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.     

基于图嵌入向量的课程推荐算法研究

互联网技术的飞速发展,推动了传统教育方式的变革,在线教育逐渐成为了人们学习的一种重要方式。然而在线课程种类繁多,用户在学习过程中,往往难以找到符合自身需求的课程。面对信息过载问题,越来越多的研究人员将兴趣投入到在线课程平台的推荐算法中来。在线课程平台常用的协同过滤推荐算法基于用户相近的兴趣进行推荐,然而,忽略了用户学习的时序特征。针对此问题,文章提出一种基于用户点击时序网络嵌入向量（Graph Embedding Vector,GEV）的推荐算法。首先,利用用户的学习记录构造用户点击序列图,然后利用Skip-gram算法和负采样算法学习到课程的嵌入向量表示,最后,通过向量检索的方式为用户生成推荐候选集。实验结果表明,与MF、DeepWalk、协同过滤等传统算法相比较,该算法在MOOC数据集的推荐召回率上均有提升。因此,实验结果证明了利用图嵌入方法获取向量表示进行推荐可以有效提升推荐召回率。     

基于Vague相似性的文献推荐研究

为提高文献综合推荐效率,提出一种基于Vague相似性的文献推荐方法。该方法首先利用文献数据库检索用户感兴趣文献,作为待推荐文献集;然后,对文献中的关键词依据提出的方法重新排序、计算关键词的模糊隶属度和关键词转换为Vague值;最后,利用Vague相似性度量文献的相关性,并结合年均下载量和年均引用,对进入推荐集的文献进行推荐排序供用户选择使用。实验表明,该算法不仅利用关键词相似度,还融入了对文献有重要意义的引用数和下载量参数作为推荐参数,综合推荐效果明显。     

基于数据驱动和知识图谱的电影分类推荐方法

提出基于知识图谱和数据驱动的电影分类推荐方法;首先基于数据驱动爬取互联网中的电影数据并进行去重及清洗,然后采用知识图谱将电影数据与用户情感偏好数据进行关联,对海量的数据信息进行中心聚类,并在数据聚类的过程中计算投影向量得到相似度矩阵,最后查询相似度值并计算分类推荐指标权重得到最终的电影推荐清单.     

平台供应链视角下直播推荐服务模式选择策略

直播平台如何选择合理的推荐服务模式是提升其市场竞争力的关键.以平台供应链视角,考虑直播平台的独家推荐与非独家推荐两种服务模式,分别建立Stackelberg博弈模型并求解,探讨直播平台的最优推荐服务模式选择策略,进而分析直播平台推荐成本系数,佣金率与推荐费用对品牌商品售价,直播平台推荐水平及利润的影响.研究表明,直播平台的最优推荐服务模式受到平台推荐成本系数和推荐费用的影响,当直播平台的推荐成本系数或推荐费用较低时,直播平台选择独家推荐模式,否则选择非独家推荐模式.此外,当直播平台的推荐成本系数与推荐费用同时较低或较高时,品牌商能够与直播平台实现合作,达到双方共赢的局面.     

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。     

一种基于数据的GitHub项目个性化混合推荐方法

将两种传统基于内存的协同过滤方法相结合, 提出一种基于数据的GitHub项目个性化混合推荐方法. 该方法不仅可动态地计算相似用户以保证推荐的个性化, 且只用很小规模的相似用户便可得到与基于项目的方法相近的推荐质量; 同时, 该方法通过建立倒排表和利用K均值分类, 在一定程度上解决了原方法在面对GitHub用户及项目数量级较大但交叉度较低的数据集时数据稀疏和冷启动问题. 通过与传统方法进行对比实验, 验证了该方法的有效性和优越性.     

基于情感分析和Word2Vec的图书推荐方法

为能够向广大读者精准推荐所需图书,达到节省搜寻精力和时间的目的,在传统图书推荐方法的基础上,将读者评论中的情感因素考虑在内,提出了一种基于情感分析和Word2Vec的图书推荐方法:抓取豆瓣网上的图书数据,构建专有特征数据集;针对情感词典设计了相应的情感计算规则,利用训练好的Word2Vec模型扩充情感词汇;通过情感词典完成对读者评论的情感分析,并将提取到的情感特征加入特征集内;采用随机森林算法对其进行口碑分类.研究发现,该方法优于基于原始特征集的方法,实验准确率和F值均有一定提升,是向读者实现图书精准推荐的有效途径,具有一定的实用价值和应用前景.     

基于Web挖掘的电子商务推荐系统设计

本论述针对协同过滤算法的局限性,为顾客购买频度较高的商品设计一种基于Web挖掘的推荐系统,它综合利用朴素Bayesian分类法,基于点击流分析的偏好Web使用挖掘,商品关联规则等各种Web数据挖掘技术,为顾客购物提供智能商务推荐.在数据挖掘技术的基础上,结合智能Agent技术,对系统进行设计和实现.实验结果表明,该系统...     

基于非结构化P2P网络用户模型的协同过滤推荐机制

协同过滤是当前应用在信息推荐系统中最成功的技术之一。但随着用户数量和所需过滤信息的增加,计算复杂度迅速增长,大多数推荐系统都因集中式的体系结构而面临可扩展性差的问题。本文提出了一种基于非结构化P2P网络的协同过滤推荐机制,采用基于词汇链的方法构建资源对象描述向量,建立由偏好资源对象集合构成的用户模型,并且根据用户的兴趣变化,通过动态邻居重组的方法获得实时的个性化推荐。实验数据表明采用基于非结构化P2P网络的协同过滤推荐机制较传统集中式推荐方案有更好的可扩展性和预测准确性。