一种基于对话的电子商务推荐系统

提出了一种基于AIML的自然语言对话型的智能电子商务推荐系统.首先通过构建用户模型,对某类特定用户生成相应的产品推荐列表,从而完成系统对用户的首次产品推荐;其次通过引入AIML人工智能标记语言,构建专家知识库,通过系统与用户之间多次的自然语言交互,找到用户的兴趣点,修正首次的产品推荐列表.这种系统通过交互能力的改善和产品推荐准确性的提升,可以提高用户的满意度.     

电子商务推荐系统中推荐技术研究

本文简要地介绍了电子商务推荐系统的概念、作用和构成，详细地论述了电子商务推荐系统所采用的推荐技术，并对这几种推荐技术存在的问题进行了分析。     

结合时间上下文和兴趣模型协同过滤推荐算法

针对传统协同过滤UserCF推荐算法，用户相似度计算数据维度单一、精确率低、用户兴趣动态漂移等问题，提出一种结合时间上下文和用户兴趣动态衰减模型的协同过滤推荐算法.在传统协同过滤算法中结合时间上下文优化用户相似度的计算，引入用户收敛兴趣衰减模型，动态评估用户兴趣变化.算法通过MovieLends-1M数据集进行实验验证，按照F_β值、准确率、召回率与传统UserCF、UserCF-IIF算法进行对比分析.实验结果表明：本文算法精确率最高可达25.6%、召回率最高可达12.2%，相比UserCF、UserCF-IIF算法，在F_β值方面本文算法具有明显提升.     

电子商务个性化推荐系统分析与设计

本文从对电子商务推荐系统的需求分析入手,通过分析系统的用户流程、数据流,分析并设计了一个电子商务推荐系统原型,为实际系统的开发提供理论指导。     

电子商务中的推荐技术探讨

推荐系统从网站数据中提取用户感兴趣的信息,为用户提供个性化服务。本文对目前推荐系统所使用的技术进行了分析,讨论了电子商务推荐系统面临的问题和未来的研究方向。     

基于用户浏览行为挖掘的电子商务个性化推荐系统

本文介绍了电子商务个性化推荐系统，在此基础上提出了一种新的基于用户浏览行为进行数据挖掘的个性化推荐系统模型，并给出了详细的挖掘流程及实现算法。     

基于文献引证关系的数字图书馆协同推荐系统

协同过滤算法应用于数字图书馆推荐系统有诸多优点,然而在系统启动初期存在最初评价问题和数据稀疏问题。针对这些情况,提出引入文献引证关系于数字图书馆协同过滤算法。文献引证关系能够较好的反映文献作者对参考文献、引证文献的兴趣评价。基于文献引证关系的数字图书馆协同过滤算法引入作者的文献评价信息,解决了协同过滤算法固有的问题。实验结果表明,该算法能有效地提高系统的推荐质量。     

基于学生行为分析的就业信息推荐服务

高校就业信息系统中存在大量的企业招聘信息,这些信息为毕业生提供了大量的就业机会.但是对于没有工作经历的学生来说,面对纷杂的信息,常常在选择上出现迷茫,因此需要在系统中添加个性化的信息推荐服务,向学生推送符合其自身特点的就业信息,以此来提高学生的就业率和就业匹配度.针对面向学生的就业信息推荐问题,提出一种基于学生行为分析...     

浅谈基于推荐的电子商务系统

本文首先介绍了目前常用的一些推荐技术，然后着重介绍了相关推荐技术在电子商务中的应用。旨在根据用户以往的购买记录，为用户推荐适合的商品，节省用户的时间，提高购买力。     

基于协同过滤的电子农务推荐系统模型研究

通过阐述传统的协同过滤算法,分析其特点以及存在的不足,提出了一种改进的协同过滤算法.建立了推荐系统模型,并将这个模型应用到一个电子农务平台中.     

基于改进的协同过滤算法的练习测试推荐系统

在传统的协同过滤推荐算法的基础上,设计了一个基于改进的协同过滤算法的练习测试推荐系统。首先,根据学科、试题和学生的特点,有效的解决了矩阵稀疏和"冷启动"的问题;其次,使用机器学习中的K-means聚类算法对用户进行聚类,且初始聚类中心由Prim最小生成树算法确定,增加了聚类的稳定性;然后在每个聚类中搜索用户的最近邻居,缩小了计算用户之间相似度问题的规模;最后,通过实验将改进的算法与传统的算法进行了比较。实验结果表明,改进的算法提高了推荐系统的质量和准确度。     

推荐系统及其相关技术研究

在介绍推荐系统的定义和分类的基础上,深入讨论现有推荐系统普遍存在的问题,并提出了相应的改进策略:结合上下文信息;支持基于多标准推荐算法;在保证推荐精度的同时兼顾推荐的多样性;加强交互界面设计,提高系统逻辑的透明度;支持包括推荐包在内的多种推荐模式.我们相信这些策略有助于提高推荐质量,激发用户的参与度,从而增强推荐系统的实际可用性.     

