一种基于电影评分预测的协同过滤

评分预测是推荐系统的重要环节,现在大部分的评分预测是利用用户的历史评分记录来推断该用户将给某个项目打多少分.该方法利用了用户历史评分记录,没有充分利用用户或者项目属性,平均绝对误差较大.针对以上问题,构造一种基于用户自画像的评分预测协同过滤推荐算法.该算法通过计算用户之间历史评分记录的相似度和用户自画像之间的相似度,然后计算出两种相似度的权重,把两种相似度乘以各自的权重进行组合.实验结果表明,构造的评分预测算法较好的减少预测评分和实际评分之间的平均绝对误差,提高了评分预测的准确性.     

基于项目特征分类与填充的协同过滤算法研究

网络化与信息化社会具有信息海量化和用户需求个性化的特点,如何通过有效手段过滤掉与目标用户不相关的信息,筛选出对用户有用、能满足用户需求的信息成为信息研究领域的重要课题。本文针对协同过滤中存在的评分数据稀疏性与推荐准确度问题,提出了一种基于项目特征值分类与空缺元素填充的协同过滤算法。实验结果表明,改进的协同过滤算法能有效的缓解评分数据稀疏性对推荐结果的负面影响,在一定程度上提高了推荐的准确度。     

基于无标度性和资源分配的网络链路预测算法

链路预测是指根据网络结构中的已知信息来推测网络产生新链接的可能性．资源分配算法（RA）是一种简单高效的基于网络局部信息的链路预测算法，但RA算法中并未考虑被预测两节点自身的信息．在RA算法基础上考虑被预测节点间的链接偏好（PA），提出基于网络结构的资源分配RSF和RSW算法．在14个实际网络中进行链路预测实验，验证了所给算法的有效性和鲁棒性，并分析了网络结构的无标度性对算法预测性能的影响．     

基于用户和项目的双视角协同过滤推荐方法

传统的协同过滤推荐方法存在单视角信息利用不足、预测精度不高、对数据稀疏性敏感等问题,为此提出同时考虑相似用户和相似项目的双视角协同过滤推荐方法.根据辩证的思想,利用项目内部因子和外部因子生成项目融合相似度,有效度量了项目相似性和用户相似性,并解决了双视角协同过滤推荐方法对数据稀疏性敏感的问题.在标准数据集上多次进行的实验表明,基于用户和项目的双视角协同过滤推荐方法优于多个典型的协同过滤推荐方法.     

基于交互历史的三维家居个性化推荐与虚拟展示

为了满足家居设计的个性化需求,将个性化推荐算法引入移动交互式三维家居个性
化设计系统中,提出了基于交互历史的协同过滤推荐算法. 首先,分析了用户的历史交互行
为,构建了一个新的用户兴趣度量度模型,将用户的交互行为转换成用户兴趣度矩阵. 然后,
综合考虑了家具单品的时效性和资源关联特性,并将这两种特性引入协同过滤推荐算法的生
成推荐过程中,以提高推荐质量. 最后,将系统推荐的家具单品应用到三维虚拟家居设计场景
中,通过对场景个性化编辑与虚拟展示,完成家居的个性化设计. 实验结果表明,该方法是可
行的,能有效提高推荐质量,具有较好的用户体验和视觉效果.     

基于情境要素和用户偏好的旅行方式推荐

为给用户推荐满意的旅行方式,针对用户旅行构建旅行情境,并基于移动社交软件采集用户行为数据,进而提取情境要素并完成情境构建过程.根据用户出行具有目的性和偏好的特点,将情境要素与用户偏好相结合,利用情境要素组合间的差异性进行实验.实验表明,在不同情境下,不同的情境要素组合与偏好会导致用户选择不一样的旅行方式.实验综合考虑情境组合差异性,从不同情境组合的视角出发,充分展示用户选择单一旅行方式和组合旅行方式在各种旅行客观条件下的占比,并通过用户满意度来证明该文模型可为用户推荐更加契合需求的旅行方案.在不同数据集NDCG@5、NDCG@10和MAP上的T测试结果显示,该文提出的推荐方法性能相比于Pearson相关系数的CF方法和加权slot-one算法具有显著优势.     

