融合标签相似度的 k 近邻 Slope One 算法

Slope One 协同过滤算法被广泛应用于个性化推荐系统中。标签是一种描述项目特性的重要形式,针对Slope One 算法推荐精度不足的问题,将标签信息融合到 Slope One 算法当中。同时参考 k 近邻算法思想,选取阈值过滤后的 k 近邻项目参与平均评分偏差计算,提高计算效率的同时增加预测精度。使用评分相似度和标签相似度作为权重修正线性回归模型。通过线性加权融合预测结果,进一步提升推荐质量。将算法应用于 MovieLens 数据集,与传统加权 Slope One 算法相比,平均绝对偏差下降4．8％,召回率和准确率分别提高32．1％和26．3％。     

一种基于混合深度学习的推荐算法

为解决推荐算法中的冷启动和数据稀疏性问题,提高推荐的效率,提出一种基于混合深度学习的推荐算法。该算法将深度学习中的半自动编码器和多层感知机模型有效结合,通过半自动编码器模型解决稀疏数据,并融合相关辅助信息解决冷启动问题。它先用半自动编码器提取用户和项目的深层次特征,再将提取的潜在特征输入到多层感知机中进行非线性融合,完成评分预测。实验结果表明,相比于其他算法,该算法可以更好地处理稀疏数据和冷启动问题,使推荐准确性得到不同程度的提升。在给定数据集上,该算法比传统矩阵分解算法的均方根误差提升了约46%。     

融合多种影响因子的兴趣点推荐算法

为了解决兴趣点推荐任务中的数据稀疏性问题和充分利用位置社交网络中的多样信息提高个性化推荐质量,提出了一种融合多种影响因子的兴趣点推荐算法。分别对地理信息和社会信息进行地理影响力建模和社会影响力建模,并联合时间信息和地理信息进行时空影响力建模,然后以加权求和的方式整合3种影响力评分得到用户偏好分数,根据用户偏好分数为每个用户提供1个包含Top-N[WT]个兴趣点的推荐列表。实验结果显示,在2个公开数据集上,融合多种影响因子的兴趣点推荐模型的性能优于对比模型。地理-社会-时空影响是兴趣点推荐任务中的关键,对这3种影响建模可为融合关键信息的兴趣点推荐研究提供参考。     

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.     

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.     

结合物联网和室内定位的手机图书馆推荐系统

 为利用物联网和室内定位等新技术的优势,并充分利用图书馆的特点,设计开发了结合物联网和室内定位的手机图书馆推荐系统。借助物联网中的近场通信（NFC）搜集了系统数据;利用Mahout和Redis实现了基于物品的协同过滤推荐和基于热点的推荐,并将2种推荐的结果混合推荐计算得到推荐图书列表;利用位置指纹定位法得到读者的实时位置,以此向读者推送推荐结果,同时根据用户的反馈优化推荐结果。通过这些优化和改进,可使图书馆更好地为读者服务。     

本体技术在个性化推荐系统中的应用研究

针对个性化推荐系统中传统的用户建模技术的缺陷,本文将领域本体的理论与方法应用到电子商务个性化推荐中,设计了一种本体和服装信息相结合的个性化推荐模型。利用Protégé实现了服装知识本体的构建过程,在真实数据集上的实验结果验证了算法的可行性和有效性。该设计与已有的推荐算法相比,具有更高的预测准确度。     

面向浏览者的图像推荐模型

要求互联网中的浏览者为每一幅图像表示其反馈是困难的,需要通过分析浏览者的行为,隐式地获取其评价。通过对浏览者的阅读、收藏和下载等行为的分析,度量用户对图像的关注度,以此作为用户反馈,分析其关键字偏好和图像特征偏好,进一步设计了用户偏好的遗忘策略和学习策略,实现用户偏好的动态更新,通过关键字相似性分析和图像特征相似性分析两方面,为用户选择推荐的图像。以准确度和召回度作为评价标准,实验表明,所提出的方法具有较高的性能。     

一种基于桌面信息的个性化推荐方法

针对当前信息检索服务中存在的固有缺陷,提出了一种基于用户桌面信息抽取的个性化推荐方法.详细介绍了通过用户桌面资源信息抽取建立长期用户模型,以及通过工作场景信息抽取建立短期用户模型的算法.长期用户模型提供了完整全面的用户兴趣偏好信息,短期用户模型则为预测用户当前信息需求提供了依据.实验结果表明,基于用户桌面信息抽取的个性化推荐服务能较好地预测用户当前需求、具有良好的推荐效果.     

一种改进的APRIORI算法在电子商务中的应用

结合电子商务推荐系统的实际需求,在分析Apriori算法的特点和不足的基础上,提出了一种改进的分段Apriori算法,将此算法引入到电子商务网站的推荐系统中,使网站的交易效率和客户认可度均得到提升.