多访问并行特征提取下大数据准确推荐仿真

大数据具有数据量大、数据类型众多的特点,由于用户行为的复杂性,导致大数据推荐的精度降低。为了提升大数据推荐结果的准确性,提出一种基于多访问并行特征提取的大数据推荐算法。通过爬虫技术在访问网站和分类目录网站获取网站分类标签库,识别上网终端搭载的操作系统。分析历史访问行为和兴趣网站之间的关系,根据经验提取用户访问行为特征,采用RNN提取序列特征。通过BiasSVD模型简化矩阵维度,获取目标用户预测评分,利用聚类用户最近邻的真实评分和预测评分之间的平均差值调整目标预测评分,完成大数据推荐。实验结果表明,所提算法在推荐列表为12时,其覆盖率为75%~98%之间,且提高了加速比,全面验证了所提算法的优越性。

基于协同过滤的用户大数据周期智能推荐算法

由于现有的用户大数据推荐算法普遍存在数据稀疏与准确度问题,提出了一种结合用户相似度与路径相似度的协同过滤算法。在分析兴趣偏好时,采用TF-IDF策略得到用户与某属性的兴趣度矩阵,考虑到兴趣的时间影响与稀疏特性,引入时间衰减公式和稀疏信息补充规则。在分析评分差异时,考虑到评价数据的杂乱性,采取信息熵进行计算用户相似性,上述过程引入时间间隔权重来处理时间影响。最后构建行为路径,利用距离计算判断用户行为的相似性,并将各相似度得到的推荐结果进行合并,得到最终推荐。通过MovieLens-1M与sample Criteo数据集,对算法的MAE、、和AUC指标进行对比验证,结果表明,所提算法可以通过兴趣与用户行为,获得更好的表达性能,降低对相似用户信息的依赖,具有良好的抗稀疏性能和推荐准确性。

基于有线电视互动点播业务的大数据分析推荐系统探析

本文对有线电视互动点播业务数据进行了整理和分析,建立了一种推荐数据模型,并设计了基于这种推荐数据模型的应用解决方案。

一种用于大数据的改进的ItemBased推荐算法

为了改善传统ItemBased推荐算法在大数据环境下的数据稀疏性问题和可扩展性问题,论文提出了一种基于Hadoop平台的ItemBased推荐算法。通过Pearson相关系数公式获取数据项之间的相关度,并根据数据集中的数据稀疏程度赋予一定的权值。在此基础上,将该算法在Hadoop平台上分布式并行化,在保证算法的平均绝对误差情况下,提升集群的运算速度。实验表明,改进的算法能够改善推荐质量、提高推荐效率,并且在大数据环境下拥有良好的可扩展性。

大数据背景的变频兴趣变化推荐算法研究

现有的适应兴趣变化的协同过滤算法不能反应用户兴趣变化的频率,对即时热点也不足够敏感。同时,因为计算量大,不适应大数据场景。为此我们采用对时间分层的推荐模型结合热点权重函数,解决了传统算法存在问题,在生产环境中具备较高的应用价值。

大屏端智能实时推荐系统建设实践

本文主要解决如何在海量的视频内容中快速为用户过滤出感兴趣内容的问题,如何在大数据计算平台的有力支撑下进行算法模型的选择和训练,如何使用算法评估、A/B测试等方法不断优化模型以及时捕捉用户兴趣的变迁,重点研究了用户、视频和场景信息的关系,并根据大屏终端实际用户是多个家庭成员的特点,开发了针对家庭用户的分时分群实时推荐算法,可为用户提供精准推荐内容,有效提升了用户观看体验。

智能冰箱推荐系统设计

目前,健康的饮食管理成为了人们追求生活质量的重点,而合理使用现有食材进行专业的个人定制成为了亟待解决的难题。为满足人们对健康饮食定制的需求以及最大程度避免食材浪费,文中提出了基于CNN果蔬识别以及大数据推荐的智能冰箱推荐系统,提高了用户定制菜谱的效率,极大程度增加了冰箱与用户的交互性,形成了较为完整的健康管理模式。

媒介融合时代下传统媒体新闻编辑的转型分析

本文研究媒介融合时代下传统媒体新闻编辑的转型,从新媒体的特点、新媒体的优势、信息的高效转换等方面入手进行总结.希望本文的观点能为关注此话题的研究者提供参考意见.

基于智慧门店用户特征挖掘建模的精准客户画像应用研究

2020年突如其来的新冠疫情使人们进入商业史上的一次冰河时代,原有的生存环境被压缩、被破坏、被改变,也急剧加速了线上线下的融合。客户行为数字化,带人们踏入下一个商业繁荣时代:线上线下一体化融合智慧门店,以精准客户画像大数据推荐为核心的协同演化。本研究主要采用分类预测模型中的C5.0决策树算法构建数据挖掘模型,输出智慧门店终端订单用户的特征模型,通过验证样本对模型结果进行评估并在实际应用中优化调整模型参数,极大地提升了线上线下一体化融合智慧门店精准推荐成功率。