A New Time-Aware Collaborative Filtering Intelligent Recommendation System

Aiming at the problem that the traditional collaborative filtering recommendation algorithm does not fully consider the influence of correlation between projects on recommendation accuracy,this paper introduces project attribute fuzzy matrix,measures the project relevance through fuzzy clustering method,and classifies all project attributes.Then,the weight of the project relevance is introduced in the user similarity calculation,so that the nearest neighbor search is more accurate.In the prediction scoring section,considering the change of user interest with time,it is proposed to use the time weighting function to improve the influence of the time effect of the evaluation,so that the newer evaluation information in the system has a relatively large weight.The experimental results show that the improved algorithm improves the recommendation accuracy and improves the recommendation quality.

基于协同过滤和室内三维定位的智慧校园精细化学生动态信息推荐研究

智慧校园作为一种全新的教育环境,由于其内部资源数量庞大,易出现信息过载的问题.当前的无差别信息推荐技术容易忽视学生的个体差异,难以满足不同年级和专业在校学生的具体需求.为了解决此类问题,研究首先利用基于改进K-means聚类算法的室内三维定位算法对学生位置进行定位,然后通过基于权重矩阵的协同过滤算法对在校学生需求进行精细化与动态化的信息推荐.结果表明,室内三维定位算法的定位准确率与误差分别为91.13%、0.930 1 m,明显优于改进前的室内三维定位算法.且当相关相似性与Tanimoto系数的调节参数β取值为0.4时,基于权重矩阵的协同过滤算法的MAE值普遍低于0.51.研究提出的室内三维定位算法与协同过滤算法性能优越,在智慧校园背景下,对于不同学生的需求能够做出适当推荐.

基于协同过滤的大学生就业推荐算法研究

面对当前严峻的就业形势,提出一种基于加权余弦相似度和ALS模型的招聘推荐算法,采用APH层次分析法评估用户画像与招聘信息之间的权重关系,利用加权的余弦相似度算法对其进行评分,运用Spark ML的ALS算法对相似度矩阵进行训练,建立用户-招聘信息的推荐模型。经过实验验证,提出的招聘推荐模型在招聘信息匹配及推荐准确性方面表现出较好的效果,这一研究成果可为解决大学生就业难题提供新方法和新方向。

基于加权朴素贝叶斯的护理教学系统设计

为提高护理教学个性化教学效果与学习管理质量,该研究采用加权朴素贝叶斯算法作为核心技术手段。设计基于加权朴素贝叶斯的护理教学系统,系统设计包括算法优化、系统架构构建、软件功能模块开发及用户界面和交互设计。在加权机制设计中本研究细致地探讨了权重分配方法,以期在处理学习内容推荐与学习管理时,能更准确地反映学生学习需求与偏好。结果表明,通过加权朴素贝叶斯算法优化护理教学系统能显著提升内容推荐准确性与学习管理有效性,可为护理教育领域提供了一种新智能化教学解决方案。

个性化商品推荐系统的混合推荐算法研究

推荐算法是推荐系统的核心内容,推荐算法的评价标准包含预分类准确性和测准确性。传统的推荐算法有两个明显缺陷,使用词频作为搜索文本的特征向量与无法克服高频词汇干扰。通过TF/IDF特征词加权改进算法提升分类准确性。提出混合模型LDTF,从信息增益的角度计算每个词性对词义的贡献增益,来判断一个特定词在此词性下能够代表的词义权重,用动态的计算不同词性的词性比,解决传统TF/IDF算法在文本识别的缺陷,使用CW-TF/IDF优化算法提升特征词的分类效果综合提升推荐准确度。为了解决内容推荐稀疏矩阵问题引入WSBCF协作推荐算法,提升推荐系统的用户体验,实验结果表明能在不同评分矩阵稀疏度下,统计能显著且明显提高。

基于事件本体的商品个性化推荐算法仿真

针对当前电商网络商品推荐准确率低的问题,研究了基于事件本体的商品个性化推荐算法,以期提升商品推荐排名以及推荐丰富度。首先分析事件本体中上层的事件类关系结构和下层的事件推理与通用分类结构,并构建事件本体商品标签模型,规范化处理并分类商品标签。然后构建用户偏好模型,计算用户使用标签的频率权重衡量用户偏好,通过计算用户偏好与事件本体商品标签之间的关联程度分类用户与商品标签。将计算得到相似度较高的商品标签标注的商品,经协同过滤推荐算法推荐给用户。经验证可知,上述算法的推荐准确性随着TOP推荐的数量增加而增大,且所推荐的商品排序都最靠前,推荐商品内容最丰富,可以满足用户个性化多元需求。

