基于用户协同过滤的购电推荐算法

售电市场放开后,电力大用户面临如何从众多发电商中找到合适交易对象的难题,而电网公司作为服务型企业也有为购电用户提供推荐服务的良好意愿。针对这一新需求,提出了基于用户协同过滤的购电推荐算法。在无法获得反映用户购电行为偏好的显性历史数据的前提下,建立了用户行为的隐性反馈数据集;在分析了多种相似度计算方法的应用效果后,为消除数据集中各属性元素数值差异较大造成的相似度计算不合理性,提出了以马氏距离为核心度量以形成相似用户集的方法;进一步定义了表征用户对电厂购电偏好的购电量占比,以此作为进行购电交易对象推荐的排序依据。采用山东省电力市场交易数据进行了算例仿真,结果验证了算法的可行性。

基于用户的协同过滤算法的推荐效率和个性化改进

针对传统的基于用户的协同过滤算法存在的推荐效率、精度和个性化低的问题,提出一种改进方法.该方法在计算用户评分矩阵时,考虑到用户评分矩阵稀疏性,建立项目-用户的倒查表,只计算有相同评分项的用户之间的相似度,避免了传统方法中对所有用户计算两两用户相似度的庞大工作量.该方法在计算用户相似度时,考虑到项目的热门程度不同,"惩罚"了用户共同兴趣列表中的热门项目,避免了传统方法中赋予所有项目相同权值对推荐结果个性化的负面影响.本文在详细分析了改进的用户协同过滤算法的原理和优点,给出了其推荐步骤流程图.在Movielens100K和HetRec2011-movielens-2k公开数据集上,十折交叉验证的结果表明,改进后的算法节约了运行时间,提高了推荐算法的效率和个性化.

基于用户的协同过滤(UserCF)新闻推荐算法研究

新闻更新快、易受流行和热门item的影响,用户兴趣也在不断的变化,因此就新闻推荐来说更应该关注其推荐的时效性.目前存在的用户相似度计算公式没有考虑时间因素,文中改进了原有用户相似度计算方法,增加了时间衰减因子,共同喜欢新闻i的用户u和v,产生行为的时间越远,这两个用户在新闻i上的相似度就会越小.文中提出的算法应用于http://www. show-ease. com网站的新闻推荐.通过收集7月4日到7月21日对推荐新闻的点击量和未推荐新闻的点击量,得出推荐新闻的点击量比未推荐新闻的点击量提高了31%到52%.文中提出的用户相似度计算方法在实践中取得了较好的效果.

改进用户相似度的协同过滤算法应用研究

在基于用户的协同过滤推荐算法中,当用户-评分矩阵相对稀疏时,用户共同评分项目个数较少,皮尔逊相似度算法很难精确的计算用户之间的相似度,同时皮尔逊相似度算法对所有的商品赋予相同的相似度权重,没有考虑热门商品对相似度的影响。针对以上不足,文中在皮尔逊相似度算法的基础上,提出了一种改进的皮尔逊相似度公式,计算过程中考虑用户共同评价商品个数以及商品的热门程度这两个相似度影响因素,使得计算用户间相似度更加精确,从而获得更好的推荐效果。实验结果表明,文中改进的皮尔逊相似度算法能够在相似用户数较少时更加准确地计算用户之间的相似度,降低了平均绝对误差(Mean Absolute Error,MAE)。

基于用户的协同过滤算法的改进研究

本文针对传统的基于用户协同过滤算法的稀疏性大,推荐效率,精度低等问题,提出了一种改进的算法。在计算"用户-评分"矩阵时,通过建立"项目-用户"倒查表,忽略无相同评分项的用户间相似性的计算,降低了用户评分矩阵的稀疏性,以及传统方法中对所有用户两两计算相似度的工作量。在计算用户相似度时,考虑到项目热门程度对推荐结果的影响,通过"惩罚"用户共同兴趣列表中的热门项目,避免了传统算法中由于赋予所有项目相同权重给个性化推荐结果带来的负面影响。最后,通过和数据集检验该算法,并且用十折交叉方法验证结果。结果表明,改进后的算法节约了运行时间,提高了推荐算法的效率和个性化。

