基于标签的个性化旅游推荐

旅游景点数量庞大,而用户本身旅游次数有限,所以用户旅游数据非常稀疏,进而影响了推荐结果的准确度.为了解决这一问题,从海量游记中提取与旅游景点密切相关的4个因素——地域、时间、主题、类型相关的特征标签,来丰富数据信息.一方面通过基于标签内容的方法为用户推荐感兴趣的景点;另一方面,用景点特征标签描述用户兴趣特征,根据用户兴趣标签找到相似用户群,通过协同过滤的方法为用户推荐感兴趣的景点.实验结果表明,基于标签的协同过滤算法较传统的协同过滤算法推荐准确率提高了63.7%,比基于景点热度的推荐算法提高了22.5%;基于标签内容的推荐算法比基于景点热度的推荐算准确率提高了27.6%.进一步,通过线性加权的方式混合两种算法,使两种算法优势互补,从而得到更好的推荐效果.最终使得基于标签的混合算法的准确率,比基于标签的协同过滤算法提高了61.3%,比基于标签内容的推荐算法提高了54.7%.旅游景点推荐准确度的提高,将带来更好的用户体验,使在线旅游网站更加具有竞争力.

基于符号数据与非负矩阵分解法的混合推荐算法

针对现有推荐算法在处理海量数据时效率和精确度低下的问题,提出一种将基于内容的推荐算法与基于项目的协同过滤算法相结合的新的混合推荐算法。首先引入符号数据分析方法,使用模态符号数据对项目建模,同时针对评分矩阵的超高维及稀疏性问题加入非负矩阵分解算法,对项目的特征矩阵进行有效"平滑",以此为基础计算项目之间的相似性,进而完成混合推荐。基于MOVEILENS数据的实验结果表明,本文提出的混合推荐算法与传统的基于项目的协同过滤算法相比,在相似性计算上具有更高的效率,同时在应对数据稀疏性及新用户问题时,具有更高的推荐精度。

基于用户兴趣评分填充的改进混合推荐方法

针对传统协同过滤推荐方法中的用户项目评分数据稀疏和推荐准确度不高的问题,提出了一种基于用户兴趣评分填充的改进混合推荐方法。首先,分析用户对项目类型的偏好,计算用户兴趣评分并进行矩阵填充;然后,考虑用户主观评分差异化及项目自身质量的影响,对传统皮尔逊相关系数进行改进,并基于已填充评分矩阵进行用户相似性及项目相似性计算;在此基础上分别基于用户和项目两个方面进行评分预测,并将两者的预测评分进行加权求和,进而进行混合推荐;最后,以Movielens100k为数据集进行实验,先分析了用户兴趣评分矩阵的填充效果,再将文中方法和传统协同过滤混合推荐方法以及文献中提出方法进行了对比分析。实验结果表明;提出的评分矩阵填充方法能有效缓解数据稀疏的影响,填充效果优于传统评分矩阵填充方法;提出的改进混合推荐方法(IHRIRF)比传统的混合协同过滤推荐方法HCFR及WPCC方法具有更好地推荐效果。

一种数据递增式的混合推荐方法

推荐系统由于较大的训练数据量和推荐算法较高的复杂度,其推荐的更新周期往往较长.然而系统上的数据时刻都在增长,更新推荐期间会产生大量数据,这些新数据对下一刻的推荐有较大的利用价值,系统却无法及时利用起来.为了能及时的利用这些新数据来提高推荐系统的推荐质量,提出一种数据递增式的混合推荐方法.该模型主要分为离线计算模块和在线推荐模块,离线模块用于计算出个性化推荐列表,在线推荐模根据递增的实时数据维护一个流行趋势动量表,然后结合两个模块的结果给出匿名推荐或者个性化推荐.实验证明,该方法简单、有效、可行,能较好的改善推荐系统性能.

