流行度划分结合平均偏好权重的协同过滤个性化推荐算法

提出了一种考虑平均偏好权重的协同过滤个性化推荐算法。该算法分为邻域计算、数据集划分、偏好预测3个阶段。在邻域计算阶段,采用基于欧氏距离的KNN来确定邻域;同时对数据集按照其本身特点设定的流行度阈值进行划分;在预测评分时,对已有的邻域按照流行度选取部分项目,基于项目集的偏好相似度求解用户的平均偏好权重,据此对用户进行先后两次预测,再求平均结果。在Movielens 100K数据集上将所提算法与典型的余弦推荐算法、person推荐算法、基于项目偏好的协调过滤算法和用户属性加权活跃近邻的协同过滤算法进行比较实验,结果表明新算法在MAE上表现的更优秀。

综合个人兴趣和平均偏好的矩阵分解推荐算法

传统的兴趣推荐模型提升用户推荐精度的同时增加了计算耗时,没有考虑商品本身的平均偏好特性,导致推荐系统的表现不够理想。为解决上述问题,文中提出采用预分解方法快速计算得出用户的兴趣向量,可以加快模型运算速度,同时提升预测结果精度;并且论文进一步提出在模型中引入物品的平均偏好来改进top-N推荐算法,可以提升推荐结果的质量和效果。运用Netflix以及MovieLens数据集验证,实验结果表明,改进后的模型在推荐结果的质量方面优于原有模型,可以有效提高推荐效率,改善推荐准确度。

现代金融企业对大学本科生能力素质要求的调研

主要以银行为调查对象,利用有针对性的问卷设计,试图从问卷调查结果的统计分析中,了解现代金融企业如何辨才、识才、选才、用才,透视出现代金融企业选人用人评判标准的偏好次序。探讨应用型本科院校如何在教育教学中保证和促进大学生相应能力素质的形成,以推进应用型本科院校的教育教学改革更好地满足社会需要。