协同过滤推荐算法在大数据旅游推荐系统中的应用

文章通过爬虫技术从旅行网站爬取了景点数据,并对这些数据进行了清洗和处理。接着,在公开数据集上对两种协同过滤算法——UserCF(基于用户的协同过滤)和ItemCF(基于项目的协同过滤)进行了测试。实验结果表明,UserCF能够更准确地预测用户喜欢的物品,并且能够更全面地推荐物品,获得了更高的准确率和召回率,但覆盖率略低。而ItemCF能够覆盖更多的物品,从而为用户提供更多的选择。

一种基于自适应近邻选择的协同过滤推荐算法

评分数据稀疏性问题和新用户冷开始问题对推荐系统性能造成很大的影响,为了提高推荐精度本文提出了一种基于自适应组合协同过滤推荐方法ANCF。该算法首先通过推荐系统收集到的用户特征数据和项目特征数据来改善原始相似度计算,然后再组合用户邻居集和项目邻居集来为用户未评分的项目进行预测评分。通过自适应协调因子协调处理两方面的影响。通过实验表明,该算法可以充分挖掘用户群邻居和项目群邻居对推荐结果的预测作用,提高推荐系统的预测精度。

一种改进的协同过滤推荐算法

针对User-based协同过滤推荐和Item-based协同过滤推荐算法的不足,提出了一种改进的推荐算法。该算法融合User-based协同过滤推荐和Item-based协同过滤推荐算法思想,通过形成项目相似集来填充用户评分矩阵,并利用高评分阈值来计算用户相似性,有效改善了传统协同过滤推荐算法的数据稀疏性和实时性。实验结果表明,该算法可以显著提高推荐系统的推荐质量。

面向个性化网站的增量协同过滤推荐方法

为了解决个性化网站中很少考虑用户检索意图,检索效果较差的问题,提出了一种有效的增量协同过滤推荐方法。该增量协同过滤推荐模型改进了最流行的推荐算法之一的协同过滤算法,并应用到个性化网站中。通过分析Web日志提取用户的浏览行为,将其归一化为用户对项目的评分值,并利用改进的相似度计算方法得到用户之间的相似度值,从中选择能够表现用户偏好的最近邻集合进行评分预测后对结果排序,将排序后的结果作为推荐列表返回给用户。最后设计增量更新算法实时有效地更新用户的历史偏好数据。实验表明,增量协同过滤推荐模型适用于个性化网站,利用该方法可以使推荐结果更加符合用户意图。

面向电商的基于协同过滤的个性化推荐

以阿里为代表的巨头电商平台创造了一个又一个"双十一"促销奇迹,这得益于个性化推荐系统,协同过滤是其中应用广泛、效果较准确的一种技术,也是目前主流的推荐算法。本文采用基于用户协同过滤的个性化推荐技术对2014年"天池"大数据平台提供的四个月内884个真实用户对9531个商品的真实点击浏览、加入购物车、收藏和购买等四种行为的访问记录进行分析,以便对用户进行商品推荐。为真实反映用户对物品的偏好程度,对点击浏览、收藏、加入购物车和购买分别设置了权重0.0385、0.2375、0.3072和1,并采用皮尔森系数法计算用户之间的相似度,推荐结果与人们的经验是一致的。

基于协同过滤算法的音乐推荐系统的研究与实现

随着网络和数字媒体的发展,在线音乐平台的资源日渐丰富.如何让用户在广博的音乐世界里快速找到自己喜欢的音乐成为困难.针对这种现象,音乐推荐系统应运而生.本文对目前使用最广泛的推荐算法——协同过滤推荐算法展开研究,并实现该算法的两种模型,即基于用户的协同过滤和基于物品的协同过滤对用户提供音乐推荐服务,让用户方便、快速的找到自己感兴趣的音乐.

基于协同过滤的电子商务推荐研究

本文针对基于协同过滤的电子商务推荐做出一定研究。通过对电子商务个性化推荐模型的设计,在K-Means聚类算法的基础上针对基于用户的协同过滤算法、基于聚类优化后的协同过滤推荐算法以及基于内容的协同过滤推荐算法做出一定的研究,最后通过实验验证得出最适合个性化推荐的一种推荐算法。

基于室内定位技术的图书馆推荐算法

为解决图书馆推荐系统存在的数据稀疏性问题,帮助读者选择感兴趣的图书,提出基于室内定位的图书馆推荐算法.该算法使用室内定位技术,以书架为定位单元,根据读者在图书馆的活动轨迹,获得读者兴趣偏好,将偏好信息引入基于用户的协同过滤算法,发现兴趣相似读者,进行推荐.实验结果表明,此算法能有效解决图书馆推荐系统中数据稀疏性问题,为读者提供位置相关的个性化图书推荐.