基于云计算平台的图书馆混合推荐技术研究

研究基于云计算平台的图书馆混合推荐技术,向不同类型用户精准推荐图书。构建以并行计算框架为计算前提的图书馆混合推荐系统。采用Flume采集图书馆用户日志信息和图书馆图书数据,将采集到的数据信息传输到Kafka消息中间件后,向集群中传入集群订阅的数据信息,集群在用户粘稠度较低时采用聚类算法聚类图书馆数据信息,获取聚类中心,依照聚类中心用户读书偏好向目标用户推荐图书。在用户粘稠度较高时,采用基于协同过滤的混合推荐算法分析目标用户阅读偏好,计算目标用户偏好和用户群中用户偏好相似程度,将偏好相似程度作为权值,组合多个权值产生预测评分,通过预测评分推荐图书。经过实验分析发现,该方法推荐精准性最高为99.72%,推荐查准率高于95%,响应时间不超过0.2 s,说明该方法能高效快速地向目标用户推荐图书。

融合多元信任机制的协同过滤算法

针对协同过滤算法的数据稀疏性问题,融合信任网络,提出了一种融合多元信任机制的协同过滤算法。首先,依据社会学中信任的定义,结合推荐系统中可利用的数据信息,对影响信任的主要因素(基本信任度、可靠度、影响力与自我取向)进行合理的量化,构建多元信任模型;其次,利用信任的可传递性,提出间接信任度计算公式,对用户信任矩阵进行有效扩充;最后,以信任度取代协同过滤算法中的相似度产生目标用户最近邻,进行推荐。最终,以MAE值为评价标准,通过与其他相关推荐算法的对比实验,结果表明该算法能够有效避免数据稀疏带来的推荐效果不佳问题,推荐精度得到了明显提高。

基于Spark并行化改进混合地点推荐

推荐算法是数据挖掘中最重要的算法之一.地点推荐是推荐系统的重要研究内容.针对目前地点推荐面临的数据稀疏、冷启动、个性化程度低等问题,设计并实现了基于Spark并行化处理的改进混合地点推荐模型.该算法融合了基于内容的推荐和基于协同过滤的推荐,结合了用户当前的偏好和其他用户的意见.使用基于用户-地点属性偏好的矩阵填充方式,以此改善数据稀疏性问题;同时,对于海量数据,系统采用Spark分布式集群实现并行计算,缩短了模型训练时间.实验结果表明,与其他推荐算法相比,该算法能有效改善数据稀疏性、提升推荐效果.

天基数据混合推荐方法研究

数据推荐技术能够主动地满足用户对数据的需求,提高用户对数据的获取效率,该技术已经在电商系统中得到了广泛应用。然而,现有的数据推荐算法无法很好地适应天基数据的特点。新提出的天基数据混合推荐方法基于模式挖掘、兴趣关系图和相似度聚类技术实现,能够使推荐的天基数据在内容上主动匹配用户的潜在需求,从而提高用户使用天基数据的效率。

基于药物和疾病特征关联的药物重定位混合推荐算法

针对基于协同过滤的药物重定位算法进行了研究,考虑到数据稀疏性对协同过滤算法的巨大影响,提出一种基于药物和疾病特征关联的药物重定位混合推荐算法。该算法不仅使用了药物和疾病关系数据,还利用了药物结构、靶蛋白、副作用以及药物—疾病特征矩阵等信息计算药物之间的相似性,降低了数据稀疏性对推荐效果的影响,提高了推荐精度。经过对比实验发现,该算法具备较好的推荐效果,并能够发掘具有潜在联系的药物—疾病组合,进一步验证了该算法可以有效地应用于药物重定位。

基于稀疏数据预处理的协同过滤推荐算法

随着推荐系统规模的不断扩大,用户-项目评分矩阵呈现出极端稀疏性,导致基于传统相似性度量方法的协同过滤推荐系统推荐质量的下降。针对该问题,文中提出了一种基于项目特征属性的稀疏数据集预处理方法来提高算法的推荐质量。首先,通过引入项目的特征属性信息,根据项目间特征属性相似度,初步预测用户对未评分项目的评分,可以使得用户-项目评分矩阵完全饱和。接着再对稀疏数据集的未评分项目进行混合填充预处理,避免了传统均值填充法中的用户对项目的评分不可能完全相同的问题以及众数填充法中的"多众数"和"无众数"问题。实验结果表明,文中提出的方法更能有效地提高推荐系统的推荐质量和推荐覆盖率。