基于社团主题的领域相关推荐算法

传统的协同过滤方法假设相似的用户有着相似的偏好,然而在不同的消费领域用户往往表现出不同的特征.此外,由于用户评价矩阵的稀疏性,使得相似用户的寻找极为困难.针对上述问题,该文提出了基于社团主题的领域相关推荐算法.首先,提出了一种包含社会网络,用户对商品的评价记录和项的分类三类信息的推荐框架.然后,分别提出了专家指导的主题模型和社会网络约束的主题模型.最后,对这两种模型进行综合,提出了统一推荐模型.实验表明,该文提出的方法具有较好的预测准确性,其性能明显优于其他相关算法.     

融合双聚类技术的新型协同过滤算法

针对传统协同过滤算法因未考虑用户与项目之间的对偶性而产生的数据稀疏问题,提出一种基于双聚类技术和Top-n推荐技术的新型协同过滤算法:通过同时对行之间和列之间进行聚类,可以对用户和项目之间的相似性进行辨识,从而确定二者的分组信息;利用Top-n算法快速、精确地搜索出最佳的服务推荐.为了验证所提方法的有效性,在网络服务数据集上进行了相关实验.实验结果表明提出的方法能够在存在稀疏数据的情况下为用户提供有效的推荐,提高网络服务推荐的搜索精确性,提升CPU的有效利用率,并大幅度增强了算法的鲁棒性.     

个性化推荐系统研究分析

互联网技术的发展及用户的个性化需求是推荐系统产生的背景,其根据用户的兴趣点及行为轨迹,为用户在海量信息中精准推荐用户所需要的信息,是机器学习、数据挖掘、知识发现等技术的结合体。基于此,介绍推荐系统的主要算法、评价方法、开源项目。     

属性论在文本相似度计算中的应用

在文本信息检索中，相似度是用以反映用户需求与数据库系统中文本内容的相近程度。相似度越大，表明文本越符合用户的需要，相似度越小，表明文本越不符合用户的需要。本文以属性论中的一个模型——属性重心剖分模型(又称属性坐标系)为基础，探讨属性论在文本相似度计算中的应用。     

基于用户偏好的个性化网络广告推荐专利技术综述

在大数据时代的背景下,网络广告的点击量呈现明显的长尾特性,即大量的广告并不能被用户接触,少量的被用户接触到的广告也并不能真正满足用户自身的需求,而个性化推荐技术的发展为解决网络广告中存在的长尾问题提供了一种重要手段。本文首先介绍了基于用户偏好的个性化网络广告推荐技术的发展历程,然后分析了其中重要的技术分支及其发展状况,最后对个性化网络广告推荐领域的重要申请人的专利申请及其技术演进做了进一步的分析。     

协同过滤推荐算法专利综述

在信息化爆炸的时代,面对海量信息人们往往无法快速确定自己真正需求的信息,推荐系统及其相应的推荐算法应运而生,协同过滤推荐算法的出现标志着推荐系统的产生。协同过滤算法包含基于用户的协同过滤算法和基于物品的协同过滤算法,能够实现个性化推荐、处理复杂的非结构对象、新异兴趣的发现,且随着时间推移性能提高、自动化程度高。     

智能化电视节目推荐专利技术分析

在电视智能化进程中,基于用户偏好的电视节目推荐算法不断为用户带来全新的体验,成为智能电视的标志性技术,并被视为将用户重新吸引到电视机前的关键切入点。本文介绍了基于用户偏好的电视节目推荐算法的发展历程,绘制了该技术演进路线图,并分析获得了电视节目推荐领域重要申请人的技术发展路线。     

基于声誉计算的可信O2O服务提供商推荐方法

O2O电子商务近年来发展迅猛,然而部分O2O服务提供商存在不能诚信经营的问题.面对浩如烟海的O2O服务提供商,用户难以做出对自己有利的选择.针对这一问题,提出一种基于声誉计算的可信O2O服务提供商推荐方法.该方法根据用户服务评价矩阵计算用户对服务的加权评价,产生用户对商家的综合评价,进而得到用户商家综合评价矩阵.结合商家声誉,计算用户之间的O2O服务提供商偏好相似性,然后进行推荐.与现有的推荐方法相比,所提出的推荐方法能更有效地对O2O服务提供商的服务质量和经营是否诚信等问题进行过滤,同时考虑用户的偏好属性,具有更高的推荐准确度和更强的抗欺诈能力.     