基于用户协同过滤的图书推荐系统的设计与实现

协同过滤挖掘是利用具有相似喜好的读者或相似的物品来实现相关推荐的信息挖掘。通过深入挖掘图书馆书籍借阅中记录的信息，提出了一个基于用户协同过滤技术的图书推荐系统的设计与实现方案。实验结果表明该系统具有较为准确的预测功能，对图书推荐工作具有较好的参考价值。     

一种基于混合相似度的用户多兴趣推荐算法

针对传统协同过滤推荐数据稀疏会影响推荐质量,以及项目最近邻居集的计算忽略用户多兴趣及提高推荐的准确度问题,该文采用混合模型改进了相似性度量计算,综合Pearson相关系数与修正余弦相似性,提出了一种基于混合相似度的用户多兴趣推荐算法.实验表明:该推荐方法的相似度计算更高效,不仅提高推荐准确率,而且使用户有更好的推荐体验.     

基于兴趣度的聚类协同过滤推荐系统的设计

协同过滤技术被成功地应用于个性化推荐系统中.随着用户数目和网页数目的日益增加,整个用户矩阵数据极端稀疏并且实时性效果不理想.传统的推荐方法解决不了这些问题.本文结合兴趣度和聚类技术对客户的个人兴趣进行评价,提出了基于兴趣度的聚类协同过滤推荐系统,实验表明,该算法能够有效避免传统方法带来的弊端,提高系统的推荐质量.     

基于Agent和推荐技术的网络教学模型研究

通过分析目前网络教学系统的不足,提出一种基于Agent和推荐技术相结合的网络教学模型.该模型通过Agent动态收集用户兴趣爱好,分析学生的学习行为,生成用户的兴趣模型,然后使用协同过滤技术将相关的资源推荐给其他用户.模型充分发挥了教师在教学中的作用,教师和学生之间可以互相推荐学习资源,提高了用户之间信息资源的共享和交互能力,提高了系统的个性化服务水平.     

基于协同过滤的高校推荐选课系统的设计与实现

为了克服学生在选课过程中的盲目性,高校在考虑学生专业、偏好以及学习程度等方面的基础上,普通使用选课系统为学生推荐适用课程.但目前的高校选课系统中缺乏个性化课程、选课效率过低,本文提出了一种基于协同过滤的高校推荐选课系统的设计与实现.经过实验表明,该系统完全能够解决选课系统的个性化推荐问题,在增强课程资源利用率的基础上,极大的调动了学生的学习兴趣,并进一步提高了高校学生的选课质量.     

基于项目与客户聚类的协同过滤推荐方法

文章给出了一种基于项目与客户聚类的协同过滤推荐方法,将聚类分析与协同过滤方法紧密结合;通过降低项目空间维数,减少了用户在寻找最近邻邻居的搜索强度,增强了推荐算法的实时性,提高了推荐服务的质量。     

一种基于LBS的移动个性化推荐系统

随着个性化推荐技术的不断成熟和移动互联网的迅猛发展以及各种移动智能设备在人们的日常生活中扮演着重要的角色。结合LBS和个性化推荐技术,提出一种基于LBS的移动个性化菜品推荐系统。系统通过经纬度对菜品进行地域过滤,从而产生候选推荐集,然后对候选推荐集进行分类或聚类,并且对各类里的候选推荐集采用协同过滤技术进行过滤,从而形成每个类的Top-Ni推荐集,最后将各类的Top-Ni推荐集进行归并并产生最终的推荐集。最后在iPhone平台上实现了系统原型EatStars。     

基于杰卡德相似性的推荐系统研究

协同过滤推荐系统的核心是用户的相似性度量.在杰卡德相似性度量基础上,提出一种修正的杰卡德相似性度量.该方法将用户评分差异的数目融入相似度计算,并综合杰卡德相似度建立神经网络学习模型,选取Movielens数据作为训练集,得到合适的权重.实验结果表明,与pearson相似性度量相比,该方法在用户评价较少时给出相对可靠的推荐,在推荐的精度、平均绝对误差等方面具有一定的优越性.