推荐质量.     

基于web数据挖掘的协同过滤推荐算法

随着电子商务的发展状大,缺乏个性化服务成为制约电子商务发展的关键问题。基于web数据挖掘的电子商务推荐系统可以满足电子商务未来发展趋势的需要。本文以一组数据为实例阐述了基于web数据挖掘的协同过滤推荐算法是如何进行数据表示、近邻查询以及推荐产生这三个阶段的有效实施的。     

基于WEB使用挖掘的个性化推荐系统的研究

通过网络学习的web日志的使用挖掘,获取学习兴趣,建立兴趣模型.采用相似性度量方法对具有相似兴趣的学生用户进行聚类,实现了学习内容的个性化推荐系统.实验结果表明,基于用户兴趣模型的个性化推荐系统具有较高的准确率、新颖率和非预期率.