基于最小二乘法的混合推荐模型研究

针对单一推荐模型在电影推荐过程中无法同时利用推荐系统中的隐式信息和显式信息所导致的推荐不准确以及冷启动等问题,提出了一种基于最小二乘法的混合推荐模型。该模型首先通过基于内容的推荐算法和协同过滤推荐算法分别进行单一模型的推荐,然后对单一推荐模型所产生的推荐结果动态地调整权重进行数据拟合,再将所产生的拟合数据进行最小二乘运算,减小整体预测误差,从而得到最终的推荐结果。最后使用MovieLens 100k和MovieLens 1M这两种公开的电影数据集对该模型进行验证并与其他几种模型进行比较。实验结果表明,所提出的基于最小二乘法的混合推荐模型在精确率、召回率和F值等评价指标上都优于目前几种传统的推荐模型,所造成的预测误差相较于目前几种传统推荐模型也更小。

基于分布式符号数据的混合推荐算法研究

传统的基于点数据的混合推荐算法鉴于用户偏好信息难以统筹而不能够从用户的角度建立模型,推荐的质量与效率受到影响。为能够更加具体的表征用户模型,以分布式符号数据为基础,建立用户积极子模型和消极子模型,通过分布式符号数据的距离度量计算出用户间的积极相似度和消极相似度,最后采用协同过滤算法为目标项目进行评分预测。将这种全新的混合推荐算法与传统推荐算法进行对比实验,结果表明,在一定的实验条件下,基于分布式符号数据的混合推荐算法优于传统的推荐算法。

时空轨迹和复合收益的动态上车点推荐

随着互联网技术的快速发展,网约车已成为出行的重要方式。通过智能手段为用户推荐上车点不仅可有效实现分流缓解道路拥堵,也可减少乘客与司机的沟通成本,提升司机的服务效率并降低乘客的等待时间,从而提高司乘双方的出行体验感。但现存推荐方法所依据的指标较为单一,未在乘客便利性与司机收益之间取得较好平衡,且无法保证所推荐上车点的安全性与可达性。通过对时空轨迹大数据的归纳与分析,提取保证可达性的潜在上车点,避免依据单一指标推荐上车点所导致的偏袒性问题,综合考虑乘客步行收益、司机驾驶收益、上车点路况指标、周边安全性等关键因素,建立上车点的复合收益评价,构建上车点的动态推荐模型。以约束控制同时段同上车点的推荐量,有效解决由于单上车点订单堆积而造成的非必要等待和资源浪费,在一定程度上缓解交通压力。基于真实网约车数据的实验表明,该模型和推荐方法可实现上车点的有效动态分配,较单一指标上车点推荐方法有较好的综合收益与时间优势。从司机与乘客双方角度出发,在降低行程总时间的基础上,提升全局司机接驾效率并降低乘客等待时间,且推荐结果的综合评价值优于现存推荐方法。

面向用户及评分信息的混合数据聚类推荐算法

由于大数据的数据量大和数据价值密度低的特性,用于解决信息过载的协同过滤推荐算法存在数据稀疏性问题,进而引发推荐效果不佳的结果,基于该问题提出了一种面向用户及评分信息的混合数据聚类推荐算法HDCRA(hybrid data clustering recommendation algorithm).针对既有评分数据和属性数据的用户混合数据,对用户进行相似度的计算并对用户进行聚类,使得在各个聚类簇中用户在各个维度上都比较相似,最后在聚类簇中为目标用户找到邻居,并对目标用户进行协同过滤推荐.实验结果证明,该算法有效缓解了数据稀疏的问题,而且在推荐质量的提高上有一定效果.

