基于用户分类的协同过滤算法在图书推荐中的研究

随着高校图书馆大数据时代的到来,读者有时很难找到自己喜欢的图书,会造成图书资源的浪费。针对这种情况,本文研究了基于用户分类的协同过滤算法在高校图书推荐中的应用,其中涉及读者分类、用户-项目评分矩阵的建立、向量空间模型的构建以及用户间相似度的计算,并考虑了高校图书和读者的特点,对用户-项目评分矩阵进行了改进,缓解了数据稀疏问题。研究结果表明,基于用户分类的协同过滤算法比传统的协同过滤算法计算复杂度低,在一定程度上优于传统的协同过滤算法。     

基于用户兴趣变化的高校图书馆个性化图书推荐研究

在众多个性化推荐技术中,协同过滤算法作为一种适用范围广、推荐质量高的算法,在电子商务领域得到了广泛应用,近年来被不少学者引入到图书馆个性化推荐的研究中。然而高校图书馆系统与商业系统相比,普遍存在用户信息少、项目评分严重缺失的问题,极大地影响了个性化推荐的准确率。针对以上问题,文章从高校读者属性和行为特征出发,建立用户兴趣模型,将读者阅读兴趣划分为长期兴趣和短期兴趣,基于用户兴趣度优化项目评分矩阵,进行协同过滤图书推荐。     

基于Item-Based协同过滤农业高校图书个性化推荐算法研究——以河北农业大学为例

针对高校用户对图书的个性化需求,运用用户对图书的评分,构建了基于Hadoop和Mahout的图书推荐系统。通过Hadoop中分布式文件系统(HDFS)和Map/Reduce计算模型的应用,发现当Hadoop中节点数不断增加时,计算时间不断减少,实时响应效率得到了提高;通过对Mahout中传统的Item-Based聚类协同过滤推荐算法进行改进,利用MAE值对传统和改进后的协同过滤算法进行比较,发现图书推荐的精度进一步提高。总体来说,推荐系统改善了传统单机运行内存严重不足和推荐结果不精确的问题。     

基于Mahout分布式协同过滤推荐算法分析与实现

随着信息技术和互联网的发展,在信息过载的时代,用户面对海量的信息,难以正确选择。协同过滤推荐是个性化推荐中比较成熟的算法,但其稀疏性、冷启动、可扩展性问题仍然存在,尤其是不能应用于分布式推荐。在Hadoop平台上,Mahout实现了分布式基于项目的协同过滤推荐算法,该算法能够有效解决传统算法的海量数据处理的效率问题和可扩展性问题。实验结果表明,Mahout上基于项目的协同过滤推荐算法具有较好的计算高效性和可扩展性。     

基于蚁群算法的协同过滤推荐技术

协同过滤推荐技术是当前最成功的个性化推荐技术,并且已经广泛应用于个性化推荐系统中。考虑到用户的推荐时间、推荐人数都是影响推荐准确度的重要因素,提出了一种基于蚁群算法的动态协同过滤推荐方法。当系统产生推荐项时,该算法不仅考虑每项的评分,而且考虑每项上信息素强度。实验结果表明,该算法可以显著提高传统过滤推荐系统的推荐质量。     

农业电子商务中基于用户兴趣变化的协同过滤推荐技术研究

由于农业本身季节性强的特点,推荐系统的实时性对农业电子商务网站至关重要。然而传统的协同过滤推荐技术不可避免地存在时效性差的问题。针对这一问题,本文分别从用户对商品的浏览时间及浏览频率两个方面追踪用户兴趣的变化,提出了浏览时间权重和浏览率权重,进而设计用户兴趣权重。将反映用户兴趣的权重值引入传统的协同过滤推荐技术中,得到新的加权计算用户相似度的计算方法,使推荐结果可以随着用户兴趣的迁移而改变。实验结果证明,该方法大大提高了推荐结果的准确性。     