结合社交影响和长短期偏好的个性化推荐算法

针对基于会话的推荐算法只捕获用户的短期动态兴趣,忽略长期兴趣和社交好友对用户行为的影响,提出结合社交影响和长短期偏好的推荐算法.设计新颖的异构关系图来组织用户的社交关系和历史会话,提出基于注意力机制的异构图神经网络对图进行学习,得到融合用户社交影响的长期偏好.针对社交影响力不一致容易引入噪声的问题,提出加权剪枝策略,减少了噪声干扰且丰富了图结构信息.利用无损的会话建模方法捕获用户的短期偏好,将短期偏好与长期偏好进行自适应融合,得到反映用户全局偏好的特征表示.Gowalla和Delicious数据集上的实验结果表明,所提方法的各项指标相比现有先进方法均有显著提升,证明了所提算法的有效性.

基于动态时间权重的混合协同过滤推荐算法

为了解决传统协同过滤算法(CF)的热门项目无法突显个性化和用户可靠度以及时间相关性低的问题,提出一种基于动态时间权重的混合协同过滤算法(HCFADT)。首先,针对用户和项目,分别计算观测时间内目标用户的评论量和用户评论数,在基于项目和用户算法中引入动态时间权重。然后,将两个算法相结合,通过调节因子调整两个算法的依赖程度。实验结果表明,混合算法相较于传统协同过滤算法和基于动态时间权重的算法波动较小,平均推荐预测的偏差分别降低了3%、2%。

推荐算法的船舶电子海图数据相似性检索方法

以提升船舶导航路线制定质量为目的,提出推荐算法的船舶电子海图数据相似性检索方法,提高电子海图数据相似性检索质量。通过加权核范数算法填充船舶电子海图数据稀疏评分矩阵,通过协同过滤推荐算法计算检索目标与电子海图数据间的评分相似性以及类别相似性;根据评分相似性与类别相似性,得到基于评分相似性与类别相似性的电子海图数据推荐预测评分,以动态加权方式得到电子海图数据相似性检索结果。实验证明:该方法可有效完成船舶电子海图数据相似性检索;不同电子海图数据评分矩阵稀疏度时,该方法电子海图数据相似性检索的归一化折损累积增益均较高,即检索精度较高。

基于评分矩阵预填充的协同过滤算法

随着用户和项目数量的增长,用户-项目评分矩阵变得极其稀疏,导致基于相似度计算的推荐算法精度降低。为此,提出一种基于加权Jaccard系数的综合项目相似度度量方法,使用项目综合相似度对评分矩阵进行预填充。实验结果表明,在用户-项目评分矩阵极其稀疏的情况下,该算法能产生比传统算法更精确的推荐结果。

融合影响因子的加权协同过滤算法

现有的协同过滤算法在计算用户间或项目间相似度时,由于数据集稀疏导致相似度差值过小,难以找出真正的相似用户与相似项目。为此,提出一种融合影响因子的加权协同过滤算法。利用基于用户间与项目间共同评分用户个数的影响因子,修正用户及项目相似度,并分别定义基于项目与用户的预测评分计算算法,将项目间与用户间的共同评分项作为加权系数,得出最终的预测评分算法,根据最终预测评分,采用TopN算法进行推荐。在真实数据集上的实验结果表明,该算法在不同邻居数上的平均绝对误差小于0.78,明显提高了推荐质量。

基于加权关联规则挖掘的相关文献推荐

研究利用数据挖掘中的关联规则挖掘分析及论文数据库,进行相关文献推荐,提出适用于进行相关文献推荐的改进的混合加权关联规则挖掘算法,并通过用户行为分析确定相关文献集和垂直权重,采用Google搜索引擎的PageRank算法确定水平权重,获得一些有意义的分析结果。

基于用户群组行为分析的视频推荐方法研究

该文采用权重增量及相似聚集的用户行为分析算法,为用户推荐个性化视频提供了一个有效的解决方案。方法包含3个主要部分,首先利用RFM(Recentness,Frequency,Monetary amount)模型分析用户的行为,将相同行为的用户归为一组;然后结合用户的最近习惯,使用基于权重增量的Apriori算法挖掘用户之间的关联规则,并用向量空间模型进行相似度计算从而实现用户相似聚集;最后进行协同过滤式推荐,完成整体个性化视频推荐过程。该方法的特点是行为数据自动收集获取,避免了直接对视频大数据的处理;另外,视频推荐随着用户行为的改变而动态变化,更加符合实际情况。实验结果表明,该方法有效并且稳定,相比于单一推荐方法,在准确率、召回率等综合指标上均有明显提升。

