基于信任和项目偏好的协调过滤算法研究——兼论智能投顾的发展现状及监管建议

随着人工智能技术的发展,其开始进入金融领域,并与之融合产生新型的线上财富管理形式,即智能投顾。智能投顾以智能化算法为基础,分析投资者的风险偏好、风险承受能力等,给予相应的投资建议,同时,以市场后续变化为依据,不断地修正投资组合,使投资者的投资收益率逐渐提高。对于我国来说,智能投顾尚属于新生事物,其发展现状并不乐观,还需要加强监管。因此,文章在介绍智能投顾发展现状的基础上,基于信任和项目偏好的协调过滤算法,提出保证其可持续发展的监管建议。

基于深度神经网络的协同过滤推荐系统体系结构研究

本文提出了一种具有可扩展性的基于原始分类的协同过滤推荐系统体系结构。该系统采用的协作过滤方法可以适用于大多数现有的推荐系统,因为其只需要在评级数据集上进行训练。这种数据缩减提供了一个新的抽象级别,并使得设计基于分类的体系结构成为可能。除了体系结构本身,本文还提出了一种新的预测方法,该方法无需进行大量的预测,就可以获取到推荐结果。相反,本方法在每次预测时,通过前向神经网络一次性获取一组概率,并输出在其分类输出层中。本文提出的神经网络协同过滤推荐系统结构通过数据集进行了测试,实验结果显示该架构对获得准确的精确度和召回值有良好期望。

融合用户属性的协同过滤推荐算法在政府采购中的应用

在政府采购领域,由于数据不包含采购单位对采购商品的评分,而且目前无法获取用户的行为数据,故在实施推荐时,传统的用户相似度计算方法存在不足。针对该问题,在Jaccard系数计算方法的基础上,考虑采购单位固有的属性信息,对传统的用户相似度计算方法进行了改进,并提出了一种融合用户自身属性的基于用户的协同过滤算法。实验结果表明:本算法在一定程度上提高了系统的推荐质量。

基于用户协同过滤的电子商务推荐算法

近年来,电子商务迅猛发展。电子商务的用户越来越多,销售的商品也越来越多,信息过载的现象越来越严峻,导致用户在大量的商品信息空间中无法快速便捷地找到自己真正需要的商品。电子商务网站的个性化推荐,考虑的重点是怎样对商品信息进行有效的组织利用,怎样收集了解顾客的兴趣爱好,方便向用户提供个性化推荐。

基于正负反馈的SVM协同过滤Top-N推荐算法

经典的Top-N推荐算法利用用户正反馈信息对全部项目进行排序,然后选择前N个项目推荐给用户.针对经典推荐算法未充分利用用户负反馈信息的问题,提出基于正负反馈的SVM协同过滤(SVM Collaborative Filtering based on Positive and Negative Feedback,PNF-SVMCF)Top-N推荐算法,充分利用用户负反馈信息过滤测试集中用户可能不喜欢的项目,只对测试集中剩余的项目进行Top-N排序.PNF-SVMCF算法过滤用户可能不喜欢的项目,这样可以缩减需要排序的项目规模,提升推荐效率;同时去除这些项目对排序的干扰,提高推荐精度.在MovieLens数据集上的实验结果表明,该方法具有良好的推荐速度和精度,特别是在较少的推荐项目情况下,能够表现出更好的推荐精度.

融合相似用户、物品的矩阵分解推荐算法研究

推荐系统中传统的协同过滤算法和基于矩阵分解的推荐算法都单独地进行相关推荐,但两种方法独立运行,都存在一定的不足,导致推荐质量不佳。为了进一步提升推荐算法性能来提高推荐准确度,文章提出一种融合相似用户、物品的矩阵分解推荐算法,在矩阵分解模型的基础上,结合协同过滤思想来挖掘目标用户的个性化候选物品推荐。文章采用MoviesLens数据集进行模型训练并评估其性能,与原有的方法相比,推荐准确度获得了进一步提升。

Internet网上个性化信息服务研究

从个性化信息服务的概念入手 ,研究了 Internet网上个性化信息服务的四种机制 :界面定制法、点击流分析法、协调过滤法和 Cookies。分析了网上个性化信息服务成功案例。最后 。

个性化推荐在高职学校选修课中的应用研究

根据高职学校目前选修课的现状,在学生进行选修课选择时,提出一种基于数据挖掘的个性化推荐算法模型,能够结合学生的学习兴趣、专业发展等因素,让学生能够真正选择适合自己的选修课程,既体现学生在学习过程中的主题地位,又能提高学生综合素质的培养目标。

用户聚类的电子商务推荐系统研究

随着电子商务规模越来越大,协同过滤推荐算法的可扩展性差的问题也越来越受到人们的重视,提出了一种基于用户项目类偏好值矩阵聚类的合作推荐方法,解决了"冷开始"问题,并且由于只在目标用户所属类别中搜索其最近邻居,减少了搜索空间,有效地提高了推荐系统的实时响应速度.

基于蝙蝠优化偏好矩阵的序列化数据推荐算法研究

为了提高信息网络中各类用户与项目信息增长给推荐系统带来的负载,从类型偏好角度出发,设计了一种根据用户偏好的蝙蝠优化聚类处理的协同过滤推荐(CFR)算法。在设计蝙蝠优化协同过滤推荐算法(B-CFR)时,融入用户偏好优化聚类方法。以B-CFR算法为基础,根据项目类型建立细粒度偏好模型,利用蝙蝠优化算法达到改进聚类的效果。对该算法进行了测试研究。研究结果表明:设计的算法将聚类数设置在10和近邻数取值为40时是最优的。当权重系数处于[0.1,0.5]区间内时,通过B-CFR算法预测评级,能够满足用户真实评级状态评价,显著改善推荐效果。相对于传统CFR算法,所设计的B-CFR算法可以优化评分预测准确性,并有效缩小最近邻居搜索范围、增强系统实时性,使系统获得更强的扩展能力。该研究对保证推荐系统的运行效率具有一定的指导意义。