一类BP神经网络优化评分预测的协同过滤推荐算法

协同过滤推荐算法是当前被广泛关注的推荐算法之一,算法中基于Resnick公式的评分模块只考虑了用户的浏览行为,忽略了用户间的评分影响,而且在数据稀疏的情况下不能较好的发挥评分预测的作用。针对这一不足,提出了一类BP神经网络优化评分预测的协同过滤推荐算法。其中,BP神经网络优化评分预测模块首先将相似用户的评分频数作为输入数据,并将目标用户正确评分作为输出数据进行神经网络训练,然后使用训练完的神经网络对用户评分进行预测。应用该模块分别替换皮尔逊推荐、模糊混合用户推荐和改进后的Top-N推荐代表性算法中的Resnick公式,对应给出了3种BP神经网络优化评分预测的协同过滤推荐算法。Movie-Lens数据集上的试验结果表明,该类协同过滤推荐算法在个性评分预测、特别是在稀疏数据评分预测方面有较强的竞争力。     

基于信任的农业科技信息协同过滤推荐方法

如何使农民快速发现自己感兴趣的农业科技信息,已经成为农业信息服务中亟待解决的问题。为了提高农业信息服务质量,提出基于信任的协同过滤推荐算法。首先根据农业信息的地域性、季节性特点选取目标用户的候选邻居,然后在共同评分项的基础上选取目标用户的可信邻居,其次选取和目标用户相似度较高的可信邻居作为相似邻居,最后根据相似邻居对其他信息进行评分估计,选取评分最大的N条信息推荐给当前用户。     

个性化推荐攻击检测模型研究

协同过滤是最核心、最典型的个性化推荐技术,广泛应用于电子商务,但其推荐结果对用户偏好信息的敏感性使得推荐系统易受到人为攻击,电子商务推荐安全成为个性化推荐能否成功应用的关键。作者先简要介绍了个性化推荐及推荐攻击的基本概念;而后分析比较了各种攻击检测模型。     

基于用户的农产品协同过滤推荐系统的设计与实现

作为缓解信息过载问题的主要手段,个性化推荐技术已经得到广泛的应用。随着农产品电子商务技术的发展,如何将最新的个性化推荐技术应用到农产品的推荐,促进农产品电子商务的发展,是一个非常重要的问题。本文在对电子商务推荐系统原理分析基础上,重点深入探讨了当前应用最为广泛的协同过滤推荐技术。在此基础上,针对农产品的特点,设计并实现了一个基于用户的农产品电子商务协同过滤推荐系统。为提高用户评分的积极性,系统采用一定的激励评分机制,以缓解数据稀疏性问题。系统界面简洁,操作简单,实现了对农产品的有效推荐。     

基于内容过滤推荐的农业信息推荐模型研究

针对专门的农业知识库，使用基于内容过滤的推荐方法，建立了农民用户兴趣模型和文档特征模型。在用户兴趣模型和文档特征模型中，针对特征项在不同表空间的分布情况，以及HTML文档结构对特征项权重的影响，通过改进传统特征项提取算法，提高了推荐模型的精度。结果表明，随着用户数的增加，农业信息推荐模型的查准率和查全率不断加大，说明模型的精确度不断提高。     

基于社会网络的协同推荐方法

针对传统协同过滤推荐算法存在推荐精度低的问题,提出了一种基于社会网络的协同推荐方法。该方法融合了社会网络中用户的相似度与信任度,首先计算用户间的评分相似度;再由直接信任度与间接信任度加权得出用户信任度;最后综合用户相似度与信任度得出用户间的推荐权重,并以推荐权重来选取最近邻居集,为目标用户形成推荐。试验结果证明,该方法可有效提高推荐系统的推荐精度。     

智慧时代下高校图书馆的创新模式探究

智慧时代用户对于信息需求呈现出了全新特征,目前高校图书馆所采用的服务模式无法满足用户实际需求,在此,设计高校图书馆创新服务模式,应用基于协同过滤的推荐算法,建立了图书推荐服务系统,确保高校图书馆提供信息服务由被动转变为主动,不仅有效的减小了读者获取图书信息时间成本,也确保高校图书馆和用户之间拥有更强交互性,进一步提升高校图书馆的图书流通数量。     