社交网络数据个性化推荐的可视化方法

针对大规模社交网络应用中检索结果过于庞大复杂的问题,将个性化推荐与可视化相结合,用于在大量数据中找到用户感兴趣的信息。在开拓网络缩放算法的基础上,提出关键信息显示算法,能够区别显示社交网络关系图中用户相对重要的信息和次要信息,增强关联度较高数据的显示效果。将带权值的力导向布局算法应用于用户关系聚类中,通过在二维显示空间中合理安排节点布局,达到减少用户认知负担和个性化推荐的目的。设计并实现个性化推荐的可视化工具HRVis,在Movielens数据集上进行测试,结果表明,HRVis能够强调显示具有良好社会关系的重要用户以及与用户相似的关联用户,获得较好的可视推荐效果。

考虑物品相似权重的用户相似度计算方法

传统的用户相似度计算方法中每个项目的权重是相同的,然而分析传统推荐算法和现实情形,用户间共同高评分项目的权重应该高于用户间共同低评分项目的权重,并且传统用户相似度计算方法没有考虑项目间的类群关系。针对上述问题,提出了一种给项目加权的方法,从而得到考虑项目相似权重的用户相似度计算方法。通过在Movie Lens数据集上进行实验,与基于传统用户相似度计算方法的协同过滤算法比较,实验结果表明,考虑了项目相似度权重的协同过滤算法能显著提高评分预测的准确性和推荐系统的质量。

基于聚类系数的推荐算法

针对于标准二分图网络推荐算法(NBI)的物质扩散机制过于简单的问题,提出了基于聚类系数的改进NBI算法(简称NBICC)。推荐系统可以被抽象为一个有向加权二分图网络,在物质扩散的过程中,考虑到聚类系数因素的影响,重新定义了商品之间的相似度的计算公式,进而获得了更加精确的推荐结果。Ranking score、precison、recall评价指标被应用在提出的新算法中,实验结果表明,在这三样重要指标上,NBICC算法都强于标准NBI算法。

融合MHS与AIM-RT的谱聚类优化推荐算法

传统协同过滤推荐算法存在时序性过低以及用户过多时数据稀疏相似用户计算复杂度高等问题。为此,提出融合最小哈希签名(MHS)与时序模型预测(AIM-RT)的谱聚类优化推荐算法。首先使用MHS与Levenshtein距离测度对用户—项目评分矩阵提取相似用户;然后利用时序模型进行权重拟合的AIM-RT预测算法预测评分补全相似用户稀疏矩阵;最后结合谱聚类进行相似用户优化,找到最优相似用户集合完成最终推荐。通过实验分析验证表明,所提推荐算法能够在计算复杂度、评分预测精度、数据缺失填补等方面提高整体推荐性能。

加权关联规则研究及其在个性化推荐系统中的应用

传统的关联规则挖掘没有考虑各项目的重要程度,因此实际过程中缺乏一定的针对性.在New-Apriori算法的加权支持度基础上结合Fp-growth算法思想,提出了基于Fp-树的加权关联规则算法,并给出了关联规则的个性化推荐的一般过程.利用Web日志文件采用网页被用户选择的频率作为权重值,实现了个性化推荐系统的算法.实验结果表明该算法具有较高的准确性和效率.

基于用户偏好度的双极协同过滤推荐算法

为了解决目前推荐方法中用户相似度计算不准确、推荐准确率较低的问题,建立一种基于用户偏好度的双极协同过滤推荐算法。计算用户间共同项目数量,当共同项目数量小于设定阈值时,选择用户、项目、项目属性特征构建用户对项目、属性的双极特征向量,表示用户的喜欢程度和讨厌程度。通过对双极特征向量进行加权计算,得到用户间相似度。在标准的MovieLens数据集上验证该算法。实验结果表明,该文算法的平均绝对误差(MAE)和均方根误差(RMSE)较其他算法降低了约9%,平均分值排名(R)降低了约10%。

新的基于多目标优化的推荐算法

针对目前推荐系统效率问题,采用线上、线下分离策略,构建一种新的推荐系统框架。针对推荐系统多目标性和目前众多推荐算法适应性局限等特性,采用混合策略,提出一种新的多目标推荐算法。首先,对多个推荐算法进行加权混合;然后,构建以权重序列为自变量,推荐评价指标F调和率、多样性和新颖度为目标函数的多目标优化模型;其次,采用SPEA2多目标优化算法进行优化求解;最后,基于用户的购物偏好和Pareto解集向用户有针对性地进行购物推荐。实验结果表明:新的推荐算法较子推荐算法在F调和率上持平,在多样性上提高了1%,在新颖度上提高了11.5%;多目标的各个Pareto解在解空间中分布形成了密集邻近的点曲线。该推荐算法能够满足不同购物偏好用户的推荐要求。