基于多源数据聚类与奇异值分解的混合推荐算法

针对传统单一推荐算法难以兼顾用户冷启动、数据高维稀疏、算法准确性与可扩展性等方面的问题,提出一种基于多源数据聚类和奇异值分解的混合推荐算法。该算法首先利用TF-IDF公式对用户—项目评分矩阵和项目特征矩阵进行处理,生成用户—项目偏好矩阵;然后结合用户特征矩阵、评分矩阵作为算法输入,利用改进K-means聚类算法划分用户类簇;接着采用融合时间衰减函数的BiasSVD算法对每个用户类簇对应的评分矩阵进行分解降维,并利用随机梯度下降法重新预测评分填充评分矩阵;最后从高到低对用户的预测评分向量进行排序,产生推荐列表。在MovieLens数据集上的实验结果证明,该算法的精确率和召回率相较于传统基于SVD的协同过滤推荐算法分别提升5.4%和6.8%,表现出更好的准确性和推荐性能,改善了用户冷启动问题。所提方法对目前混合推荐算法具有一定的参考与借鉴价值。

基于混合推荐技术的新闻推荐系统

本文旨在通过建立一个以新闻网站为载体的新闻推荐系统,实现对推荐技术的创新与实践。该推荐系统将注重各类流行推荐技术的混合与复用,并以此应用于各类新型环境中。本项目通过参考多种主流推荐模式,利用对应规则将其有机结合,兼顾了模型的准确度、运行效率和可维护性。通过后端的相关设计,使得用户或物品较为复杂的多维参数降维成一维,这使得推荐算法的健壮性得到进一步提高。

MFWT:一种推荐学术论文的混合模型

为了改善概率矩阵分解模型进行学术论文推荐时存在的数据稀疏性和冷启动问题,提出了一种混合推荐模型——主题矩阵分解模型.通过提出的作者-会议-时间-主题模型和传统的潜在狄利克雷分布主题模型分别构建用户和论文的主题特征,并通过这2类特征分别增强概率矩阵分解模型的用户潜在因子特征向量和项目潜在因子特征向量.实验结果表明,该模型较好地解决了概率矩阵分解模型的数据稀疏性问题和冷启动问题,有效提升了学术论文的推荐效果.

基于模态符号数据分析的混合推荐算法

传统混合推荐算法基于点数据来描述用户模型,存在信息丢失、难以统筹考虑用户所有偏好信息等问题,严重影响了推荐系统的质量和效率。针对该问题,以符号数据为基础,建立了基于模态符号数据分析的混合推荐算法。用模态符号数据对用户建模,引入模态符号数据的距离度量计算用户兴趣模型间的相似性,同时整合用户人口统计信息的相似性,形成用户的综合相似性,最终完成推荐。实验结果表明论文方法在应对数据稀疏性及新用户问题时,具有更高的推荐精度。

基于混合推荐的学术资源推荐系统的服务模式与数据挖掘

图书馆学术资源推荐系统是一种为了解决信息过载、提高搜索效率而提出的基于信息过滤机制的知识服务系统。系统的改进,可以从用户Web日志、搜索习惯、浏览行为、图书馆学术关联数据等多角度进行数据挖掘和数据分析,以构建读者信息需求库及关联数据仓库,采用基于内容过滤推荐和规则过滤推荐相结合的混和推荐技术来实现推荐系统,以提高资源推荐的精度和覆盖率。

可扩展的融合多源异构数据的推荐模型

社交关系在生活中扮演着重要角色,用户通常会受到其好友偏好的影响,更容易选择好友购买过的物品.为了解决推荐系统冷启动问题,对融合社交关系的推荐系统进行了研究,提出了贝叶斯个性化排序评论评分社交模型和可扩展的贝叶斯个性化排序评论评分社交模型,将评分、评论、社交关系等多源异构数据从数据源层面进行了融合,通过用户好友信任度模型将社交关系引入到推荐系统中,用基于段向量的分布式词袋模型处理评论,用全连接神经网络处理评分,用改进的贝叶斯个性化排序模型对排序结果进行优化.实验在Yelp公开数据集上进行了实验,实验结果表明,所提出的2种模型的推荐准确度均优于其他推荐模型.