图书借阅推荐系统算法的python实现

本文对协同过滤算法中最常用的基于用户的协同过滤算法和基于物品的协同过滤算法进行了描述,然后针对图书借阅推荐系统实例进行了算法的pyhton实现代码,并对这两种算法进行了评价,对于实际工作者具有较好的参考价值。

民用建筑“四节一环保”数据的清洗与修复方法研究

针对民用建筑“四节一环保”原始数据中存在的数据质量问题,使用多种方法实现数据清洗与数据修复。数据清洗方面,重点关注单栋建筑能耗数据中存在的相似重复记录及异常记录。其中,识别异常记录采用3σ准则、DBSCAN聚类算法及箱线图内限3种方法。数据修复方面,重点关注缺失值的填补及基于模型的数据修正。其中,缺失值的填充使用简单填充、线性回归模型和基于用户的协同过滤推荐算法,并以平均绝对误差为评估指标进行对比。基于多元线性回归、主成分回归、偏最小二乘回归、岭回归及Lasso回归5种模型,拟合建筑运行能耗与各解释变量间的关系,对上海市建筑运行能耗相关数据进行数据修复。结果显示,单栋建筑能耗数据适合采用箱线图内限来识别异常记录,并使用中位数填补缺失数据;上海市建筑运行能耗相关数据中,岭回归模型的拟合情况最好。

个性化学习资源推荐算法研究

互联网技术的飞速发展使得越来越多的学习者采取在线学习的方式获取知识,但是海量的网络信息让学习者很难及时有效地找到满足自己需求的学习资源,因此,个性化学习资源推荐技术日益成为教育技术领域的研究热点。文章针对教育技术领域常用的个性化学习资源推荐技术及算法做了综述,主要介绍了基于内容的推荐算法,基于协同过滤的推荐算法以及混合推荐算法,并对这些算法的优缺点进行了对比总结,最后分析了现有个性化学习资源推荐技术中可能存在的不足,以期为个性化学习推荐方面的研究提供参考。

基于web的旅游推荐系统

随着技术的不断发展,开发的旅游网站层出不穷,但游客的需求也会逐渐增多,除了希望通过旅游门户网站查找喜爱的景点信息,查看出行路线等,还希望系统能够根据用户历史行程为用户推荐可能喜欢的景区。为了提高系统个性化推荐的效率,本系统采用基于用户的协同过滤算法和景点推荐相结合的方法。本系统后端开发采用Spring、Spring MVC、My Batis(SSM)等技术,前端页面设计运用JSP、Java Script、j Query插件等技术。完成了控制器类、数据库执行类、实体类等设计,实现了攻略推荐、用户评论、个人中心等游客使用权限功能,以及管理账号、添加新闻、添加景点等管理员使用权限功能。在系统中建立了用户和管理员角色功能模块,运用协同过滤算法高效便捷推荐景点,从而更好地满足用户个性化的需求。

社交电视推荐系统的建立及展望

随着移动互联网的高速发展,传统电视媒体的优势正被逐渐侵蚀。收视率下降、广告收入下滑、受众老化等各类因素都在倒闭传统电视媒体的改革。为了减少与新媒体的隔阂,重塑媒体霸主地位,央视及各省级卫视纷纷推出电视终端应用。社交电视,作为兼具"看+聊+玩"功能的C端产品,受到业界的广泛关注,但互动社交这个核心模块未能被真正激活是一大缺憾。该文以社交电视互动社交模块这个市场缺口为中心,通过研究用户社会属性、兴趣偏好及行为轨迹,运用基于用户的协同过滤算法进行建模,最终建立一个能被有效运用的具有"节目内容+社交圈子+互动活动"功能的推荐系统,这也正是该文的最大创新点。

基于智能推荐的研究生选课系统研究

本文针对研究生选课过程中存在的问题,设计了基于智能推荐的研究生选课推荐系统。系统主要包括"先验"课程推荐、"后验"课程推荐和"智能"课程推荐。引入协同过滤推荐算法,系统可实现"智能"、个性化课程推荐。以机械工程专业的研究生选课为例,结合实例对比分析了基于项目和基于用户的协同过滤推荐算法的实现原理及其在研究生选课系统中算法的适用性。分析结果表明:在研究生选课推荐系统中,ItemCF算法比UserCF算法更能发挥优势,适用性更强。