基于关联规则的电子商务推荐系统研究

电子商务网站可以使用推荐系统分析客户的消费偏好,向每个客户具有针对性地推荐商品．推荐系统在帮助了客户的同时也提高了顾客对商务活动的满意度．本文首先对基于关联规则的推荐系统的相关知识进行了讨论,提出基于项目支持度的关联规则推荐算法,并通过实验验证该算法的可行性．在此基础上对基于关联规则推荐系统的结构进行了研究．     

基于用户会话的TF-Ranking推荐方法

基于用户会话日志,提出了一种融合XGBoost和门控循环单元网络的TF-Ranking推荐方法。该方法利用门控循环单元学习用户行为。首先,利用XGBoost进行特征提取,克服了传统方法中数据模型复杂的缺陷,使数据模型在保持原始属性的基础上大大降低了复杂度;其次,利用改进后的Dropout网络对数据进行处理,使得召回率提高了1.32%;最后,基于Learning to Rank与Pairwise方法训练用户会话数据,尽可能为用户提供一个与查询内容相关性较强的正向排序推荐清单。实验在Trivago RecSys Challenge 2019数据集上进行。结果表明,所提出的推荐算法在召回率和平均倒数排名上均有提高,而且可以应用于大规模数据推荐。     

基于混合神经网络的协同过滤推荐模型

数据稀疏性是推荐系统中严重影响推荐结果准确性的重要因素之一.针对数据稀疏性提出了融合卷积神经网络（convolutional neural network,CNN）和降噪自编码（denoisingauto-encoder,DAE）神经网络混合的神经网络评分预测模型（convolutional-denosing autoencoder,CDAE）对用户未评分项目进行预测评分,从而解决数据稀疏性问题.首先将向量化后的用户评论数据通过卷积神经网络训练得到用户特征向量矩阵,其次将用户特征向量矩阵作为降噪自编码神经网络的初始权重,结合用户评分数据经过降噪自编码神经网络训练,得到用户-项目预测评分,然后在此基础上进行基于用户的协同过滤推荐.最后使用movielens-1M实验数据集对比验证了提出的混合神经网络协同过滤推荐（convolutional-denosing autoencoder collaborative filtering,CDAECF）模型.实验证明,所提出的CDAECF模型能够有效地结合隐性反馈和显性反馈数据,具有较高的推荐准确率.     

个性化图书推荐系统研究

随着互联网技术的飞速发展,网络信息资源越来越多,人们通过利用传统的搜索引擎很难获取自己感兴趣的资源,如何快速的获取用户感兴趣图书信息,成为当前急需解决的问题,本文采用基于内容的个性化推荐技术,对用户浏览的图书进行特征提取,并通过相似度计算,把用户最可能感兴趣的图书资源推荐给用户。     

基于关联规则的超市购物个性化推荐研究

【目的】优化因消费者需求改变而受到局限的传统方法。【方法】通过收集沃尔玛超市两个时段9 835名顾客的消费数据，使用Apriori算法对数据进行挖掘和分析，得到3种推荐方法，分别为按商品销售排名推荐最畅销的前N件商品、根据Apriori算法挖掘出的关联规则进行商品捆绑销售、根据定义的强关联规则推荐系数来推荐商品。【结果】在运行程序后，发现后两种推荐方式挖掘出的关联规则商品不完全相同，且对相同关联规则商品的推荐度不同。【结论】推荐策略的实施将提高超市商品的销售量，有助于满足顾客的个性化需求。     

放大-转发OFDMA中继系统多业务资源分配方案

针对独立功率限制、放大–转发OFDMA中继系统的多业务资源分配问题,提出一种在满足实时用户要求前提下,非实时用户数据速率最大化的资源分配方案. 根据业务的不同将问题分解为实时和非实时用户的资源分配两个子问题. 对于实时用户的资源分配,利用Lagrange方法计算. 对于非实时用户的资源分配,每个子载波分配给信道条件最好的用户,针对功率分配提出两步功率分配方法. 首先按照总功率约束进行初始功率分配,然后对各子载波的功率进行调整以满足独立功率约束. 对于子载波分配提出一种低复杂度的子载波集合分配算法. 仿真结果表明,该方案在满足多业务用户要求的同时使系统性能得到优化,且计算复杂度低.