一种改进的Item-based协同过滤推荐算法

分析了协同过滤推荐系统中存在的用户多兴趣和项目多内容问题,提出了一种基于项的协同过滤改进算法,算法综合考虑了项目自身属性和用户评价的影响。试验表明该算法有效的解决了用户的多兴趣和项目的多内容问题,并且在用户评分数据比较稀疏的情况下也能有较好的推荐精度。     

一种改进的Item-based协同过滤推荐算法

分析了协同过滤推荐系统中存在的用户多兴趣和项目多内容问题,提出了一种基于项的协同过滤改进算法,算法综合考虑了项目自身属性和用户评价的影响.试验表明该算法有效的解决了用户的多兴趣和项目的多内容问题,并且在用户评分数据比较稀疏的情况下也能有较好的推荐精度.     

基于组合模型的农业信息情景感知推荐系统研究

在大数据环境下,农户在互联网中获取指导农业生产的信息更加困难,随着"一带一路"国家发展战略的全面展开,广大农民对农业信息服务的需求有增无减。针对传统推荐系统不能反映用户兴趣迁移、推荐精度不高等问题,提出来基于组合模型的农业信息推荐系统,提高农业信息推荐的自适应性和准确性。系统结合云计算技术提出一种基于Hadoop+Nutch的全网农业信息数据仓库构建方法,通过纳入时间权重、情景变更和兴趣迁移的优化向量空间模型构建了自适应性的用户兴趣模型,以及借助组合神经网络提高推荐精度提出了组合推荐算法。最后通过评价召回率、准确率等指标表明,基于组合模型的推荐系统可大幅提高推荐准确性和鲁棒性。     

基于改进的双极Slope One算法的农业信息推荐模型研究

为了在海量信息中为用户提供有价值的信息,个性化在线推荐系统是农业信息化综合服务平台的重要组成部分。Slope One算法因简单高效被许多在线推荐系统使用。对Slope One算法进行研究,并结合农业信息化综合服务平台的特点,提出了农业信息推荐模型。该模型按资源类别把用户评分矩阵划分为评分子矩阵,在此基础上采用杰卡德统一算子距离相似度算法建立用户类别近邻用户,采用改进的双极Slope One算法和Item user average算法相结合的方式对未访问资源进行评分预测,有效降低计算量,并提高了评分预测精度,既适合稠密数据集,又适合稀疏数据集。     

瓜果种植信息推荐模型

瓜果种植信息推荐有利于实现瓜果种植规范化、标准化管理,推进瓜果产业化。通过建立瓜农用户兴趣模型和文档特征模型,并进行用户兴趣分类,使用基于内容推荐技术,建立了瓜果种植信息推荐模型,为瓜果种植用户提供个性化的农业信息服务。     

基于项目评分预测与用户多相似度的协同过滤推荐算法

根据项目之间的相似性预测用户对未评分项目的评分,解决协同过滤推荐的数据稀疏性问题。在此基础上,分别从用户评分、用户属性、用户历史行为等角度对用户的相似度进行衡量,并综合各种相似度用来计算目标用户的最近邻居。最后,综合利用项目评分预测和用户多相似度,提出一种改进的协同过滤推荐算法。     

农业咨讯智能推荐算法

在当前这个移动互联网时代,随着随智能手机、平板等的普及,各种信息内容爆炸,面对互联网内容供应商提供的海量内容,用户想要获取的是感兴趣而且有价值的信息,这就是智能推荐需要解决的问题。而推荐算法通过对用户特征的挖掘和协同过滤,有助于更好的匹配海量内容和用户需求,使之更加的“有的放矢”。本文主要研究智能算法在农咨信息推荐中的应用。本文实验利用了citeULike数据集,实验结果表明本文所提的方法取得了较好的效果。